Η Northrop αξιοποιεί τη μηχανική εκμάθηση για να βοηθήσει την ανάλυση πυραύλων Space Force

ΟΥΑΣΙΝΓΚΤΟΝ — Η Northrop Grumman αναπτύσσει λογισμικό που λέει ότι μπορεί να απλοποιήσει τη διαδικασία υψηλού ρίσκου ανακάλυψης, ταξινόμησης και παρακολούθησης εκτοξεύσεων πυραύλων σε όλο τον κόσμο, βασιζόμενη στις δυνατότητες αναγνώρισης προτύπων.

Η αμυντική εταιρεία βρίσκεται στη διαδικασία βελτίωσης αυτού που αποκαλεί False Track Reduction Using Machine Learning για τη Διαστημική Δύναμη των ΗΠΑ, με στόχο την παράδοση στις αρχές του 2025. Αναμένεται να χρησιμοποιηθεί στο Διαστημικό Σύστημα Υπέρυθρων πρόγραμμα ή SBIRS και έχει πιθανή εφαρμογή σε άλλες εναέριες μόνιμες αναθέσεις υπερύθρων.

Το προσωπικό της Διαστημικής Δύναμης παρακολουθεί χιλιάδες πιθανά περιστατικά πυραύλων κάθε μήνα και πρέπει να αντιμετωπίσει ψευδείς συναγερμούς. Οι ολοένα και πιο ευαίσθητες τεχνολογίες κατασκοπείας, οι πολλαπλασιαζόμενοι δορυφόροι, τα συνεχώς εξελισσόμενα όπλα και οι στρατιωτικές εξάρσεις στο εξωτερικό μπορούν να επιδεινώσουν την ήδη πολύπλοκη διαδικασία.

Η προσφορά της Northrop έχει σχεδιαστεί για να διευκολύνει η χιονοστιβάδα πληροφοριών Οι αναλυτές αντιμετωπίζουν αναλύοντας αυτό που μπορεί να μην είναι πραγματική εκτόξευση ή εξερχόμενο βλήμα, ενώ, ταυτόχρονα, διασφαλίζουν ότι κανένα «πραγματικό συμβάν ή πραγματικός πύραυλος» δεν ταξινομείται σωστά, σύμφωνα με τον John Stengel, διευθυντή της επιχείρησης εκμετάλλευσης αποστολών της εταιρείας.

«Καθώς οι αισθητήρες βελτιώνονται - όσο βελτιώνονται οι αισθητήρες στο διάστημα - γίνονται πιο ευαίσθητοι. Καθώς οι αισθητήρες γίνονται πιο ευαίσθητοι, τόσο πιο λανθασμένα ίχνη έχουμε», είπε ο Στένγκελ σε συνέντευξή του στο C4ISRNET. «Το να έχεις τη δυνατότητα να αξιοποιήσεις τη μηχανική μάθηση για να βοηθήσεις τον άνθρωπο στη βρόχο, ας πούμε έτσι, να κάνει τη δουλειά του/της είναι να γίνεις απολύτως κρίσιμος».

ΣΧΕΤΙΖΕΤΑΙ

Το False Track Reduction Using Machine Learning εκπαιδεύεται σε δεδομένα πραγματικού κόσμου και μπορεί να τροποποιηθεί ως ξένοι στρατιώτες προωθήσουν τα αντίστοιχα οπλοστάσια τους. Το σύστημα χρησιμοποιεί αυτό που ονόμασε προφίλ Stengel, ή αποδεδειγμένα χαρακτηριστικά όπως η ταχύτητα, το σχήμα και το υψόμετρο, για να ανιχνεύσει και να ορίσει αντικείμενα για περαιτέρω επιθεώρηση από τους χρήστες.

«Αυτό που πρόκειται να κάνει το σύστημα είναι να πει: «Ε, αυτό δεν φαίνεται σαν πραγματικός πύραυλος, αλλά θα το παρουσιάσω στον χειριστή, τον άνθρωπο στο βρόχο, για να βεβαιωθεί και να πάρει αυτή την απόφαση, '' είπε ο Στένγκελ.

«Καθώς διαφορετικές χώρες στον κόσμο τροποποιούν ή προσαρμόζουν ή δημιουργούν νέα οπλικά συστήματα, τότε πρέπει να τα πάρουμε και να τα προσθέσουμε στα σενάρια εκπαίδευσης, ώστε το σύστημα να το γνωρίζει, να έχει τα πιο πρόσφατα και τα καλύτερα», πρόσθεσε. «Δεν έχω ακούσει ποτέ για αντικατάσταση του ανθρώπου σε αυτά τα σενάρια. Αυτό είναι όλα σχετικά με τη βοήθεια. "

Το Υπουργείο Άμυνας θεωρεί εδώ και χρόνια την τεχνητή νοημοσύνη και τη μηχανική μάθηση κρίσιμες για την ταχεία ταξινόμηση των πληροφοριών του πεδίου μάχης. Η εφαρμογή του κερδίζει ταχύτητα και εξαπλώνεται. το τμήμα διαχειρίζεται περισσότερα από 685 έργα που σχετίζονται με την τεχνητή νοημοσύνη, συμπεριλαμβανομένων πολλών που συνδέονται με μεγάλα οπλικά συστήματα, σύμφωνα με το Γραφείο Λογοδοσίας της Κυβέρνησης.

Η δημοσιογράφος του C4ISRNET Courtney Albon συνέβαλε σε αυτό το άρθρο.

• SEO Powered Content & PR Distribution. Ενισχύστε σήμερα.
• PlatoData.Network Vertical Generative Ai. Ενδυναμώστε τον εαυτό σας. Πρόσβαση εδώ.
• PlatoAiStream. Web3 Intelligence. Ενισχύθηκε η γνώση. Πρόσβαση εδώ.
• PlatoESG. Ανθρακας, Cleantech, Ενέργεια, Περιβάλλον, Ηλιακός, Διαχείριση των αποβλήτων. Πρόσβαση εδώ.
• PlatoHealth. Ευφυΐα βιοτεχνολογίας και κλινικών δοκιμών. Πρόσβαση εδώ.
• πηγή: https://www.defensenews.com/artificial-intelligence/2024/01/25/northrop-harnesses-machine-learning-to-aid-space-force-missile-parsing/