پرونده / ناتو و پروژه‌های هوش مصنوعی

به گزارش گرداب، پیمان نظامی ناتو نام دیگری برای نیرو‌های نظامی تحت امر آمریکا در سراسر جهان است. در این پرونده می‌خواهیم پروژه‌های هوش مصنوعی که در راستای امور نظامی انجام می‌شود را بررسی کنیم.

پروژه کاربرد‌های نظامی هوش مصنوعی، اتوماسیون و رباتیک (MUAAR)

ناتو با درک اهمیت فناوری، توسعه و کاربرد هوش مصنوعی، پروژه استفاده نظامی از هوش مصنوعی، اتوماسیون و رباتیک (MUAAR) را تحت کمپین توسعه قابلیت چندملیتی (MCDC) در سال ۲۰۲۰ راه اندازی کرد. هدف این پروژه توسعه مفاهیم و قابلیت‌ها برای اجرای عملیات‌های مشترک ائتلاف و ارزیابی چالش‌های آن‌ها بود.

این پروژه حوزه‌های لجستیک، پدافند هوایی و موشکی یکپارچه، طیف الکترومغناطیسی، فضا، فضای سایبری، حوزه‌های هوایی، زمینی و دریایی را مورد بررسی قرار داد. این پروژه موانع پیاده سازی/ادغام قابلیت‌های AA&R را ارزیابی کرد و استراتژی‌هایی را برای غلبه بر آن‌ها ایجاد نمود. هدف پروژه ارزیابی وظایف و کارکرد‌های نظامی حال و آینده بود که ممکن است از AA&R بهره‌مند شوند و در عین حال صرفه‌جویی در هزینه و دستاورد‌های بهره‌وری بهتر هم در نظر گرفته شد. 

رابطه متقابل هوش مصنوعی و آنالیز پیشرفته کلان داده (تحلیل کلان‌داده) در امور دفاعی

هوش مصنوعی به شدت با فناوری کلان داده (Big Data) متصل و مرتبط است. برای موفقیت برنامه‌های هوش مصنوعی، تغذیه مناسب از داده‌ها که حاوی منابع متنوعی باشد، ضروری است. بنابراین، توسعه فناوری داده‌های بزرگ تأثیر کلیدی بر راه حل‌های هوش مصنوعی دارد و البته باید توجه داشت عدم توسعه این فناوری هم اثرات منفی بر آن خواهد داشت.

تاثیر مورد انتظار هوش مصنوعی و کلان داده در دفاع

آنالیز پیشرفته داده‌های بزرگ شامل روش‌های تحلیلی برای درک و تجسم انبوه اطلاعات است.
تحلیل کلان‌داده دارای چهار جزء اساسی است: 

-مجموعه (حسگرها)؛ ارتباطات؛ تحلیل و بررسی

-تصمیم گیری

شکل ۳. اهداف تحلیل کلان‌داده 

حسگر‌ها کلید جمع‌آوری داده‌ها هستند و از منسوجات با فناوری هوشمند، بر فراز افق (OTH: over the horizon) و سیستم‌های رادار غیرفعال، سنجش کوانتومی، دوقلو‌های دیجیتال (مدل‌های مجازی دقیق یک سیستم سلاح)، تصویربرداری محاسباتی (CI) و فوتونیک مایکروویو حاصل می‌شوند، کارآیی بالا همراه با قدرت کم ایجاد می‌کند که قابلیت‌های حسی قوی و ارتباطات بی‌سیم را در میدان جنگ فراهم می‌سازد.

شکل ۴، رابطه متقابل AI، ML و تحلیل کلان‌داده را نشان می‌دهد.

