مروري بر روش‌هاي آزمون‌پذيري الگوريتم‌هاي يادگيري‌ماشين براي كاربردهاي خودروهاي خودران

A review of test methods of machine learning algorithms for autonomous vehicle applications

امروزه الگوريتم‌هاي يادگيري‌ ماشين به طور خاص شبكه‌هاي يادگيري‌عميق در كاربردهاي عملي موفقيت چشم‌گيري بدست‌آورده‌اند. در آينده نزديك به احتمال زياد حضور آن‌ها در اكثر كاربردهاي روزمره مشهود خواهد بود. با اين حال، آزمون برنامه‌هاي مبتني ‌بر يادگيري‌ ماشين نسبت نرم‌افزارهاي سنتي، به منظور يافتن خطاها و باگ‌هاي احتمالي قبل از به كارگيري آن‌ها در كاربردهاي واقعي، به علت ماهيت آماري‌شان و رويكرد متفاوتشان چالش‌برانگيز خواهد بود. از طرف ديگر در كاربردهاي حساس كه امنيت نقش مهمي در آن ايفا مي‌كند مثل خودروهاي خودران كه رفتار نادرست يا غير پيش‌بيني شده آن‌ها مي‌تواند سبب تصادفات مرگباري شود، مسئله آزمون‌پذيري آن‌ها از اهميت دوچندان برخوردار است. در اين مقاله مروري بر روش‌هاي آزمون الگوريتم‌هاي يادگيري ‌ماشين خواهيم داشت. مهمترين مسائل در اين رابطه از جمله توليد داده‌آزمون، مسئله اوراكل و ... را مورد بررسي قرار خواهيم داد و كتابخانه‌ها و روش‌هاي پيشنهادي براي آزمون اين الگوريتم‌ها معرفي خواهيم كرد. همچنين به طور خاص كاربرد عملي اين روش‌ها در آزمون‌پذيري خودروهاي‌ خودران كه سبب محدوديت استفاده از آن‌ها شده‌ است را مورد برسي قرار مي‌دهيم.

Nowadays, machine learning algorithms, especially deep learning networks, have achieved considerable success in practical applications. In the near future, their presence in most everyday applications will most likely be evident. However, it will be challenging to test machine learning based programs in relation to traditional software in order to find possible errors and bugs before applying them to real applications, due to their statistical nature and different approach. On the other hand, in sensitive applications where safety plays an important role, such as self-driving cars, whose misbehavior or unforeseen behavior can lead to fatal accidents, the issue of their testability is more important. In this article, we will review the test methods of machine learning algorithms. We will examine the most important issues in this regard, such as the production of test data, the Oracle issue, etc., and introduce libraries and proposed methods for testing these algorithms. We also specifically consider the practical application of these methods in the testing of self-driving cars, which has limited their use.