航空飞行相信AI技术
到底是航空相信AI，还是航空人相信AI，关于题目我想了半天，人的意识观念是存在差别的，但航空不会。尽管面向AI的数据认证和之前的代码认证已经产生了思维上的变化，但是关于航空AI的共识过程必然会被一步步完成。
机器学习（ML）是一个建立已久的领域，它通过从示例数据中自动学习来构建输入输出模型。在过去的十年里，一系列开创性的研究突破重新点燃了这一领域，并开启了广泛的新应用。由于可用数据和计算能力的增加，这一进展在很大程度上是可能的。深度学习是机器学习的一个子集，有着微妙的区别。在机器学习中，模型从主题专家手工制作的数据特征（即对象颜色、边缘、纹理、速度等）中学习。在深度学习中，该模型自己学习这些特征。对于许多专业任务，这种模型的性能优于传统方法，甚至优于人类专家。这些任务包括医学诊断、卫星图像分析、疾病分类、棋盘和电子游戏策略等。研究人员和从业者将深度学习视为机器人自主性的关键推动者，从而实现前所未有的安全水平。特别是，深度学习是过去十年自动驾驶成功的幕后推手，有可能释放自动飞行的真正好处。尽管取得了这些成就，但机器学习在汽车和飞机等安全关键系统中的广泛应用进展缓慢。这在很大程度上是因为法规滞后，缺乏标准化的认证政策，尤其是在航空航天领域。
在航空航天领域，认证旨在确保硬件、软件和流程遵循一套定义的设计和性能要求，并最终降低故障概率。获得运行证明的关键在于定量证明整个运行领域（OD）的可靠性。对于航空航天，政府机构授予认证，如FAA和EASA。它们没有规定要遵循的确切做法，而是发布咨询通知，以承认开发和认证飞机、航空航天系统或部件的可接受方法。
这些机构得到了SAE、RTCA或EUROCAE等专业协会的支持，提供了一个论坛来制定飞机系统设计的技术标准和推荐做法。这些文件不具有任何法律效力，但通常被视为可接受的合规方式。然后，监管机构与每个申请人合作，批准使用每个标准来定义正式的符合性方法（MOC）。
广泛接受的航空航天模式是遵循SAE ARP4761和ARP4754A/ED-79A的指导。该框架遵循经典的系统工程V生命周期，以确定系统组件所需的认证级别。使用功能危害分析（FHA），将系统架构分解为不同的级别；从飞机层面一直到子系统。然后列出每个级别的功能，并将其映射到相应的子系统。然后，每个功能的故障条件和严重程度决定了开发保证水平（DAL），并确定了要满足的安全要求。然后，申请人遵循符合性方法（MOC）来验证是否满足故障条件要求。
DO-254/ED-80和DO-178C/ED-12C是分别为硬件和软件组件的认证提供指导文件。同样，DO-200B提供了处理航空数据的指南，并可扩展到机器学习数据的管理。根据DO-178C，每个需求都必须可追溯到实现它的代码行、验证该代码正确性的测试用例以及此类测试的结果。这样可以确保源代码满足每个需求，并且没有多余的代码。
对于机器学习模型，将代码行映射到需求并不简单，因此在当前的认证过程中产生了差距。首先，这样的模型通常包含数百万个参数，这些参数的子集根据输入的属性被激活。这使得无法跟踪单个参数对结果输出的影响。第二，这些参数不是像传统软件（例如卡尔曼滤波器、偏航控制器）那样直接从物理或要求中导出的。参数是从示例数据中自动学习的，该示例数据在模型的训练阶段被馈送到模型。因此，为了将此参数跟踪到需求，应该将该数据本身映射到需求。这不仅将当前认证过程的重点从代码本身转移到了数据可追溯性上。第三，一些机器学习模型构建的数据的中间表示越来越复杂、强大，但也无法解释。通过查看代码中的那些中间层，不可能将它们的参数映射到需求。
本文地址：航空之家 https://www.aerohome.com.cn/article-1345.html
