無論是在正式還是非正式討論中，恩智浦員工經常會談及功能安全和信息安全的相互作用。如果再涉及汽車和人工智能，這個話題可能會變得更加復雜。

在去年的博文《未來挑戰：如何確保人工智能的安全》中，我們提到，恩智浦正在為安全的AI奠定堅實的基礎，例如恩智浦有關算法道德和Auto eIQ的白皮書。

在尋求功能安全和信息安全的汽車AI方面，我們不是在孤軍奮戰。在德國，德國聯邦信息安全辦公室 （BSI） 和采埃孚 （ZF） 攜手德國認證機構漢德集團 （TUV Nord），正合力探索如何在汽車上測試AI。德國人工智能研究中心 （DFKI） 和TUV SUD也在研究AI系統的汽車性能測試。

雖然尚不清楚這些測試的具體要求，但我們將在現有的基礎上再接再厲。

未來汽車如何利用機器學習和人工智能

在推理方面，我們相信未來汽車將利用AI和機器學習來提供安全相關的功能。正因如此，我們與ANITI和ONERA合作，研究基于AI的系統中隨機硬件故障的影響。這項工作在功能安全標準（如ISO 26262）確立的先進水平之上，因為這些標準明確將機器學習排除在外。

功能安全框圖

本次合作的一個重點領域就是故障注入。故障注入技術可用于以下3個目的：

1

驗證安全機制的有效性

2

證明特定設計對隨機硬件故障的穩健性

3

在現場驗證設備能夠檢測出可預見的故障

確定邊緣隨機硬件故障的影響與機器學習模型之間的聯系，這是在現實世界中構建信任所必需的關鍵一環。如果沒有構建信任，我們就無法使用機器學習和AI來實現自動駕駛汽車所需的安全相關功能。

如何利用功能安全構建信任？

就構建信任而言，我們知道，不久后的將來，在運行人工智能安全功能的汽車中，完全按照機器學習模型運行不足以保障駕乘人員的安全。在這種情況下，硬件本身的重要性轉移到了模型的質量。

評估與模型的平均性能有關的指標是常見做法。而典型的方法是用準確率來定義正確分類的比率。在目標檢測中 （雷達的必備功能），通常選擇以mAP為指標。除了目標的正確分類，mAP還涵蓋了衍生邊界框的質量。

觀看恩智浦半導體

汽車4D成像雷達演示

但是，我們認為要構建對模型的信任，這還不夠。這些指標可能僅因為檢測目標的形狀較為罕見，便無法區分奇怪的錯誤與可以理解的人為失誤。

此外，如果出現奇怪的錯誤，需要了解造成錯誤的原因才能加以解決。即使預測是正確的，它也可能基于不正確的偏見，而這是人們希望避免的。

如何理解AI算法？

為了解決這些問題，我們需要采用適當的方法打開AI算法的“黑匣子”，讓人類能夠理解這些預測。Grad-CAM就是這種神經網絡方法的一個有趣的例子。Ramprasaath R.Selvaraju等人于2019年發表了一篇論文，其中解釋了如何將特征圖與其梯度相乘，以此確定輸入的哪些部分對模型的預測最重要。這為用戶提供了一個非常有價值的工具，可以更好地了解模型學到了什么，進而得出預測。

這也會增加人們對模型的信任，并有助于開發人員發現在訓練集中發現模型缺點，然后加以解決。

作者給出了一個示例，人們訓練了兩種模型分別用來識別醫生和護士。Grad-CAM提供了一個覆蓋圖（類似于熱圖），告訴人們使用圖片的哪些部分來做出判斷。在第一個模型（“有偏見”）中，模型使用面部特征來識別。這是我們不希望看到的情況，鑒于訓練集存在偏見（女護士照片和男醫生照片較多），模型可能會判斷照片中是“護士”。經過分析和再訓練后，第二個模型可根據其他要素做出決策。Grad-CAM用于驗證是否需要這些要素（如聽診器）。

這個例子可以很容易地推算至與安全相關的功能。在駕駛員監測系統檢測的情況下，Grad-CAM可以確保駕駛員疲勞標記的訓練無偏見。

恩智浦繼續投資打造功能安全和信息安全的AI解決方案。通過構建對訓練數據的信任，確保ML模型的完美執行（即使是在隨機硬件故障的情況下），恩智浦致力于朝著光明、安全的未來前行。

原文標題：汽車AI的功能安全和信息安全：新課題需要新解法！

文章出處：【微信公眾號：NXP客棧】歡迎添加關注！文章轉載請注明出處。