隨著世界各個國家／地區(qū)紛紛制定人工智能相關(guān)法規(guī),，設(shè)計(jì)基于人工智能的系統(tǒng)的工程師必須滿足這些新出臺的規(guī)范和標(biāo)準(zhǔn)要求。在 2023 年 10 月 30 日,，美國白宮也頒布了一項(xiàng)關(guān)于人工智能法規(guī)的行政命令,，強(qiáng)調(diào)穩(wěn)健的驗(yàn)證和確認(rèn)（V&V）過程對基于人工智能的系統(tǒng)至關(guān)重要。該指令要求人工智能公司報(bào)告和測試特定模型,，以確保人工智能系統(tǒng)按預(yù)期運(yùn)行并滿足指定要求。

　　人工智能法規(guī)和 V&V 過程將對安全關(guān)鍵型系統(tǒng)產(chǎn)生重大影響。人工智能越來越多地用于系統(tǒng)設(shè)計(jì),，包括汽車和航空航天工業(yè)等領(lǐng)域的安全關(guān)鍵型應(yīng)用,。

　　基于人工智能的系統(tǒng)中的驗(yàn)證和確認(rèn)

　　驗(yàn)證旨在確定人工智能模型是否按照指定的要求設(shè)計(jì)和開發(fā)，而確認(rèn)則是檢查產(chǎn)品是否符合客戶的要求和預(yù)期,。通過采用 V&V 方法,，工程師可以確保人工智能模型的輸出符合規(guī)范，從而實(shí)現(xiàn)早期 Bug 檢測并緩解數(shù)據(jù)偏向的風(fēng)險(xiǎn),。

　　在安全關(guān)鍵型系統(tǒng)中使用人工智能的一項(xiàng)優(yōu)勢是,，人工智能模型可以模擬物理系統(tǒng)并驗(yàn)證設(shè)計(jì)。工程師可對基于人工智能的整個系統(tǒng)進(jìn)行仿真,，并使用數(shù)據(jù)在不同場景中測試系統(tǒng),，包括離群值事件。如果在安全關(guān)鍵型場景中執(zhí)行 V&V,，則可確?；谌斯ぶ悄艿陌踩P(guān)鍵型系統(tǒng)能夠在各種情況下保持其性能水平。

　　大多數(shù)開發(fā)人工智能增強(qiáng)產(chǎn)品的行業(yè),，都要求工程師在產(chǎn)品上市前遵循相關(guān)標(biāo)準(zhǔn),。這些認(rèn)證過程可確保此類產(chǎn)品中融入特定元素。工程師可執(zhí)行 V&V 來測試這些元素的功能,，這使得獲得認(rèn)證更容易,。

　　在汽車行業(yè)中，ISO/CD PAS 8800 是一項(xiàng)擬制標(biāo)準(zhǔn),，旨在說明道路車輛的安全相關(guān)屬性和風(fēng)險(xiǎn)因素,。在航空航天和國防領(lǐng)域，認(rèn)證是強(qiáng)制性要求,。機(jī)載系統(tǒng)和設(shè)備認(rèn)證中的軟件考慮因素（DO178C）等現(xiàn)行標(biāo)準(zhǔn)不一定能直接幫助應(yīng)對人工智能所帶來的獨(dú)特挑戰(zhàn),。因此，新的 ARP6983 過程標(biāo)準(zhǔn)正在制定中,，旨在為開發(fā)和認(rèn)證實(shí)現(xiàn)人工智能的航空安全相關(guān)產(chǎn)品提供規(guī)范,。

　　Deep Learning Toolbox? Verification Library 和 MATLAB^? Test? 可以幫助工程師開發(fā)有助于遵循行業(yè)標(biāo)準(zhǔn)的軟件，并簡化大型系統(tǒng)中人工智能模型的驗(yàn)證和測試,，從而使他們在航空和汽車領(lǐng)域的 V&V 方面保持領(lǐng)先地位。

　　航空航天工程團(tuán)隊(duì)使用基于模型的設(shè)計(jì)來管理和協(xié)調(diào)復(fù)雜的需求,，自動生成代碼,，并嚴(yán)格測試模型和系統(tǒng)。

