Στον πόλεμο που βρίσκεται αυτή τη στιγμή σε εξέλιξη γύρω από το Ιράν, ένα από τα πιο κρίσιμα συστήματα των αμερικανικών δυνάμεων είναι μια συγκεκριμένη πλατφόρμα επεξεργασίας δεδομένων, το Maven Smart System (MSS), το οποίο αναπτύχθηκε στο πλαίσιο του προγράμματος Project Maven.
Το Maven Smart System λειτουργεί σε υποδομές λογισμικού της εταιρίας Palantir, και χρησιμοποιείται για την ανάλυση τεράστιων ποσοτήτων διαβαθμισμένων δεδομένων από δορυφόρους, αισθητήρες επιτήρησης και άλλες πηγές πληροφοριών, που σχετίζονται με τις επιχειρήσεις στο Ιράν.
Το Project Maven είναι πρόγραμμα τεχνητής νοημοσύνης του υπουργείου Πολέμου των Ηνωμένων Πολιτειών, που ξεκίνησε το 2017 και είναι επισήμως γνωστό ως Algorithmic Warfare Cross-Functional Team. Στο πλαίσιο της ανάπτυξης και λειτουργίας του συστήματος, το τότε αμερικανικό υπουργείο Άμυνας, συνεργάζεται με μεγάλες εταιρείες τεχνολογίας και ανάλυσης δεδομένων. Μεταξύ αυτών βρίσκεται και η Palantir, της οποίας οι πλατφόρμες λογισμικού χρησιμοποιούνται για την επεξεργασία και ενοποίηση μεγάλων ροών διαβαθμισμένων πληροφοριών.
Παράλληλα, εταιρείες όπως η Microsoft και η Amazon παρέχουν κρίσιμες υποδομές υπολογιστικού νέφους, ενώ άλλοι αμυντικοί πάροχοι, όπως η Booz Allen Hamilton, συμμετέχουν στην ανάπτυξη και ενσωμάτωση αναλυτικών εργαλείων. Στα πρώτα στάδια του προγράμματος είχε συμμετάσχει και η Google, πριν αποχωρήσει το 2018, μετά από αντιδράσεις των εργαζομένων της.
Δημιουργήθηκε επειδή οι αμερικανικές ένοπλες δυνάμεις άρχισαν να κατακλύζονται από τεράστιους όγκους δεδομένων που παράγονταν καθημερινά στα πεδία των επιχειρήσεων. Χιλιάδες ώρες βίντεο από drones επιτήρησης, δορυφορικές εικόνες υψηλής ανάλυσης, SIGINT δεδομένα από υποκλοπές επικοινωνιών και τεράστιες ροές δεδομένων από τις καταγραφές ραντάρ έφταναν σε κέντρα ανάλυσης, πολύ πιο γρήγορα απ’ όσο μπορούσαν να τα επεξεργαστούν οι στρατιωτικοί αναλυτές.
Για να αντιμετωπιστεί αυτό το πρόβλημα, το Πεντάγωνο ανέπτυξε το Maven, ως μία πλατφόρμα που χρησιμοποιεί μεθόδους machine learning και computer vision ώστε να αναλύει αυτόματα αυτές τις ροές πληροφοριών, να εντοπίζει αντικείμενα και μοτίβα δραστηριότητας μέσα στα δεδομένα και να μετατρέπει τεράστιους όγκους αισθητηριακών πληροφοριών σε άμεσα αξιοποιήσιμη επιχειρησιακή γνώση.
Το Maven Smart System
Η βασική ιδέα πίσω από το σύστημα είναι απλή αλλά εξαιρετικά ισχυρή. Στο σύγχρονο πεδίο μάχης παράγονται τεράστιοι όγκοι δεδομένων. Δορυφόροι παρατήρησης τραβούν συνεχώς εικόνες της επιφάνειας της Γης. Δορυφόροι υπέρυθρης ανίχνευσης εντοπίζουν εκτοξεύσεις πυραύλων. Drones επιτήρησης μεταδίδουν βίντεο σε πραγματικό χρόνο. Αεροσκάφη συλλογής σημάτων καταγράφουν ηλεκτρονικές εκπομπές και επικοινωνίες.
Το Maven Smart System έχει σχεδιαστεί για να αναλύει αυτές τις πληροφορίες σχεδόν σε πραγματικό χρόνο, χρησιμοποιώντας αλγορίθμους τεχνητής νοημοσύνης για να εντοπίζει αντικείμενα μέσα σε δορυφορικές εικόνες και βίντεο από drones. Ένα μεγάλο φορτηγό σε έναν χωματόδρομο μπορεί να επισημανθεί αυτόματα ως πιθανός κινητός εκτοξευτής πυραύλων, ή μια νέα διαταραχή στο έδαφος μπορεί να υποδηλώνει την ύπαρξη μιας εισόδου σήραγγας. Ένα σύνολο δεδομένων, που για έναν ανθρώπινο αναλυτή θα απαιτούσε ώρες εξέτασης, πλέον επεξεργάζεται μέσα σε λίγα δευτερόλεπτα.
