Can Large Language Models Assist with SOTIF Scenario Generation?
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Combinations of operating conditions can trigger a system to behave in a hazardous manner, even in the absence of malfunction. ISO 21448 - Road vehicles - Safety of the intended functionality (referred to as “SOTIF”) describes strategies for managing this type of risk in automotive systems. One strategy includes the identification of operating scenarios that might lead to the occurrence of a hazard. Crafting scenarios is a technically challenging and labor-intensive task that requires sustained creative engagement, and the consequence of inadequate SOTIF analyses can be severe. This paper introduces Heraclitus, an engineering method and prototype software tool for performing SOTIF scenario generation with the support of a large language model. Large language models are a novel type of generative artificial intelligence targeted at natural language processing and generation that exhibit remarkable performance in a range of natural language applications that have historically been difficult for conventional artificial intelligence systems. As such, there is an opportunity to use these models, in collaboration with humans, to support SOTIF scenario creation. The goal of Heraclitus is to allow analysts to rapidly produce a comprehensive set of SOTIF scenarios that can be used as the basis for on-going SOTIF risk management. A preliminary control trial of Heraclitus was conducted, in which six system safety experts were asked to create SOTIF scenarios with and without the support of a large language model. Results indicate that these models show promise in supporting SOTIF analysis and are capable of generating useful SOTIF scenarios.
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.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
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 découle