ГОСТ Р 71844-2024 Аэродромы гражданские. Искусственные покрытия. Искусственный интеллект при распознавании дефектов. Общие положения.
ГОСТ Р 71844-2024
НАЦИОНАЛЬНЫЙ СТАНДАРТ РОССИЙСКОЙ ФЕДЕРАЦИИ
Аэродромы гражданские. Искусственные покрытия
ИСКУССТВЕННЫЙ ИНТЕЛЛЕКТ ПРИ РАСПОЗНАВАНИИ ДЕФЕКТОВ
Общие положения
Civil aerodromes. Artificial coatings. Artificial intelligence in defect recognition. General provisions
ОКС 35.240.60
Дата введения 2025-02-01
Предисловие
1 РАЗРАБОТАН Федеральным государственным бюджетным учреждением "Российский институт стандартизации" (ФГБУ "Институт стандартизации"), Обществом с ограниченной ответственностью "А-Я эксперт" (ООО "А-Я эксперт")
2 ВНЕСЕН Техническим комитетом по стандартизации ТК 164 "Искусственный интеллект"
3 УТВЕРЖДЕН И ВВЕДЕН В ДЕЙСТВИЕ Приказом Федерального агентства по техническому регулированию и метрологии от 29 ноября 2024 г. № 1812-ст
4 ВВЕДЕН ВПЕРВЫЕ
Правила применения настоящего стандарта установлены в статье 26 Федерального закона от 29 июня 2015 г. № 162-ФЗ "О стандартизации в Российской Федерации". Информация об изменениях к настоящему стандарту публикуется в ежегодном (по состоянию на 1 января текущего года) информационном указателе "Национальные стандарты", а официальный текст изменений и поправок - в ежемесячном информационном указателе "Национальные стандарты". В случае пересмотра (замены) или отмены настоящего стандарта соответствующее уведомление будет опубликовано в ближайшем выпуске ежемесячного информационного указателя "Национальные стандарты". Соответствующая информация, уведомление и тексты размещаются также в информационной системе общего пользования - на официальном сайте Федерального агентства по техническому регулированию и метрологии в сети Интернет (www.rst.gov.ru)
Введение
Настоящий стандарт разработан в целях обеспечения единых требований к разработке автоматизированных систем, использующих в составе своего математического и (или) программного обеспечения частные алгоритмы искусственного интеллекта для распознавания дефектов на искусственных покрытиях гражданских аэродромов. При этом модальность и источники данных для функционирования таких частных алгоритмов искусственного интеллекта не имеют значения и определяются требованиями к соответствующей автоматизированной системе.
Настоящий стандарт входит в комплекс национальных стандартов, регламентирующих применение технологий искусственного интеллекта, и относится к стандартам для частных алгоритмов искусственного интеллекта.
1 Область применения
Настоящий стандарт распространяется на процессы жизненного цикла автоматизированных систем, в составе программного обеспечения которых реализованы частные алгоритмы искусственного интеллекта, применяемые для распознавания дефектов на искусственных покрытиях гражданских аэродромов, и устанавливает общие положения по реализации и применению этих алгоритмов.
2 Нормативные ссылки
В настоящем стандарте использованы нормативные ссылки на следующие документы:
ГОСТ 19.301 Единая система программной документации. Программа и методика испытаний. Требования к содержанию и оформлению
ГОСТ 19.402 Единая система программной документации. Описание программы
ГОСТ Р 51583 Защита информации. Порядок создания автоматизированных систем в защищенном исполнении. Общие положения
ГОСТ Р 56546 Защита информации. Уязвимости информационных систем. Классификация уязвимостей информационных систем
ГОСТ Р 56939 Защита информации. Разработка безопасного программного обеспечения. Общие требования
ГОСТ Р 57657 (ИСО 19131:2007) Пространственные данные. Спецификация информационного продукта
ГОСТ Р 57773 (ИСО 19157:2013) Пространственные данные. Качество данных
ГОСТ Р 58412 Защита информации. Разработка безопасного программного обеспечения. Угрозы безопасности информации при разработке программного обеспечения
ГОСТ Р 58833 Защита информации. Идентификация и аутентификация. Общие положения
ГОСТ Р 58973 Оценка соответствия. Правила к оформлению протоколов испытаний
ГОСТ Р 59547 Защита информации. Мониторинг информационной безопасности. Общие положения
ГОСТ Р 59793 Информационные технологии. Комплекс стандартов на автоматизированные системы. Автоматизированные системы. Стадии создания
ГОСТ Р 59898 Оценка качества систем искусственного интеллекта. Общие положения
ГОСТ Р 70252 Системы искусственного интеллекта на автомобильном транспорте. Системы управления движением транспортным средством. Требования к испытанию алгоритмов низкоуровневого слияния данных
ГОСТ Р 70462.1/ISO/IEC TR 24029-1-2021 Информационные технологии. Интеллект искусственный. Оценка робастности нейронных сетей. Часть 1. Обзор
ГОСТ Р 71207 Защита информации. Разработка безопасного программного обеспечения. Статический анализ программного обеспечения. Общие требования
ГОСТ Р 71533-2024 Системы искусственного интеллекта на автомобильном транспорте. Системы управления движением транспортным средством. Требования к испытанию алгоритмов обнаружения и распознавания дорожной разметки
СП 491.1325800.2020 Аэродромы. Правила обследования технического состояния
Примечание - При пользовании настоящим стандартом целесообразно проверить действие ссылочных стандартов (сводов правил) в информационной системе общего пользования - на официальном сайте Федерального агентства по техническому регулированию и метрологии в сети Интернет или по ежегодному информационному указателю "Национальные стандарты", который опубликован по состоянию на 1 января текущего года, и по выпускам ежемесячного информационного указателя "Национальные стандарты" за текущий год. Если заменен ссылочный документ, на который дана недатированная ссылка, то рекомендуется использовать действующую версию этого документа с учетом всех внесенных в данную версию изменений. Если заменен ссылочный документ, на который дана датированная ссылка, то рекомендуется использовать версию этого документа с указанным выше годом утверждения (принятия). Если после утверждения настоящего стандарта в ссылочный документ, на который дана датированная ссылка, внесено изменение, затрагивающее положение, на которое дана ссылка, то это положение рекомендуется применять без учета данного изменения. Если ссылочный документ отменен без замены, то положение, в котором дана ссылка на него, рекомендуется применять в части, не затрагивающей эту ссылку. Сведения о действии сводов правил можно проверить в Федеральном информационном фонде стандартов.