　　安全關(guān)鍵型系統(tǒng)中的 V&V 人工智能過程

　　在執(zhí)行 V&V 時(shí),，工程師的目標(biāo)是確保人工智能組件既能滿足指定的要求,，又能在各種工況下都表現(xiàn)出可靠性和安全性,，因此可以隨時(shí)部署。與人工智能相關(guān)的 V&V 過程涉及執(zhí)行軟件保證活動,，其中包括靜態(tài)和動態(tài)分析,、測試、形式化方法和真實(shí)運(yùn)營監(jiān)控的組合,。

　　各行各業(yè)的 V&V 過程可能略有不同,，但 V&V 過程的主要步驟都包括：

• 分析決策過程以解決黑盒問題；

• 根據(jù)有代表性的數(shù)據(jù)集測試模型,；

• 執(zhí)行人工智能系統(tǒng)仿真,；

• 確保模型在可接受的范圍內(nèi)運(yùn)行。

　　下述 V&V 過程中的步驟是迭代步驟,。隨著工程師收集新數(shù)據(jù),、獲得新深入信息和集成運(yùn)行反饋，人工智能系統(tǒng)可以得到不斷完善和改進(jìn),。

　　分析決策過程以解決黑盒問題

　　在使用人工智能模型為系統(tǒng)添加自動化功能時(shí),，工程師會面臨黑盒問題。理解基于人工智能的系統(tǒng)如何作出決策,，對于提供透明度至關(guān)重要,，因?yàn)檫@使工程師和科學(xué)家能夠?qū)δＰ皖A(yù)測建立信任并理解決策。

　　特征重要性分析方法可以幫助工程師確定哪些輸入變量對模型預(yù)測的影響最大,。這種分析方法的工作方式因模型（如基于樹的模型和線性模型）而異,，但是，一般過程會為每個輸入變量賦予一個特征重要性分?jǐn)?shù),。重要性分?jǐn)?shù)越高,，該特征對模型決策的影響就越大。對于汽車行業(yè)的安全關(guān)鍵型系統(tǒng),，變量可能包括環(huán)境因素,，如降水或其他車輛的存在和行為。

　　可解釋性方法有助于深入了解模型行為,。當(dāng)模型的黑盒性質(zhì)使我們無法使用其他方法時(shí)，這種方法尤其重要,。以圖像為例,，這些方法可用于識別圖像中對最終預(yù)測貢獻(xiàn)最大的區(qū)域。這樣,，工程師便可理解模型在做出預(yù)測時(shí)的主要關(guān)注點(diǎn),。

　　根據(jù)有代表性的數(shù)據(jù)集測試模型

　　通常，工程師會評估人工智能模型在真實(shí)場景中的性能,，以確保安全關(guān)鍵型系統(tǒng)能夠在這些場景中穩(wěn)健運(yùn)行,。他們的目標(biāo)是找出各種限制,，以提高模型的準(zhǔn)確度和可靠性。工程師首先會收集大量有代表性的真實(shí)數(shù)據(jù)集,，并通過清洗數(shù)據(jù)使其適用于測試,。然后，他們會設(shè)計(jì)測試用例來評估模型的各個方面,，例如準(zhǔn)確度和可再現(xiàn)性,。最后，工程師會將模型應(yīng)用于數(shù)據(jù)集,，記錄結(jié)果并將其與預(yù)期輸出進(jìn)行比較,。模型設(shè)計(jì)將根據(jù)數(shù)據(jù)測試的結(jié)果進(jìn)行改進(jìn)。

　　執(zhí)行人工智能系統(tǒng)仿真

　　憑借基于人工智能的系統(tǒng)仿真,，工程師能夠在受控環(huán)境中評估和評價(jià)系統(tǒng)的性能,。在仿真期間，工程師會創(chuàng)建一個虛擬環(huán)境,，以在各種條件下對真實(shí)系統(tǒng)進(jìn)行模擬,。首先，他們會定義仿真系統(tǒng)所需的輸入和參數(shù),，例如初始條件和環(huán)境因素,。然后，他們使用 Simulink^? 等軟件執(zhí)行仿真,，該軟件會輸出系統(tǒng)對建議場景的響應(yīng),。與數(shù)據(jù)測試一樣，仿真結(jié)果會與預(yù)期或已知結(jié)果進(jìn)行比較,，以便于模型得到逐步改進(jìn),。

