Η τεχνητή νοημοσύνη περνά από τα κέντρα δεδομένων στο ίδιο το drone. Η σουηδική Scaleout Systems δοκιμάζει μικρά μοντέλα computer vision που μπορούν να λειτουργούν πάνω σε περιορισμένο hardware, να αναγνωρίζουν πιθανές απειλές και να συνεχίζουν να δουλεύουν όταν η επικοινωνία με έναν κεντρικό server διακόπτεται.
Η AI κατεβαίνει στην άκρη του δικτύου
Η Scaleout Systems ιδρύθηκε το 2018 από ερευνητές του Πανεπιστημίου της Ουψάλας και αρχικά ανέπτυσσε μοντέλα μηχανικής μάθησης για hardware σε εμπορικά οχήματα. Μετά τη ρωσική εισβολή στην Ουκρανία, η εταιρεία στράφηκε περισσότερο στις αμυντικές εφαρμογές και στην επεξεργασία δεδομένων κοντά στην πηγή τους.
Αυτό είναι το βασικό νόημα του edge AI: το μοντέλο δεν χρειάζεται να στέλνει κάθε εικόνα σε ένα μακρινό cloud. Μπορεί να εκτελεί την αναγνώριση τοπικά, πάνω στο drone, σε tablet χειριστή ή σε υπολογιστή προωθημένης βάσης. Έτσι περιορίζεται η ανάγκη για συνεχή σύνδεση και δεν μεταδίδονται ακατέργαστα, ευαίσθητα δεδομένα.
Τι προσθέτει το federated learning
Η Scaleout συμμετέχει από το 2025 στο πρόγραμμα DIANA του NATO, στο έργο Federated Aerial Intelligence for Recon. Η ιδέα είναι ότι διαφορετικές συσκευές και βάσεις μπορούν να μαθαίνουν από τα δεδομένα του δικού τους περιβάλλοντος και να μοιράζονται επιλεκτικά ενημερώσεις στα μοντέλα, χωρίς να συγκεντρώνουν όλο το υλικό σε έναν κεντρικό server.
Η προσέγγιση έχει πρακτική αξία σε ένα πεδίο όπου οι συνθήκες αλλάζουν γρήγορα. Ένα μοντέλο που εκπαιδεύτηκε σε ερημικό τοπίο μπορεί να αποδίδει χειρότερα σε αστικό περιβάλλον, ενώ οι παρεμβολές και η απώλεια σύνδεσης είναι αναμενόμενα προβλήματα. Η τοπική προσαρμογή επιτρέπει στις μονάδες να συνεχίζουν την επεξεργασία και να συγχρονίζουν τις βελτιώσεις όταν αποκατασταθεί η επικοινωνία.
Η επίδειξη ALMA και ο ανθρώπινος έλεγχος
Στο πρόγραμμα Affordable Loitering Modular Ammunition της BAE Systems Bofors, η τεχνολογία χρησιμοποιήθηκε σε επίδειξη ενός χαμηλού κόστους drone. Το σύστημα μπορούσε να εντοπίζει, να αναγνωρίζει και να γεωεντοπίζει πιθανές απειλές, να τις ιεραρχεί σύμφωνα με την αποστολή και να κατευθύνεται προς θέση προσβολής.
Η λεπτομέρεια αυτή δεν ισοδυναμεί με πλήρη ανεξάρτητη λήψη απόφασης. Σύμφωνα με το Ars Technica, ο άνθρωπος παρέμενε στον βρόχο: έπρεπε να επιβεβαιώσει τα βασικά ευρήματα πριν εγκρίνει την αυτόνομη προσέγγιση του drone. Η ίδια διάκριση έχει σημασία τόσο τεχνικά όσο και επιχειρησιακά, επειδή άλλο είναι η αναγνώριση και η πλοήγηση και άλλο η εξουσιοδότηση μιας επίθεσης.
Η δύσκολη εξίσωση της αυτονομίας
Η δοκιμή σε βάση της σουηδικής αεροπορίας έδειξε ότι ένας προωθημένος κόμβος μπορεί να συνεχίσει την inference και τις διαδικασίες active learning ακόμη και μετά την απώλεια σύνδεσης με το κεντρικό εργαστήριο. Το μοντέλο της federated learning θα μπορούσε θεωρητικά να επεκταθεί σε συνεργασία μεταξύ χωρών του NATO, όμως η κλίμακα αυτή αυξάνει και τις απαιτήσεις για έλεγχο, ασφάλεια και κοινά πρότυπα.
Το τεχνικό πλεονέκτημα είναι σαφές: μικρά μοντέλα, χαμηλή εξάρτηση από δίκτυα και ταχύτερη αντίδραση σε περιβάλλον παρεμβολών. Το κρίσιμο ερώτημα είναι ποιος ελέγχει τις ενημερώσεις, πώς μετριέται η αξιοπιστία μιας αναγνώρισης και ποια διαδικασία σταματά το σύστημα όταν τα δεδομένα είναι ασαφή. Η μετάβαση της AI στο πεδίο μάχης δεν αφορά μόνο το αν ένα drone «βλέπει», αλλά και το ποιος έχει την τελική ευθύνη για όσα κάνει.
Πηγή: Ars Technica.