SimulaMet på INFO/ERFA-konferansen
Published:
Nylig presenterte sjefsforsker Haakon Bryhni og professor Michael Riegler på den årlige INFO/ERFA-konferansen organisert av Forsvars- og sikkerhetsindustriens forening (FSI).
Konferansens hovedtema var “Forsvarsløftet - et taktskifte for samarbeid mellom Forsvarssektoren og industrien?” (fsi.no). Bryhni og Riegler holdt et innlegg onsdag 15. Mai, hvor morgentimene var satt av til presentasjoner om hvordan Forsvaret kan nyttegjøre seg av nye teknologiske muligheter.
Haakon Bryhni, leder for Center for Resilient Networks and Applications (CRNA), og Michael Riegler, som styrer Simula's strategi for kunstig intelligens (KI), kombinerte sin ekspertise innen sikkerhet i kommunikasjonssystemer og kunstig intelligens for å presentere om “militære anvendelser av kunstig intelligens for autonome militære kommunikasjonsnett og datafusjon fra mange sensorer”.
Følgende er utdrag fra deres presentasjon.
Autonome militære kommunikasjonsnett og datafusjon
I sivile kommunikasjonsnett, som har potensial for flerbruksanvendelser (både militære og sivile), er en mengde telemetridata tilgjengelig. Disse dataene kan brukes til å automatisk oppdage og rette et stort antall feil, noe som bidrar til utviklingen av selvreparerende nettverk. I presentasjonen demonstrerte de hvordan Simula anvender kunstig intelligens til klassifisering og reparasjon av både WAN-nettverk (Wide Area Networks) og mobilnett, med potensiell militær anvendelse.
I tillegg ble det demonstrert hvordan denne teknologien, kombinert med andre datakilder som satellittbilder, informasjon fra sosiale medier m.m., kan åpne for nye militære anvendelser. Eksempelvis kan en kombinasjon av satellittbilder og bilder fra sosiale medier brukes til å gi et klarere situasjonsbilde eller identifisere potensielle trusler.
Videre kan data fra både sivile og militære sensorer kombineres med 4G- og 5G-basestasjoner, som effektivt fungerer som distribuerte radiofrekvenssensorer. Dette kan brukes for overvåking og tidlig deteksjon av et bredt spekter av trusler (droner, militære kjøretøy på land, sjø og i luften, smarttelefoner/personell). Flere kommersielle og tekniske utfordringer gjenstår før man kan benytte sivile kommunikasjonsnett som sensorer, og det gjenstår utfordringer knyttet til analysenes forklarbarhet, etikk og pålitelighet, samt deres anvendelse i risikofylte beslutningsprosesser.
Multimodal kunstig intelligens
Multimodal kunstig intelligens er en teknologi som går utover tradisjonell tekstbehandling ved å integrere og analysere ulike informasjonskilder som bilder, lyd og video. Denne tilnærmingen muliggjør en mer helhetlig forståelse av data, og avdekker sammenhenger som ellers ville vært skjult. Ulike modaliteter kan utfylle hverandre, kompensere for manglende informasjon, og operere på ulike tidsskalaer, for eksempel ved å kombinere satellittbilder med data fra sosiale medier.
Grunnleggende multimodale modeller, som bildesegmentering kombinert med tekst, viser stort potensial. Videre forskning er nødvendig for å evaluere og forbedre disse metodene, samt integrere dem i eksisterende verktøy.
Et eksempel på multimodal KI i militær sammenheng er analyse av droneovervåkning. Ved å kombinere videopptak med informasjon fra sensorer og tekstbaserte rapporter, kan KI -systemer identifisere potensielle trusler, overvåke fiendens bevegelser og gi sanntidsinformasjon til beslutningstakere. Dette kan forbedre situasjonsforståelsen og bidra til raskere og mer effektive beslutninger i kritiske situasjoner.
Multimodal KI har potensial til å revolusjonere både sivile og militære anvendelser. Ved å tilby en mer helhetlig og nøyaktig tilnærming til dataanalyse, kan denne teknologien bidra til økt effektivitet, bedre beslutningsgrunnlag og nye innovative løsninger.
Men det finnes begrensninger. Blant annet er ikke dagens kunstig intelligens god nok til å generalisere basert på usett data, altså data som teknologien ikke har en kunnskapsdatabase på. Og det er svært viktig å opprettholde personvern og etikk i disse løsningene, som kan begrense selve løsningen. En annen utfordring er at forskning på evaluering av ytelsen til komplekse KI-modeller mangler, det er behov for å investere i dette.
For mer informasjon om bruk av kunstig intelligens i telekommunikasjonsforskning, les CRNAs bloggposter om klassifisering av nettverksbrudd, om selvdriftende mobile nettverk og identifisering av flaskehalser i skybaserte mobilnettverk.
