Este artículo propone un método de pruebas basado en requisitos (RBT4DNN) que aprovecha las especificaciones de requisitos en lenguaje natural para abordar la dificultad de formular requisitos funcionales para redes neuronales profundas (DNN). RBT4DNN define un espacio de características semánticas mediante un glosario y formaliza las precondiciones de los requisitos funcionales como combinaciones lógicas de estas características. Utilizando datos de entrenamiento consistentes con estas combinaciones de características, ajusta un modelo generativo para generar de forma fiable entradas de prueba que satisfacen las precondiciones. Estas pruebas se ejecutan posteriormente en la DNN entrenada, comparando las salidas con el comportamiento esperado de las poscondiciones del requisito. RBT4DNN presenta dos casos de uso: la detección de defectos en las DNN y la retroalimentación sobre la generalización del modelo mediante la exploración del comportamiento del modelo, basada en requisitos, durante el desarrollo. Los resultados de la evaluación demuestran que las pruebas generadas por RBT4DNN son realistas, diversas y coherentes con las precondiciones del requisito, lo que permite un análisis específico del comportamiento del modelo y una detección eficaz de defectos.
