Institución:
Observamos que muchas funcionalidades emergentes basadas en IA son intrínsecamente estocásticas (por ejemplo, detección de objetos basada en cámaras) y, por lo tanto, su corrección debe juzgarse semánticamente, con espacio para variaciones entre los resultados correctos (por ejemplo, la confianza debe estar por encima de un umbral determinado).
Sobre la base de esta observación, proponemos estrategias para crear implementaciones DMR y TMR de funcionalidades basadas en IA que brinden no solo tolerancia a fallas contra fallas aleatorias de hardware, sino también contra imprecisiones del modelo de IA. Esas estrategias, que pueden realizarse únicamente con medios de software y trasladarse a prácticamente cualquier plataforma informática, se basan en modificaciones de los datos de entrada que afectan los cálculos de inferencia, pero no en el resultado semántico esperado (por ejemplo, introduciendo algo de ruido aleatorio limitado en los datos de entrada). Además, hemos implementado una herramienta para el procesamiento de imágenes y videos destinada a facilitar la reproducibilidad de los resultados de nuestra evaluación y permitir que otros la utilicen y realicen más investigaciones sobre las transformaciones de entrada.