Ένα από τα πιο σημαντικά χαρακτηριστικά του συστήματος είναι ότι συνδυάζει πληροφορίες από πολλές διαφορετικές πηγές ταυτόχρονα. Μια δορυφορική εικόνα μπορεί να δείχνει ένα όχημα σε έναν δρόμο ενώ ταυτόχρονα, ένα drone μπορεί να μεταδίδει βίντεο από την ίδια περιοχή και ένα αεροσκάφος SIGINT μπορεί να καταγράφει εκπομπές επικοινωνιών κοντά στο σημείο. Το σύστημα μπορεί να συσχετίσει όλα αυτά τα δεδομένα και να δημιουργήσει μια πιο ολοκληρωμένη εικόνα του τι ακριβώς συμβαίνει στον χώρο αυτό.
Η διαδικασία αυτή είναι γνωστή ως sensor fusion. Ο στόχος είναι να δημιουργηθεί μια ενιαία εικόνα του πεδίου μάχης που να συνδυάζει δεδομένα από διαφορετικούς αισθητήρες, επιτρέποντας στους διοικητές να λαμβάνουν αποφάσεις πιο γρήγορα και με μεγαλύτερη ακρίβεια.
Τί συνέβη σε παλαιότερους πολέμους
Στον πόλεμο με το Ιράν, αυτή η ταχύτητα ανάλυσης είναι κρίσιμη κυρίως για τον εντοπισμό των κινητών εκτοξευτών βαλλιστικών πυραύλων, οι οποίοι αποτελούν διαχρονικά έναν από τους μεγαλύτερους επιχειρησιακούς πονοκεφάλους του αμερικανικού Πενταγώνου. Το πρόβλημα εμφανίστηκε έντονα ήδη από τον Πόλεμο του Κόλπου το 1991, όταν οι ιρακινές δυνάμεις χρησιμοποιούσαν κινητούς εκτοξευτές Scud που μπορούσαν να εκτοξεύσουν πυραύλους και να εγκαταλείπουν την θέση τους, μέσα σε λίγα λεπτά.
Παρά την αμερικανική αεροπορική υπεροχή, ο εντοπισμός και η καταστροφή αυτών των εκτοξευτών αποδείχθηκε εξαιρετικά δύσκολη υπόθεση, καθώς τα οχήματα μπορούσαν να κρύβονται σε αποθήκες, σήραγγες ή ακόμη και σε απλούς αγροτικούς δρόμους, μετακινούμενα συνεχώς για να αποφύγουν την ανίχνευση.
Παρόμοιες δυσκολίες εμφανίστηκαν και κατά τη διάρκεια των επιχειρήσεων του ΝΑΤΟ στη Σερβία, όπου οι σερβικές δυνάμεις χρησιμοποιούσαν κινητές πλατφόρμες εκτόξευσης και εκτεταμένες τεχνικές καμουφλάζ για να περιορίσουν την αποτελεσματικότητα των αεροπορικών πληγμάτων. Η εμπειρία αυτών των επιχειρήσεων οδήγησε το Πεντάγωνο στο συμπέρασμα ότι η παραδοσιακή αεροπορική επιτήρηση δεν αρκεί για την αντιμετώπιση κινητών εκτοξευτών.
Πώς χρησιμοποιείται το σύστημα
Το Maven Smart System επιτρέπει την ταχύτερη ανάλυση των δεδομένων που συλλέγονται μετά από την εκτόξευση, καθώς η θερμική υπογραφή ενός πυραύλου μπορεί να εντοπιστεί από δορυφόρους υπέρυθρης ανίχνευσης, όπως το δίκτυο έγκαιρης προειδοποίησης βαλλιστικών πυραύλων SBIRS των ΗΠΑ (εκτιμάται ότι επιχειρούν 10 δορυφόροι αυτή την στιγμή), ενώ δορυφορικές εικόνες και βίντεο από drones μπορούν να χρησιμοποιηθούν για να εντοπιστούν οχήματα που την ίδια στιγμή απομακρύνονται από την περιοχή, συσχετίζοντας σε πρώτο χρόνο όλα τα δεδομένα και παρέχοντας στον χρήστη πλήρη επιχειρησιακή επίγνωση του χώρου.
Ένα ακόμη στοιχείο που δεν είναι ευρέως γνωστό είναι ότι το Maven χρησιμοποιείται επίσης για target prioritization, δηλαδή για την ιεράρχηση των στόχων. Σε ένα πυκνό επιχειρησιακό περιβάλλον, όπου υπάρχουν δεκάδες έως και εκατοντάδες πιθανοί στόχοι, η τεχνητή νοημοσύνη του συστήματος μπορεί να προτείνει ποιοι έχουν τη μεγαλύτερη στρατηγική σημασία, ή ποιοι πρέπει να αντιμετωπιστούν πρώτοι. Αυτό βοηθά τους διοικητές να κατανέμουν καλύτερα τα διαθέσιμα μέσα, είτε πρόκειται για μαχητικά αεροσκάφη, είτε για πυραύλους cruise.