شکل ۴. رابطه بین AI، یادگیری ماشین و علوم داده 

اثرات تحلیل کلان‌داده در زمینه‌های خاص نظامی
با توسعه سریع و دسترسی مقرون به صرفه به حسگر‌های با حساسیت بالا و استفاده از سیستم‌های خودمختار، و افزایش توانایی شناسایی و طبقه‌بندی تهدیدات در حوزه‌های عملیاتی فیزیکی و مجازی، تحلیل کلان‌داده منجر به ISR کارآمدتر می‌شود و انتظار می‌رود با نقشه برداری پیشرفته از مناطق مأموریت با هدف برنامه‌ریزی و آماده سازی، سطح بالاتری از آگاهی موقعیتی (SW) را فراهم کند. در نتیجه آموزش و آمادگی افزایش مییابد و سازمآن‌ها قادر خواهند بود فرآیند‌های کسب و کار را بهینه کرده و نتایج را در زمان واقعی رصد کنند. تحلیل کلان‌داده می‌تواند ارزیابی‌های پیش‌بینی‌کننده را از طریق مدل‌سازی و شبیه‌سازی پیشرفته ارائه دهد. با توجه به افزایش ادغام سنسور‌های نظارت بر سیستم‌های تسلیحاتی، تحلیل کلان‌داده از لجستیک‌ها نیز بهره خواهد برد. دوقلو‌های دیجیتال همچنین می‌توانند برای نظارت بر فهرست موجودی و افزایش کارایی سیستم‌های لجستیک استفاده شوند.

تحلیل کلان‌داده نقش کلیدی در پشتیبانی از عملیات از طریق مقادیر زیادی از داده‌های حسگر دارد و با ترکیب با هوش مصنوعی، یک رویکرد جامع برای برنامه ریزی عملیاتی (OPLAN)، دوره‌های آنالیز اقدامات و هدف گذاری ارائه می‌دهد.

به منظور دستیابی و بهره برداری کامل از فرصت‌ها و قابلیت‌های ذکر شده در بالا، هوش مصنوعی نیازمند پیشرفت‌های بیشتر در زمینه‌های زیر است.

یکی از آن‌ها حل مشکل جعبه سیاه است. جعبه سیاه می‌تواند دستگاه یا سیستمی باشد که اجازه دیدن ورودی و خروجی را می‌دهد، اما نمایشی از فرآیند‌های داخلی ارائه نمی‌دهد. جعبه سیاه هوش مصنوعی به این معنی است که در بسیاری از ابزار‌های مبتنی بر هوش مصنوعی، بخش‌ها و گره‌های پردازش الگوریتم که به‌طور متوالی برای پالایش داده‌ها و نتایج به هم متصل می‌شوند، از نظر ورودی و خروجی شفاف نیستند. این امر به ویژه در مورد یادگیری عمیق که از یک شبکه عصبی مصنوعی بزرگ با لایه‌های پنهان بسیار استفاده می‌کند صادق است، و با تشخیص لایه به لایه الگوها، خود به خود «یاد می‌گیرد».

با استفاده از هوش مصنوعی توضیح‌پذیر، مشکل جعبه سیاه را می‌توان حل کرد، زیرا می‌تواند نتایج شفافی را در آن لایه‌ها ارائه دهد.

تحقیقات بیشتر در زمینه‌های تیم‌سازی انسان و ماشین ضروری است، زیرا مهم نیست که تکنیک‌های هوش مصنوعی چقدر پیشرفته باشند، دخالت انسان در عملیات‌های نظامی ضروری است. یادگیری ماشینی و عمیق، هوش مصنوعی متخاصم، و محاسبات عصبی و احتمالاتی به منظور دستیابی به الگوریتم‌های پیشرفته، حوزه‌هایی هستند که برای ارائه الگوریتم‌های مؤثر به تحقیقات بیشتری نیاز دارند.

از آنجایی که هوش مصنوعی یک فناوری است که می‌تواند کارایی آنالیز داده‌های پیش‌بینی و شناختی را افزایش دهد، نیاز به فرآیند‌هایی برای تبدیل داده‌های سازمان یافته و بدون ساختار به مفاهیم قابل درک برای تصمیم‌گیرندگان ضروری است. داده‌های سازمان یافته را می‌توان با تکنیک‌های یادگیری ماشینی توسط شبکه‌های عصبی پردازش کرد، در حالی که داده‌های بدون ساختار با استفاده از یادگیری عمیق و تکنیک‌های زبان طبیعی پردازش می‌شوند.

در زمینه مدل‌سازی و شبیه‌سازی، این ابزار‌ها ممکن است برای دستیابی به تجزیه و تحلیل واقعی‌تر و آموزش فردی استفاده شوند همچنین با استفاده از پذیرش تکنیک‌های تطبیقی را در جنگ الکترونیک می‌توان عوامل هوش مصنوعی را برای عملیات سایبری تهاجمی و تدافعی در کل فضای اطلاعاتی توسعه داد.