Операціоналізація AI для морського РСО

Оскільки штучний інтелект (AI) продовжує розвиватися у сферах оборони та автономії, компанія SAIC прагне бути на передовій інтеграції технології AI в операційні контексти. Джей Мейл, головний науковий співробітник SAIC, обговорює, як компанія використовує AI для покращення морської розвідки, спостереження та розпізнавання (РСО), полегшення співпраці між людиною і машиною, а також управління обробкою даних у великих масштабах.

Джей Мейл керує стратегією AI та рішеннями в Інноваційній фабриці штучного інтелекту SAIC. Відзначений за свій внесок у мульти-модальне злиття даних, він має понад 18 років досвіду у розробці математичних моделей, які покращують рішеннєвий процес на основі даних у сфері оборони та національної безпеки.

“Штучний інтелект – це модне слово сьогодні, але наш акцент зроблений на автоматизації, машинному навчанні, глибокому навчанні і більш просунутих концепціях, таких як нейросимвольний AI, генеративний AI та агентний AI,” пояснює Мейл. “Ми прагнемо об’єднати ці технології, щоб створити AI-системи, які є безпечними, зрозумілими і практичними для користувачів.”

Протягом останніх чотирьох років SAIC змістила фокус з експериментальних підходів до AI до його операційних реалізацій. “Якщо AI не може бути ефективно інтегрований у тактичні операції, він залишається лише теоретичним експериментом,” зазначив Мейл. “Наша AI-система повинна досягти трьох критично важливих цілей: зменшити когнітивну навантаженість для операторів, підвищити швидкість прийняття рішень і створити команди з людини та машини, які виступають як множники сили.”

Цей підхід має особливе значення у випадках РСО, де оператори повинні контролювати великі території з обмеженими ресурсами. Використовуючи AI для такої роботи, як розпізнавання шаблонів і об’єктів, SAIC дозволяє персоналу зосередитися на стратегічних рішеннях, поки AI займається рутинними, пов’язаними з даними завданнями.

Впровадження AI на тактичному рівні

Метод SAIC для впровадження AI підкреслює інтеграцію, прозорість і безпеку. Згідно з Мейлом, їхня стратегія передбачає модель “найкращих серед кращих”, де вони вибирають і адаптують найбільш ефективні моделі AI з надійних джерел для безпечної інтеграції в оперативну структуру.

“Ми не створюємо монолітні системи AI з нуля,” сказав він. “Замість цього, ми використовуємо надійний, перевірений фундамент—незалежно від того, чи є це відкритим кодом, чи комерційним—і налаштовуємо його під специфічні місії, в тому числі реалізуючи заходи безпеки і оптимізуючи модель для різних умов розгортання.”

Особливе досягнення SAIC полягає в можливості інтегрувати моделі AI безпосередньо на морські платформи. “Ми можемо прилаштувати моделі AI до існуючих сенсорних систем навіть з камерами нижчої роздільної здатності і проводити реальний аналіз на борту судна,” пояснює Мейл. Цей розвиток дозволяє AI обробляти дані РСО на борту, а не покладатися на обчислення в хмарі.

Співпраця людини і машини та пояснюваність AI

Хоча AI відмінно справляється з обробкою великих наборів даних, люди-оператори залишаються остаточними прийнятниками рішень. “Ми підтримаємо співпрацю людини і машини, де AI займається рутинною роботою—виявленням шаблонів і аномалій—поки люди контролюють стратегічну інтерпретацію,” сказав Мейл.

Однак, прийняття AI в розвідці та обороні стикається з великою проблемою: довірою. “Основна перешкода на шляху впровадження не є технологічною—вона є людською,” підкреслив Мейл. “Якщо оператори не розуміють або не довіряють AI, вони не скористаються ним. Тому ми надаємо пріоритет пояснюваності.”

SAIC використовує методи, такі як ‘поглиблене генерація з запитом’ (RAG) та ‘поглиблене генерація знань’ (KAG), щоб забезпечити, щоб інсайти, отримані від AI, відповідали людській логіці. “Наші системи AI можуть показувати операторам, як вони прийшли до певного висновку,” сказав Мейл. “Наприклад, якщо AI виявить ціль в РСО, він не просто надасть оцінку довіри—він проведе оператора через свій процес мислення, крок за кроком.”

