EMB95

EMBEDDED 95 • FEBBRAIO • 2025 59 SW TEST | SOFTWARE modo più efficace, migliorando la qualità e l’affidabilità del software. Globalmente, stando ai dati di MRFR, il comparto del- le soluzioni per il testing del software safety-critical è previsto crescere, dai 62,54 miliardi di dollari del 2024, a 1.105,94 miliardi di dollari entro il 2032, registrando un tasso annuo di crescita composto (CAGR) pari al 43,20% nel periodo della previsione (2024-2032). Il testing del software-safety critical, stima MRFR, è de- stinato a crescere in modo significativo, per effetto dei progressi in corso in sistemi di comunicazione cruciali, che fanno largo uso di tecnologie come big data, auto- mazione, intelligenza artificiale. I sistemi safety-critical sono diffusi in molti ambiti industriali, sistemi avionici, ferroviari, militari, e il software safety-critical è essen- ziale per migliorare la comunicazione e i sistemi di si- curezza. Analizzando questi settori industriali vertica- li, che appunto includono, oltre a difesa e aerospazio (A&D), trasporti, automazione, anche l’assistenza sani- taria, il settore difesa e aerospazio risulta quello in cui la diffusione dei tool di testing per il software safety-cri- tical è dominante, in quanto questo ambito è fortemen- te regolamentato, e vincolato da una stretta aderenza agli standard di safety. Nel settore A&D la safety è fondamentale, perché ciascun malfunzionamento del software può determinare conseguenze rilevanti, e ciò rende imperativa la necessità di implementare solide e meticolose metodologie di testing del software, per garantire l’affidabilità e l’integrità dei sistemi critici. Il settore difesa e aerospazio, ad esempio, deve controlla- re applicazioni software complesse e mission-critical, come quelle di controllo del volo, o i sistemi di guida missilistici, che richiedono estese attività di testing per mitigare i rischi. AI, perché alza l’asticella delle sfide di verifica del software Gli strumenti di test automation arricchiti delle funzio- nalità di AI e ML, come accennato, possono ulterior- mente migliorare e accelerare le attività di testing del software safety-critical: i tool di verifica e validazione AI-assisted sono in grado di supportare i processi V&V. Il machine learning, ad esempio, si può utilizzare per automatizzare tediose operazioni di testing e scoprire bug di cui non sempre i tester umani possono accorger- si. Tuttavia, al contempo, va anche aggiunto che l’ado- zione dell’intelligenza artificiale e del machine learning per creare sistemi cyber-fisici sempre più autonomi in- troduce anche nuove sfide di safety e sicurezza che gli strumenti di test automation devono saper affrontare. Il machine learning, scrive Alwyn E. Goodloe del NASA Langley Research Center , in un articolo pubblicato su IEEE Computer Society , “è applicato per realizzare si- stemi autonomi che operano nel mondo reale, ma mol- te implementazioni sono carenti delle caratteristiche salienti di tracciabilità e prevedibilità. Attualmente, nell’aviazione civile, nell’energia nucleare e in aree si- mili altamente regolamentate, non esistono linee guida normative” per garantire il funzionamento di tecnolo- gie come intelligenza artificiale e approcci analoghi, che non mostrano un comportamento prevedibile. “I sistemi AI-enabled pongono nuovi pericoli per la safety pubblica, specialmente quando operano in ambienti non previsti e quando incontrano eventi inattesi. Seb- bene la sfida di una AI sicura sia stata riconosciuta, ingegneri e re- golatori non abbandoneranno gli approcci consolidati di ingegne- rizzazione della safety che hanno dimostrato di produrre sistemi sicuri, finché non verranno svi- luppati altri approcci altrettanto efficaci”, ha aggiunto Goodloe. I sistemi avionici richiedono metodologie di testing particolarmente rigorose (Fonte: Northrop Grumman)