人工智能安全關(guān)鍵型系統(tǒng)中的驗(yàn)證和確認(rèn)

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。