3 Термины и определения
В настоящем стандарте применены следующие термины с соответствующими определениями:
3.1
автоматизированная система; АС: Система, состоящая из комплекса средств автоматизации, реализующего информационную технологию выполнения установленных функций, и персонала, обеспечивающего его функционирование.
|
Примечания
1 В зависимости от вида деятельности выделяют, например, следующие виды АС: автоматизированные системы управления (АСУ), системы автоматизированного проектирования (САПР), автоматизированные системы научных исследований (АСНИ) и др.
2 В зависимости от вида управляемого объекта (процесса) АСУ подразделяют, например, на АСУ технологическими процессами (АСУТП), АСУ предприятиями (АСУП) и т.д.
[ГОСТ Р 59853-2021, статья 2] |
3.2
алгоритм искусственного интеллекта: Алгоритм, при реализации которого используются подходы, модели, методы, технологии искусственного интеллекта.
[ГОСТ Р 70981-2023, пункт 3.4] |
3.3 атака искажением данных: Атака на модель машинного обучения, при которой злоумышленник вводит вредоносные или искаженные данные в обучающий набор данных, при этом целью атаки является изменение поведения модели, ухудшение ее производительности или создание уязвимостей, которые могут быть использованы в дальнейшем.
Примечание - Также используется термин "атака отравлением данных", в том числе см. [1] (УБИ.221).
3.4
атака подмены модели машинного обучения: Применение состязательного примера путем подачи его на вход системы искусственного интеллекта с целью отказа системы искусственного интеллекта.
|
Примечания
1 Обычно применяется к моделям искусственного интеллекта в форме нейронной сети.
2 См. [2], пункт 3.1.6.
[Адаптировано из ГОСТ Р 59921.7-2022, пункт 3.12] |
3.5 атака с внедрением вредоносного кода: Атака на информационную систему, при которой злоумышленник вводит вредоносный код или команды в системы через уязвимые точки ввода данных с целью изменения ее поведения и получения несанкционированного доступа к данным или ресурсам системы.
Примечание - Основные виды инъекционных атак включают SQL-инъекции, инъекции команд операционной системы и инъекции скриптов. Также используется термин "инъекционная атака", в том числе см. [1] (УБИ.006).
3.6
аугментация данных: Процесс создания дополнительного набора данных из имеющегося набора данных.
Примечание - Применяется для увеличения обучающего набора данных путем модификации существующего набора данных.
[ГОСТ Р 59898-2021, пункт 3.2] |
3.7
аэродром: Участок земли или поверхности воды с расположенными на нем зданиями, сооружениями и оборудованием, предназначенный для взлета, посадки, рулежки и стоянки воздушных судов.
[ГОСТ Р 55584-2013, статья 5] |
3.8
вредоносный код: Программы или код, написанные с целью получения информации о системах или пользователях, уничтожения системных данных, создания благоприятных условий для дальнейшего несанкционированного проникновения в систему, фальсификации системных данных и отчетов, а также внесения путаницы в системные процессы и доставления длительных хлопот обслуживающему персоналу.
|
Примечание 1 - Вредоносные коды, используемые в ходе атак, могут принимать форму вирусов, червей, троянских коней или других автоматических программ, использующих уязвимости в системе.
Примечание 2 - Вредоносный код часто называют вредоносными программами.
[ГОСТ Р 56205-2014, пункт 3.2.70] |
3.9
гиперпараметры (в машинном обучении): Параметры системы искусственного интеллекта, значения которых задаются до начала обучения и не изменяются в процессе обучения.
