航空飛行相信AI技術
到底是航空相信AI，還是航空人相信AI，關于題目我想了半天，人的意識觀念是存在差別的，但航空不會。盡管面向AI的數(shù)據(jù)認證和之前的代碼認證已經產生了思維上的變化，但是關于航空AI的共識過程必然會被一步步完成。
機器學習（ML）是一個建立已久的領域，它通過從示例數(shù)據(jù)中自動學習來構建輸入輸出模型。在過去的十年里，一系列開創(chuàng)性的研究突破重新點燃了這一領域，并開啟了廣泛的新應用。由于可用數(shù)據(jù)和計算能力的增加，這一進展在很大程度上是可能的。深度學習是機器學習的一個子集，有著微妙的區(qū)別。在機器學習中，模型從主題專家手工制作的數(shù)據(jù)特征（即對象顏色、邊緣、紋理、速度等）中學習。在深度學習中，該模型自己學習這些特征。對于許多專業(yè)任務，這種模型的性能優(yōu)于傳統(tǒng)方法，甚至優(yōu)于人類專家。這些任務包括醫(yī)學診斷、衛(wèi)星圖像分析、疾病分類、棋盤和電子游戲策略等。研究人員和從業(yè)者將深度學習視為機器人自主性的關鍵推動者，從而實現(xiàn)前所未有的安全水平。特別是，深度學習是過去十年自動駕駛成功的幕后推手，有可能釋放自動飛行的真正好處。盡管取得了這些成就，但機器學習在汽車和飛機等安全關鍵系統(tǒng)中的廣泛應用進展緩慢。這在很大程度上是因為法規(guī)滯后，缺乏標準化的認證政策，尤其是在航空航天領域。
在航空航天領域，認證旨在確保硬件、軟件和流程遵循一套定義的設計和性能要求，并最終降低故障概率。獲得運行證明的關鍵在于定量證明整個運行領域（OD）的可靠性。對于航空航天，政府機構授予認證，如FAA和EASA。它們沒有規(guī)定要遵循的確切做法，而是發(fā)布咨詢通知，以承認開發(fā)和認證飛機、航空航天系統(tǒng)或部件的可接受方法。
這些機構得到了SAE、RTCA或EUROCAE等專業(yè)協(xié)會的支持，提供了一個論壇來制定飛機系統(tǒng)設計的技術標準和推薦做法。這些文件不具有任何法律效力，但通常被視為可接受的合規(guī)方式。然后，監(jiān)管機構與每個申請人合作，批準使用每個標準來定義正式的符合性方法（MOC）。
廣泛接受的航空航天模式是遵循SAE ARP4761和ARP4754A/ED-79A的指導。該框架遵循經典的系統(tǒng)工程V生命周期，以確定系統(tǒng)組件所需的認證級別。使用功能危害分析（FHA），將系統(tǒng)架構分解為不同的級別；從飛機層面一直到子系統(tǒng)。然后列出每個級別的功能，并將其映射到相應的子系統(tǒng)。然后，每個功能的故障條件和嚴重程度決定了開發(fā)保證水平（DAL），并確定了要滿足的安全要求。然后，申請人遵循符合性方法（MOC）來驗證是否滿足故障條件要求。
DO-254/ED-80和DO-178C/ED-12C是分別為硬件和軟件組件的認證提供指導文件。同樣，DO-200B提供了處理航空數(shù)據(jù)的指南，并可擴展到機器學習數(shù)據(jù)的管理。根據(jù)DO-178C，每個需求都必須可追溯到實現(xiàn)它的代碼行、驗證該代碼正確性的測試用例以及此類測試的結果。這樣可以確保源代碼滿足每個需求，并且沒有多余的代碼。
對于機器學習模型，將代碼行映射到需求并不簡單，因此在當前的認證過程中產生了差距。首先，這樣的模型通常包含數(shù)百萬個參數(shù)，這些參數(shù)的子集根據(jù)輸入的屬性被激活。這使得無法跟蹤單個參數(shù)對結果輸出的影響。第二，這些參數(shù)不是像傳統(tǒng)軟件（例如卡爾曼濾波器、偏航控制器）那樣直接從物理或要求中導出的。參數(shù)是從示例數(shù)據(jù)中自動學習的，該示例數(shù)據(jù)在模型的訓練階段被饋送到模型。因此，為了將此參數(shù)跟蹤到需求，應該將該數(shù)據(jù)本身映射到需求。這不僅將當前認證過程的重點從代碼本身轉移到了數(shù)據(jù)可追溯性上。第三，一些機器學習模型構建的數(shù)據(jù)的中間表示越來越復雜、強大，但也無法解釋。通過查看代碼中的那些中間層，不可能將它們的參數(shù)映射到需求。
本文地址：航空之家 http://weeride.cn/article-1345.html
