Kompleksiteten i moderne automasjonssystemer har økt betydelig gjennom det siste tiår, mens kravene til feilfri funksjon er som før eller økt. Dette er en trend som også gjelder i maritime sektor. Digitalisering, bærekraft, og autonomitet står sentralt i utviklingen av maritim bransje. Slike komplekse systemer består av multiple delsystemer som utveksler informasjon for å oppnå en gitt funksjonalitet. Det er utfordrende å forstå komplekse systemer, samt interaksjonen innen systemet. Å sikre pålitelighet, tilgjengelighet, ytelse, sikkerhet, integrasjon, interoperabilitet og safety (trygghet for liv og verdier) er sentrale utfordringer i slike komplekse systemer. Disse utfordringene øker med økt antall delsystemer, enten det er menneskestyrte eller kunstig intelligens (KI)-baserte anvendelser. Kunstig intelligens lar maskiner operere på egenhånd ved å emulere menneskelig intelligens. Maskinlæring (ML) muliggjør utvikling av applikasjoner som bruker kunstig intelligens til å forbedre beslutninger. Imidlertid vil resonneringen bak beslutninger i nye situasjoner være utfordrende og kan lede til beslutninger som ikke er trygge. Grundig testing og verifikasjon er nødvendig for at vi skal kunne ha trygge og pålitelige systemer basert på kunstig intelligens.
Den økende kompleksiteten i systemene krever mer tid til testing, noe som resulterer i lengre tid til vi er på markedet (TTM). KI/ML baserte systemer justerer kontinuerlig sin oppførsel basert på data. Testing av systemer med ikke-deterministisk oppførsel med samme tester vil gi varierende resultat, og testingen blir dermed mer utfordrende. Identifiserte avvik i forventet oppførsel kan være vanskelig å diagnostisere og reprodusere. Dette prosjektet studerer teknikker som vi håpper skal løse eller forbedre dette problemet. Dette gjøres ved å studere og analysere KIs potensiale in maritim automasjon- og kontrollsystemer med tanke på å forbedre både safety og robusthet. Vi håper også å vise hvordan KI kan redusere TTM.
It is evident from the evolution of the maritime industry that the degree of complexity of marine automation and control systems has significantly increased in the past couple of decades. Advancements in technology and increasing competition have contributed to innovation in this industry. Digitalization, sustainability, and autonomy are now defining the maritime industry.
Such complex systems have multiple independent subsystems exchanging information to achieve goals. It is harder to comprehend a complex system and its interaction within the system. Ensuring reliability, availability, performance, security, integration, interoperability, and safety are some challenges with a complex system. These challenges increase with the number and type of subsystems, such as human or artificial intelligence (AI) based applications.
AI allows machines to be self-reliant by emulating human intelligence. Machine learning (ML) enables the development of AI based applications using algorithms to improve decision-making. However, providing reasoning behind decisions in new situations is challenging and might lead to unsafe decisions. Thorough testing and validation are necessary for safe and reliable operation of AI based systems.
The increasing complexity of systems requires more time for thorough testing, resulting in longer time-to-market (TTM). AI/ML-based systems continuously adjust their behavior based on data. Testing a system with such non-deterministic behavior using the same test cases yields different outcomes, making testing more challenging. Identified deviations in expected behavior are intermittent and hard to reproduce and diagnose.
The primary objectives of the project are to:
• Study and analyze AI’s potential in marine automation and control systems to enhance safety, robustness, and decision-making capabilities.
• Design an AI based solution to reduce Kongsberg control systems TTM.
• Propose and evaluate methods for testing AI/ML based systems.