مروری بر روش های آزمون پذیری الگوریتم های یادگیری ماشین برای کاربردهای خودروهای خودران

امروزه الگوریتم های یادگیری ماشین به طور خاص شبکه های یادگیری عمیق در کاربردهای عملی موفقیت چشم گیری بدست آورده اند. در آینده نزدیک به احتمال زیاد حضور آن ها در اکثر کاربردهای روزمره مشهود خواهد بود. با این حال، آزمون برنامه های مبتنی بر یادگیری ماشین نسبت نرم افزارهای سنتی، به منظور یافتن خطاها و باگ های احتمالی قبل از به کارگیری آن ها در کاربردهای واقعی، به علت ماهیت آماری شان و رویکرد متفاوتشان چالش برانگیز خواهد بود. از طرف دیگر در کاربردهای حساس که امنیت نقش مهمی در آن ایفا می کند مثل خودروهای خودران که رفتار نادرست یا غیر پیش بینی شده آن ها می تواند سبب تصادفات مرگباری شود، مسئله آزمون پذیری آن ها از اهمیت دوچندان برخوردار است. در این مقاله مروری بر روش های آزمون الگوریتم های یادگیری ماشین خواهیم داشت. مهمترین مسائل در این رابطه از جمله تولید داده آزمون، مسئله اوراکل و ... را مورد بررسی قرار خواهیم داد و کتابخانه ها و روش های پیشنهادی برای آزمون این الگوریتم ها معرفی خواهیم کرد. همچنین به طور خاص کاربرد عملی این روش ها در آزمون پذیری خودروهای خودران که سبب محدودیت استفاده از آن ها شده است را مورد برسی قرار می دهیم.

Keywords:

آزمون پذیری , آزمون اوراکل , خودروهای خودران , شبکه های عصبی عمیق , شبکه های مولد تخاصمی