ДОСЛІДЖЕННЯ МЕТОДІВ ТА ЗАСОБІВ ГЕНЕРАЦІЇ ВЕЛИКИХ ОБСЯГІВ ТЕСТОВИХ ДАНИХ ЗА ДОПОМОГОЮ ШТУЧНОГО ІНТЕЛЕКТУ

А. Коган; Г. Гошовська

doi:10.36074/grail-of-science.07.06.2024.056

ДОСЛІДЖЕННЯ МЕТОДІВ ТА ЗАСОБІВ ГЕНЕРАЦІЇ ВЕЛИКИХ ОБСЯГІВ ТЕСТОВИХ ДАНИХ ЗА ДОПОМОГОЮ ШТУЧНОГО ІНТЕЛЕКТУ

Authors

А. Коган НТУУ «КПІ ім. Ігоря Сікорського», Київ, Україна
Г. Гошовська НТУУ «КПІ ім. Ігоря Сікорського», Київ, Україна

DOI:

https://doi.org/10.36074/grail-of-science.07.06.2024.056

Keywords:

Штучний Інтелект, генерація тестових даних, GAN, генеративні змагальні мережі, синтетичні дані

Summary

Ця стаття присвячена дослідженню передових методів та інструментів для створення значних обсягів тестових даних з використанням штучного інтелекту (ШІ). Зі зростанням попиту на великомасштабні набори даних у різних галузях, основна увага приділяється використанню методологій ШІ для полегшення створення різноманітних і реалістичних тестових наборів даних. Основна мета цього дослідження - вивчити та проаналізувати ефективність підходів на основі штучного інтелекту при створенні тестових даних. У дослідженні використано систематичний огляд та аналіз останніх досягнень у галузі методів генерації даних на основі штучного інтелекту. Ці методи охоплюють широкий спектр технік ШІ, включаючи глибоке навчання, генеративні змагальні мережі (GAN) та навчання з підкріпленням. Результати дослідження демонструють ефективність цих підходів у створенні високоякісних, реалістичних тестових наборів даних, які відображають складність і мінливість реальних сценаріїв. Результати цього дослідження пропонують цінну інформацію та рекомендації для практиків і дослідників, які займаються тестуванням програмного забезпечення, машинним навчанням та штучним інтелектом. Запропонований метод на основі штучного інтелекту може бути використаний для підвищення якості та охоплення тестових наборів даних, покращення надійності та продуктивності систем і алгоритмів у різних галузях, таких як автономне водіння, охорона здоров'я, фінанси та кібербезпека. Ці галузі значною мірою покладаються на надійні фреймворки тестування та реалістичні тестові дані для забезпечення безпеки, точності та надійності систем, керованих штучним інтелектом. У висновку дослідження підкреслюється трансформаційний потенціал ШІ, який революціонізує практику генерації тестових даних і формує майбутнє тестування та валідації програмного забезпечення.

Downloads

PDF

Downloads

Download data is not yet available.

License

References

Taskesen E. (2023). "Step-by-Step Guide to Generate Synthetic Data by Sampling from Univariate Distributions." Towards Data Science. Retrieved from https://towardsdatascience.com/step-by-step-guide-to-generate-synthetic-data-by-sampling-from-univariate-distributions-6b0be4221cb1

"Sampling Techniques for Generating Synthetic Data in Healthcare: A Systematic Review" by Luis Martinez et al. (2021)

"Random Data Generation: An Overview and Application" by Prashant Kumar and Ashish Kumar (2017)

Humeau, Samuel, et al. "Data Augmentation using Pre-trained Transformer Models." arXiv preprint arXiv:2103.14642 (2021)

Choi, Edward, et al. "Generative Adversarial Networks for Synthetic Electronic Health Record Generation." arXiv preprint arXiv:1809.02688 (2018)

"DeepTest: Automated Testing of Deep-Neural-Network-Driven Autonomous Cars." Proceedings of the 40th International Conference on Software Engineering. ACM, 2018

Data Synthesization using Generative Adversarial Networks for Improved Classification of Imbalanced Datasets." arXiv preprint arXiv:2007.08592 (2020)

Lymperopoulos, Ioannis, et al. "Towards Generating Highly Realistic Indoor Autonomous Driving Datasets using Real and Simulated Data Fusion." arXiv preprint arXiv:2003.08973 (2020)