تُعتبر أنظمة الذكاء الاصطناعي (AI) ذات إمكانيات هائلة في مجال الطيران مستقبلاً، إلا أن دمجها في التطبيقات الحرجة للسلامة يتطلب التزامًا صارمًا بمعايير السلامة المعمول بها في هذا القطاع. تشير وكالة سلامة الطيران الأوروبية (EASA) إلى ضرورة إثبات تمثيل البيانات واكتمالها ضمن مجال التصميم التشغيلي (Operational Design Domain - ODD) المستخدم في تطوير النظام والتحقق منه.

رغم هذا الطلب، لا يزال هناك نقص في العمليات الهندسية المنهجية لتحديد التوزيعات المستهدفة وتقييم تمثيل البيانات ضمن مجالات التصميم التشغيلية. لذا، تقدم هذه الدراسة طريقة مبتكرة لتقييم التمثيل ضمن بيانات الأنظمة الذكية المتعلقة بالسلامة في الطيران.

تبدأ هذه الطريقة بتحديد المنهجي للتوزيعات المستهدفة، وتقدم تدفقًا عمليًا يوجه المطورين من تعريف مجال التصميم التشغيلي إلى نمذجة توزيع المعلمات، وصولاً إلى التقييم الكمي وInterpretation (تفسير) نتائج التغطية بما يتماشى مع أهداف التعلم الخاصة بوكالة (EASA).

تم اختبار قياسات كمية مثل اختبار ‬Chi-squared‬ لملاءمة النموذج، ولكن تبين أنه غير مناسب نظرًا لحجم البيانات الكبير في هذا الإطار، مما أدى إلى اعتماد تباين كولباك-ليبلر (Kullback–Leibler divergence) وCramér's V.

تم توضيح هذه المنهجية من خلال مثال على أنظمة تجنب الاصطدام في الجو، باستخدام بيانات تجريبية سابقة من عمليات محاكاة أنظمة تجنب الاصطدام الأفقي (Horizontal Collision Avoidance System - HCAS) والرأسي (Vertical Collision Avoidance System - VCAS). توضح النتائج كيف يمكن أن تدعم أساليب مقارنة التوزيع الإحصائي تقييم التمثيل لتطبيقات الذكاء الاصطناعي الحرجة للسلامة، وتساهم في عملية تصميم ذكاء اصطناعي منهجية متوافقة مع التوجيهات الناشئة من (EASA).