Створення масштабованої інфраструктури даних

Ефективність AI значною мірою залежить від наявності якісних даних. На думку Мейла, основна проблема впровадження AI не полягає в алгоритмах, а в структурі даних, що їх підтримує.

“Щоб ефективно масштабувати AI, нам потрібен фундаментальний шар даних, здатний агрегувати, гармонізувати, маркувати та курирувати дані з різноманітних джерел,” сказав він. “У SAIC ми вирішуємо цю проблему через такі ініціативи, як Joint Fires Network (JFN), яка має на меті об’єднати різні потоки даних у єдину структуру.” JFN є ініціативою збройних сил США, що прагне консолідувати та дистрибуціюти дані про цілі серед різних доменів—повітря, землі, моря, космосу та кібернетики—використовуючи мережевий, орієнтований на AI підхід для покращення координації та прийняття рішень на полі бою. AI є критично важливим для JFN, оскільки забезпечує реальне злиття даних, автоматичне розпізнавання цілей і прогностичну аналітику, що дозволяє операторам швидко обробляти великі обсяги даних сенсорів та підвищувати точність спільних військових операцій.

Гібридний підхід до даних, застосований SAIC, дозволяє об’єднувати структуровані та неструктуровані джерела даних, такі як потоки РСО, дані сенсорів та сигнали розвідки, у цілісну оперативну картину. “Ми прагнемо перейти до децентралізованої моделі, де окремі платформи—чи то безпілотні морські судна, чи літаки—можуть працювати автономно, обробляти дані на краю, а потім синхронізуватися через розподілу мережу,” пояснив Мейл.

Масштабування AI для морського РСО та за його межами

SAIC передбачає майбутнє, в якому системи РСО, удосконалені штучним інтелектом, можуть автономно виявляти, класифікувати та відстежувати об’єкти в різних доменах, що є критичним для морської безпеки, особливо в умовах суперечливого і GNSS-відмовленого середовища.

“У випадках РСО, критично важливо, щоб AI моделі могли мати справу з резонуванням через різні джерела розвідки,” сказав Мейл. “Наприклад, якщо ми виявимо корабель, ми можемо корелювати кілька пунктів даних—його AIS сигналі, радіолокаційній підпису, візуальних зображеннях та електронних випромінюваннях—для створення високо детальної характеристик. AI допомагає об’єднувати цю інформацію, що дає можливість людині приймати більш обґрунтовані рішення.”

Компанія також переправляє AI на нові рубежі, розробляючи легкі моделі, оптимізовані для платформ з низьким споживанням енергії. “Ми не хочемо покладатися на величезну хмарну інфраструктуру,” зазначив Мейл. “Замість цього ми зосереджені на створенні моделей AI, які є меншими, більш ефективними і здатними працювати на обмежених платформах, таких як автономні морські дрони.”

Майбутнє AI в автономії та РСО

Дивлячись вперед, SAIC досліджує нові архітектури AI, які підвищують оперативну стійкість. “Ми рухаємося до об’єктно-орієнтованого розуміння (OBI), де AI генерує постійні, збагачені дані об’єкти замість одноразових виявлень,” пояснив Мейл. “Наприклад, якщо ми відстежуємо корабель з часом, AI постійно уточнює його класифікацію, використовуючи кілька входів сенсора. Цей кумулятивний підхід покращує точність і ефективність місії.”

Крім того, SAIC досліджує моделі федеративного навчання, які дозволяють різним РСО-активам—таким як безпілотні підводні апарати (UUV) або дроном—обмінюватися даними для навчання AI без залежності від централізованих хмарних систем. Це означає, що моделі AI можуть розвиватися і покращуватися автономно, навіть в умовах відключення.

Мейл вважає, що ці досягнення матимуть далекосяжні наслідки для оборони, морської безпеки та комерційних РСО. “Основною проблемою в AI не є технологія—це сприйняття,” стверджує він. “З правильними структурами, прозорістю та співпрацею між людиною і машиною, ми можемо досягти масштабування AI на рівні, який раніше вважався неможливим.”

Атрибуція: Оригінальна стаття