Примечание - У системы искусственного интеллекта может не быть гиперпараметров.
[ГОСТ Р 59900-2021, пункт 2.2] |
3.10
гражданская авиация: Авиация, используемая в целях обеспечения потребностей граждан и экономики.
[Адаптировано из [2], статья 21.1] |
3.11
гражданский аэродром: Аэродром, используемый для целей гражданской авиации.
[Адаптировано из [2], статья 40] |
3.12
дефект: Отдельное несоответствие конструкции аэродромного покрытия параметрам, установленным нормативными документами.
[ГОСТ Р 71270-2024, пункт 3.1.9] |
3.13 дефектометрия: Измерение геометрических размеров дефектов и определение их местоположения в объекте контроля.
3.14 дефектоскопия: Выявление дефектов объекта контроля.
3.15
жизненный цикл автоматизированной системы; жизненный цикл АС: Совокупность взаимосвязанных процессов создания и последовательного изменения состояния АС от формирования исходных требований к ней до окончания эксплуатации и утилизации комплекса средств автоматизации АС.
[ГОСТ Р 59853-2021, статья 19] |
3.16
искусственное покрытие: Конструкция, воспринимающая нагрузки и воздействия от воздушных судов, эксплуатационных и природных факторов.
[Адаптировано из СП 121.13330.2019, пункт 3.2] |
3.17
искусственный интеллект; ИИ: Способность технической системы имитировать когнитивные функции человека (включая самообучение и поиск решений без заранее заданного алгоритма) и получать при выполнении конкретных практически значимых задач обработки данных результаты, сопоставимые, как минимум, с результатами интеллектуальной деятельности человека.
[ГОСТ Р 59276-2020, пункт 3.6] |
3.18 истинно положительный результат; TP: Результат бинарной классификации, когда модель правильно классифицирует положительный класс как положительный.
3.19
качество: Совокупность характеристик и свойств системы ИИ, обусловливающих ее способность удовлетворять установленным или предполагаемым требованиям в соответствии с ее назначением.
[ГОСТ Р 59898-2021, пункт 3.9] |
3.20
критерий оценки качества: Набор определенных и задокументированных правил и условий, которые используются для решения о приемлемости общего качества конкретной системы ИИ.
[ГОСТ Р 59898-2021, пункт 3.10] |
3.21 ложноотрицательный результат; FN: Результат бинарной классификации, когда модель неправильно классифицирует положительный класс как отрицательный (ошибка второго рода).
3.22 ложноположительный результат; FP: Результат бинарной классификации, когда модель неправильно классифицирует отрицательный класс как положительный (ошибка первого рода).
3.23
метрика: Материальная мера некоторых аспектов характеристик качества.
[ГОСТ Р 59898-2021, пункт 3.12] |
3.24 метрика F1: Метрика для оценки качества алгоритма классификации, которая учитывает обе метрики - точность (precision) и полноту (recall).
Примечания
1) Метрика F1 рассчитывается по формуле
F1-score=2·(precision·recall)/(precision+recall). (1)
2) Значения метрики F1 находятся в диапазоне от 0 до 1 (или от 0% до 100%). Чем ближе значение метрики F1 к 1, тем лучше модель справляется с задачей классификации. Если значение метрики F1 равно 0, то это означает, что модель полностью не справляется с задачей классификации.
3.25 модальность данных: Характеристика набора данных, определяющая источник, формат и структуру данных, которые могут быть использованы для анализа, обработки и хранения в информационных системах.
3.26
обучающие данные: Подмножество доступных данных, используемых для обучения модели машинного обучения.
[ГОСТ Р 59895-2021, пункт 2.1.10] |
3.27
онтология: Совокупность терминов (3.7), выражений отношения (3.6) и связанных с ними определений на естественном языке (3.8) вместе с одной или несколькими формальными теориями (3.11), предназначенными для отражения заданных интерпретаций этих определений.
[ГОСТ Р ИСО/МЭК 21838-1-2021, пункт 3.14] |
3.28
перекрестная валидация: Статистический метод оценки и проверки устойчивости математических моделей.
|
Примечание - Перекрестная валидация особенно применяется в задачах машинного обучения и искусственного интеллекта, что включает в себя деление выборки данных на подвыборки, одна из которых используется для проверки модели, а оставшиеся - для ее обучения. Такой подход позволяет оценить то, как модель машинного обучения будет справляться с новыми данными, и провести проверку на переобучение.
[ГОСТ Р 71538-2024, пункт 3.12] |
3.29 полнота: Метрика для оценки качества алгоритма классификации, которая показывает долю правильно классифицированных объектов среди всех объектов классификации и рассчитывается по формуле
recall=TP/(TP+FN), (2)
где TP - истинно положительный результат;
FN - ложноотрицательный результат.
3.30 положительный класс: Класс в задаче классификации, который распознается (идентифицируется) моделью классификации.
Полная версия документа доступна с 20.00 до 24.00 по московскому времени.
Для получения доступа к полной версии без ограничений вы можете выбрать подходящий тариф или активировать демо-доступ.