DO-178 Compliance Considerations for Artificial Intelligent Software
Notice bibliographique
Résumé
The integration of Artificial Intelligence (AI) in safety-critical aerospace systems has introduced new challenges in ensuring compliance with regulatory standards. DO-178C, the de facto standard for software development in the aerospace industry, provides guidelines for the development of safety-critical software. However, its applicability to AI software is not straightforward. This paper discusses the DO-178C compliance considerations for AI software, highlighting the unique challenges and opportunities presented by AI. We examine the following key aspects: 1) Software Requirements, the need for clear, concise, and unambiguous requirements for AI software, and how to ensure that these requirements are properly validated and verified; 2) Software Design, the implications of AI software design on DO-178C compliance, including the use of machine learning algorithms, neural networks, and training data; 3) Software Verification, the use of testing, validation, and formal methods to ensure that the software meets its requirements; and 4) Software Configuration Management, the importance of software configuration management in ensuring the integrity and traceability of AI software, and how to implement these practices in a DO-178C compliant manner. DO-178C compliance is essential for ensuring the safety and reliability of AI software in safety-critical aerospace systems. By understanding the unique challenges and opportunities presented by AI, developers can ensure that their software meets the requirements of DO-178C, and that it is safe, reliable, and effective.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,058 | 0,178 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,002 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,003 | 0,010 |
| Communication savante | 0,008 | 0,010 |
| Science ouverte | 0,003 | 0,005 |
| Intégrité de la recherche | 0,007 | 0,007 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,002 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».