ASPICE4.0正式新增MLE机器学习工程过程组，有效解决了传统汽车软件V模型无法适配车载AI迭代开发、算法项目流程不规范、合规性不足的行业痛点。其中MLE.1机器学习需求分析与配套支持过程SUP.11机器学习数据管理，是整套MLE体系落地的核心基础，也是智能驾驶AI项目通过ASPICE评估的首要关键环节。目前多数车载机器学习项目评估扣分、整改返工的核心原因，均集中在ML需求定义模糊、数据集管控缺失、过程留痕不完整等问题上。

MLE.1机器学习需求分析的核心价值，是从整车系统、传统软件需求中，剥离、拆解出独立、精准、可量化的机器学习专属需求，彻底摒弃模糊化、口语化的业务描述，适配AI算法的开发特性。在需求梳理过程中，企业需完成四大类需求定义，分别为功能需求、性能需求、数据需求以及安全边界需求。功能需求明确AI模型的核心执行任务，如障碍物识别、车道线检测、智能路径规划等；性能需求需标注可量化指标，包含识别精度、推理时延、设备算力占用、运行帧率等；数据需求明确训练数据集规模、场景覆盖范围、标准化标注规范及极端场景数据占比；安全边界需求则严格划定模型失效容忍范围，贴合ISO26262功能安全、SOTIF预期功能安全的合规要求。

同时，MLE.1严格要求需求双向追溯管理，所有机器学习专属需求，必须与上层整车系统需求、下游数据集资源、测试用例、模型指标形成完整的双向追溯矩阵，这是ASPICE CL2评估的硬性交付物，杜绝AI需求孤立管理、无溯源依据的问题。

SUP.11机器学习数据管理作为MLE体系的核心支撑过程，全权负责车载AI模型训练、验证、测试全量数据集的规范化管控。完整覆盖数据采集、清洗筛选、标准化标注、版本归档、元数据记录全链路流程，同时建立完善的数据质量管控机制，对标注结果进行一致性校验，重点强化雨雪、夜间、逆光等极端长尾场景的数据覆盖率核查，保障数据集的完整性与准确性。除此之外，所有数据集的版本信息、来源渠道、修改记录、使用场景均需完整归档留痕，可随时回溯查询，满足ASPICE评估的过程追溯要求。

在实际项目落地中，行业高频问题集中在两点，一是直接套用传统软件需求模板，未量化AI模型指标，需求描述模糊；二是仅管控训练数据集，忽略测试数据集的版本管理与质量校验，极易造成MLE过程域评估不符合项。

FAQ

Q：SUP.11和MLE.1是什么关系？

A：MLE.1负责梳理、输出标准化、可量化的机器学习数据需求，SUP.11严格依据需求完成数据集的生产、质控与归档管理，二者高度绑定、缺一不可，是车载AI合规开发的基础前提。

小结：MLE.1明确机器学习项目的开发目标与合规标准，SUP.11为模型开发提供高质量、可溯源的数据支撑。车载AI项目前期做好需求量化与数据治理，能够从源头规避流程漏洞，大幅降低后续模型训练、测试阶段的整改成本，保障ASPICE4.0 MLE过程域顺利落地。