　　為了讓人工智能模型安全可靠地運(yùn)行，必須建立界限并監(jiān)控模型的行為,，以確保該模型在這些邊界內(nèi)運(yùn)行,。如果模型已基于有限的數(shù)據(jù)集訓(xùn)練，并在運(yùn)行時(shí)遇到前所未見的數(shù)據(jù),，則會出現(xiàn)最常見的邊界問題之一,。同樣，模型可能不夠穩(wěn)健,，有可能導(dǎo)致不可預(yù)測的行為,。

　　工程師采用緩解數(shù)據(jù)偏向和增強(qiáng)數(shù)據(jù)的方法，以確保人工智能模型在可接受的范圍內(nèi)運(yùn)行,。

　　緩解數(shù)據(jù)偏向的一種方法是,，讓用于訓(xùn)練人工智能模型的數(shù)據(jù)具有多變性，這有助于減少模型對限制其學(xué)習(xí)的重復(fù)模式的依賴,。借助數(shù)據(jù)增強(qiáng)方法,，可確保代表不同類別和人群的數(shù)據(jù)都能得到公平和平等的處理,。在自動駕駛汽車場景中，數(shù)據(jù)增強(qiáng)可能涉及使用不同角度的行人照片來幫助模型檢測行人,，而不管這些行人的位姿如何,。數(shù)據(jù)平衡方法通常與數(shù)據(jù)增強(qiáng)結(jié)合使用，包含來自每個數(shù)據(jù)類的相似樣本,。以行人為例,，平衡數(shù)據(jù)意味著，針對每種不同的行人場景,，如不同體型,、服裝樣式、光照條件和背景,，數(shù)據(jù)集都必須包含與之對應(yīng)數(shù)量的圖像,。這種方法可以最大限度地減少偏向，并提高模型在各種現(xiàn)實(shí)情況下的泛化能力,。

　　在安全關(guān)鍵型場景中部署神經(jīng)網(wǎng)絡(luò)時(shí),，穩(wěn)健性是首要考慮因素。細(xì)微而難以察覺的變化會帶來重大風(fēng)險(xiǎn),，使神經(jīng)網(wǎng)絡(luò)產(chǎn)生誤分類,。這些干擾可能會導(dǎo)致神經(jīng)網(wǎng)絡(luò)輸出不正確或危險(xiǎn)的結(jié)果。在錯誤可能導(dǎo)致災(zāi)難的系統(tǒng)中,，這種情況尤其令人擔(dān)憂,。一種解決方案是，將形式化方法納入開發(fā)和驗(yàn)證過程中,。形式化方法就是使用嚴(yán)格的數(shù)學(xué)模型來確立和證明神經(jīng)網(wǎng)絡(luò)的正確性屬性,。通過應(yīng)用這些方法，工程師可以提高網(wǎng)絡(luò)對某些類型干擾的抵御能力,，從而確保安全關(guān)鍵型應(yīng)用具有更高的穩(wěn)健性和可靠性,。

　　W 形開發(fā)過程是一種非線性 V&V 工作流，旨在確保人工智能模型的準(zhǔn)確度和可靠性,。

　　結(jié)束語

　　在基于人工智能的安全關(guān)鍵型系統(tǒng)時(shí)代,，V&V 過程對于獲得行業(yè)認(rèn)證和遵循法律要求將變得至關(guān)重要。若要構(gòu)建和維護(hù)值得信賴的系統(tǒng),，工程師需要采用驗(yàn)證方法,，為運(yùn)行這些系統(tǒng)的人工智能模型提供可解釋性和透明度。隨著工程師利用人工智能來幫助執(zhí)行 V&V 過程,，他們必須探索各種測試方法來應(yīng)對人工智能技術(shù)所帶來的日益復(fù)雜的挑戰(zhàn)。在安全關(guān)鍵型系統(tǒng)中,，這些工作可確保人工智能以負(fù)責(zé)且透明的方式得到使用,。

更多精彩內(nèi)容歡迎點(diǎn)擊==>>電子技術(shù)應(yīng)用-AET<<