Cet article présente une revue systématique sur la manière dont les grands modèles de langage similaires à ChatGPT favorisent le test et la validation des systèmes intelligents autonomes. S'appuyant sur les avancées récentes de l'inférence générative, cette étude intègre des preuves issues de 120 articles évalués par des pairs, examinant quatre domaines clés : la génération de scénarios de test, la détection de vulnérabilités, la vérification formelle et la surveillance en temps réel. À travers une analyse comparative du fuzzing, de l'exécution symbolique et de l'apprentissage par renforcement, l'article révèle que les grands modèles de langage améliorent l'automatisation, la couverture sémantique et l'adaptabilité, tout en soulignant leurs limites en matière d'intégrité des benchmarks, d'explicabilité et d'efficacité des ressources. La revue introduit des tableaux structurés résumant les ensembles de données représentatifs, les applications spécifiques au domaine ainsi que les perspectives comparatives entre les méthodes de test traditionnelles et celles basées sur les grands modèles de langage. L'article analyse les principaux défis, notamment le manque de benchmarks, le déficit d'explicabilité et les risques éthiques, et explore les directions émergentes de recherche telles que les cadres de vérification hybrides et l'amélioration de la qualité des données. Cette étude vise à combler le fossé conceptuel et pratique entre l'ingénierie de la sécurité de l'IA et le raisonnement des grands modèles, offrant une feuille de route pour intégrer ces modèles dans les processus futurs de validation des systèmes intelligents autonomes.

ChatGPT;grands modèles de langage;systèmes intelligents autonomes;test;validation;sécurité IA