ASPICE 4.0中的MLE过程组

2023/6/6，VDA发布了ASPICE 4.0的第一个草稿版，其中将机器学习工程过程组（MLE – Machine Learning Engineering Process Group）加了进去，如下图所示。以MLE过程组为脉络可以帮助我们梳理AI工具链在汽车电子软件开发中的部署。

图片来源：https://vda-qmc.de/wp-content/uploads/2023/06/Automotive-SPICE-PAM-40-Gelbbandrelease.pdf

机器学习工程过程组(MLE)由处理来自软件需求的机器学习需求的管理、相应的机器学习架构的开发、机器学习模型的训练以及针对机器学习需求的机器学习模型测试的过程组成。以下是各过程域的对应实践，可见MLE是对接于SWE（软件工程）且相关实践的组织形式、工作产品类似，只是增加或定制了机器学习特有的内容如训练模型等。

相关的工具链模这里以MATLAB-Simulink为切入点分享一些自己的理解。

MLE机器学习工程工具链

作为AI（人工智能）子集的ML（机器学习），ML可以通过统计学（Statistics）的方法，之下分支又有深度学习（Deep Learning）和强化学习（Reinforcement Learning）两个自己，如下图所示相关的工具可以分成三类：

参考链接：https://www.mathworks.com/content/dam/mathworks/presentation-loop/ai-for-simulink-users.pdf

"统计学机器学习"是指使用基于统计学的方法，如线性回归，逻辑回归，决策树等；

"深度学习"是指使用神经网络，特别是深度神经网络的方法；

"强化学习"是指使用基于奖励的学习方法，系统通过与环境交互来学习如何优化其行为。

以下是一些厂商在机器学习方面的部分应用列表：

在不同的应用之下，AI驱动的系统设计工作流程是相通的。

参考链接：https://www.mathworks.com/content/dam/mathworks/presentation-loop/ai-for-simulink-users.pdf

对应的，将ASPICE4.0过程域对应以上工作流，可以得出以下表格：

其中需求分析部分，如在《东晓一家：工具链部署方案4：ALM生态与工具链集成实践》提到的，通过Polarion的扩展Polarion Connector for Simulink®，可以将融合深度学习功能的建模工具MATLAB-Simulink和需求管理的ALM工具Polarion ALM连接起来。

参考链接：https://extensions.polarion.com/extensions/318-simpol-simulink-polarion-connector

错误识别（Fault Identification）的例子

参考链接：https://www.mathworks.com/content/dam/mathworks/presentation-loop/ai-for-simulink-users.pdf

车辆探测（Vehicle Detection）的例子

参考链接：https://www.mathworks.com/content/dam/mathworks/presentation-loop/ai-for-simulink-users.pdf

其他例子（人类活动识别、电子引擎温度估算、电车充电状态估算）

参考链接：https://www.mathworks.com/content/dam/mathworks/presentation-loop/ai-for-simulink-users.pdf

在最后的部署 (Deployment)阶段，相关的Simulink生成代码便可集成到AUTOSAR中的应用层作为一个SWC（软件组件）存在。

参考链接：https://it.mathworks.com/content/dam/mathworks/mathworks-dot-com/solutions/aerospace-defense/files/2017/expo-in/from-simulink-to-autosar-enabling-autosar-code-generation-with-model-based-design.pdf

文章转载自公众号：仨人谈起