Machine
Machine Learning osagaien ziurgabetasunei aurre egitea (2. zatia)
Sistema kritikoetan Machine Learning osagaiak erabiltzeak segurtasun-kontzeptu sendoa eta kontuan hartutako sistemaren arriskua nahiko baxua dela argudiatzeko eta frogatzeko gaitasuna eskatzen du. Gure aurreko blog-eko argitalpenean (Machine Learning osagaien ziurgabetasunei aurre egitea (1. zatia), ziurgabetasuna kalkulatzeko distantzia-neurri estatistikoak erabiltzen dituen hurbilketa bat eztabaidatu genuen, segurtasun-kontzeptu integral baten eraikuntza-bloke potentzial bat. Testuingurua neurtzeko ikuspegiaren eraginkortasuna frogatu […]
Dealing with uncertainties of Machine Learning components
The use of Machine Learning (ML) components in safety-critical or financially critical systems is challenging. At Fraunhofer IESE, we address this challenge by systematically engineering comprehensive multi-layered safety concepts and explicitly considering sources of uncertainties. This specifically includes situations at runtime for which ML components were not trained. In this blog post, we present the […]