Ένα επίσης λιγότερο γνωστό χαρακτηριστικό του συστήματος είναι ότι μπορεί να αναλύει μοτίβα δραστηριότητας. Για παράδειγμα, μπορεί να εντοπίζει αλλαγές σε οδικά δίκτυα, αυξημένη κίνηση οχημάτων γύρω από στρατιωτικές εγκαταστάσεις, ή επαναλαμβανόμενες διαδρομές φορτηγών που οδηγούν σε υπόγειες βάσεις. Αυτή η ανάλυση μοτίβων επιτρέπει την αναγνώριση εγκαταστάσεων που διαφορετικά θα ήταν δύσκολο να εντοπιστούν.
Σημειώνεται ότι τα περισσότερα μοντέλα μηχανικής μάθησης, από τα απλά μέχρι τα πιο σύνθετα, έχουν ως βασικό στόχο να εντοπίζουν κανονικότητες μέσα σε τεράστιους όγκους δεδομένων. Αυτές οι κανονικότητες είναι τα λεγόμενα patterns ή μοτίβα. Στις εικόνες μπορεί να είναι σχήματα, σε δεδομένα κίνησης μπορεί να είναι επαναλαμβανόμενες διαδρομές, ενώ στις επικοινωνίες μπορεί να είναι ρυθμοί μετάδοσης, ώρες δραστηριότητας, και χαρακτηριστικά των ραδιοεκπομπών όπως συχνότητες λειτουργίας, μοτίβα εκπομπής και τύπους διαμόρφωσης σήματος. Όταν ένα σύστημα αναγνωρίζει τέτοια μοτίβα, μπορεί να προβλέψει τι πιθανότατα θα συμβεί μετά.
Πριν προλάβει να αντιδράσει ο αντίπαλος…
Το Project Maven θεωρείται ως το πρώτο βήμα προς ένα πολύ μεγαλύτερο σύστημα επιχειρησιακής επίγνωσης του πεδίου μάχης που οι Ηνωμένες Πολιτείες προσπαθούν να υλοποιήσουν τα τελευταία χρόνια. Το σύστημα αυτό είναι το JADC2 (Joint All-Domain Command and Control) ως ένα ενιαίο στρατιωτικό data network ή αλλιώς ένα πολεμικό real-time operating system, και το οποίο αποτελεί διακλαδική πρωτοβουλία του αμερικανικού υπουργείου Πολέμου που υλοποιείται από όλους τους κλάδους των ενόπλων δυνάμεων, με επιμέρους προγράμματα όπως το Advanced Battle Management System της Πολεμικής Αεροπορίας, το Project Convergence του Στρατού Ξηράς και το Project Overmatch του Ναυτικού.
Η βασική ιδέα πίσω από το JADC2 είναι ότι όλα τα μέσα ενός στρατού, από δορυφόρους μέχρι αεροσκάφη, πλοία, επίγεια ραντάρ και drones, μαζί με λοιπές πληροφοριακές πηγές πρέπει να λειτουργούν σαν ένα ενιαίο δίκτυο δεδομένων. Σε έναν σύγχρονο πόλεμο υπάρχουν χιλιάδες αισθητήρες που συλλέγουν πληροφορίες ταυτόχρονα. Δορυφόροι βλέπουν εκτοξεύσεις πυραύλων, drones μεταδίδουν βίντεο από το έδαφος, αεροσκάφη SIGINT καταγράφουν ηλεκτρονικές εκπομπές, ενώ πλοία και ραντάρ παρακολουθούν τον εναέριο χώρο.
Το πρόβλημα είναι ότι όλες αυτές οι πληροφορίες βρίσκονται σε διαφορετικά συστήματα. Το JADC2 επιχειρεί να ενώσει όλα αυτά τα συστήματα σε ένα ενιαίο δίκτυο δεδομένων, επιταχύνοντας δραστικά τον κύκλο εντοπισμού, ανάλυσης και απόφασης στο πεδίο της μάχης. Οι σύγχρονες στρατιωτικές επιχειρήσεις γίνονται ολοένα και πιο γρήγορες, επειδή μειώνεται συνεχώς ο χρόνος που μεσολαβεί ανάμεσα στην πληροφορία και την δράση.
Υπό αυτή την έννοια, όσα βλέπουμε σήμερα στο θέατρο επιχειρήσεων γύρω από το Ιράν αποτελούν τα πρώτα επιχειρησιακά στοιχεία μιας ευρύτερης αρχιτεκτονικής στρατιωτικών δικτύων τεχνητής νοημοσύνης που δοκιμάζονται και ήδη εφαρμόζονται σε πραγματικές συνθήκες πολέμου.
Συνεπώς, όσο περισσότερους αισθητήρες θα διαθέτει ένας στρατός και όσο πιο γρήγορα θα μπορεί να αναλύει τα δεδομένα τους, τόσο μεγαλύτερη θα είναι και η πιθανότητα να εντοπίσει και να πλήξει έναν στόχο πριν προλάβει ο αντίπαλος να αντιδράσει.
.png)
.jpg)
Δεν υπάρχουν σχόλια:
Δημοσίευση σχολίου