ترجمه فارسی مقاله Optdist: یادگیری توزیع بهینه برای پیش بینی ارزش طول عمر مشتری

چکیده

As artificial intelligence (AI) technology advances, ensuring the robustness and safety of AI-driven systems has become paramount. However, varying perceptions of robustness among AI developers create misaligned evaluation metrics, complicating the assessment and certification of safety-critical and complex AI systems such as autonomous driving (AD) agents. To address this challenge, we introduce Simulation-Based Robustness Assessment Framework (S-RAF) for autonomous driving. S-RAF leverages the CARLA Driving simulator to rigorously assess AD agents across diverse conditions, including faulty sensors, environmental changes, and complex traffic situations. By quantifying robustness and its relationship with other safety-critical factors, such as carbon emissions, S-RAF aids developers and stakeholders in building safe and responsible driving agents, and streamlining safety certification processes. Furthermore, S-RAF offers significant advantages, such as reduced testing costs, and the ability to explore edge cases that may be unsafe to test in the real world. The code for this framework is available here: https://github.com/cognitive-robots/rai-leaderboard

چکیده به فارسی (ترجمه ماشینی)

به عنوان پیشرفت فن آوری هوش مصنوعی (AI) ، اطمینان از استحکام و ایمنی سیستم های AI محور بسیار مهم است.با این حال ، برداشت های مختلف از استحکام در بین توسعه دهندگان هوش مصنوعی معیارهای ارزیابی نادرست ایجاد می کند و ارزیابی و صدور گواهینامه سیستم های هوش مصنوعی با ایمنی و پیچیده مانند عوامل رانندگی خودمختار (AD) را پیچیده می کند.برای پرداختن به این چالش ، ما چارچوب ارزیابی استحکام مبتنی بر شبیه سازی (S-RAF) را برای رانندگی خودمختار معرفی می کنیم.S-RAF از شبیه ساز رانندگی کارلا برای ارزیابی دقیق عوامل تبلیغاتی در شرایط متنوع ، از جمله سنسورهای معیوب ، تغییرات محیطی و موقعیت های پیچیده ترافیک استفاده می کند.با کمیت استحکام و ارتباط آن با سایر عوامل مهم ایمنی ، مانند انتشار کربن ، توسعه دهندگان S-RAF ایدز و ذینفعان در ساخت عوامل محرک ایمن و مسئول و ساده سازی فرآیندهای صدور گواهینامه ایمنی.علاوه بر این ، S-RAF مزایای قابل توجهی مانند کاهش هزینه های آزمایش و امکان کشف موارد لبه ای را که ممکن است برای آزمایش در دنیای واقعی ناامن باشد ، ارائه می دهد.کد این چارچوب در اینجا موجود است: https://github.com/cognitive-robots/rai-leaderboard