Northrop valjastaa koneoppimisen auttamaan avaruusjoukkojen ohjusten jäsennystä

WASHINGTON - Northrop Grumman kehittää ohjelmistoa, jonka se sanoo voivan yksinkertaistaa suurella panoksella tapahtuvaa ohjusten laukaisujen etsintä-, luokittelu- ja valvontaprosessia kaikkialla maailmassa nojaten kuvioiden tunnistusominaisuuksiin.

Puolustusyhtiö jalostaa parhaillaan Yhdysvaltain avaruusvoimien koneoppimista käyttävää valejäljen vähentämistä, ja sen odotetaan tapahtuvan vuoden 2025 alussa. Sitä on tarkoitus käyttää Avaruuspohjainen infrapunajärjestelmä ohjelma tai SBIRS, ja sitä voidaan käyttää muissa jatkuvassa infrapunatehtävässä.

Avaruusvoimien henkilökunta seuraa tuhansia mahdollisia ohjusonnettomuuksia kuukausittain ja joutuu kamppailemaan väärien hälytysten kanssa. Yhä herkempi vakoiluteknologia, lisääntyvät satelliitit, jatkuvasti kehittyvät aseet ja sotilaalliset räjähdykset ulkomailla voivat pahentaa jo ennestään monimutkaista prosessia.

Northropin tarjonta on suunniteltu helpoksi tietovyöry analyytikot kohtaavat jäsentämällä sitä, mikä ei ehkä ole varsinainen laukaisu tai lähtevä ammus, samalla kun varmistetaan, ettei "oikea tapahtuma tai todellinen ohjus" ole lajiteltu väärin, John Stengelin, yrityksen tehtävän hyödyntämisyrityksen johtajan, mukaan.

"Kun anturit paranevat - kun anturit avaruudessa paranevat - ne muuttuvat herkemmiksi. Kun anturit muuttuvat herkemmiksi, sitä enemmän vääriä jälkiä saamme", Stengel sanoi haastattelussa C4ISRNETille. "Kysymys hyödyntää koneoppimista auttaakseen ihmisen niin sanotusti tekemään työnsä on muuttua ehdottoman kriittiseksi."

LIITTYVÄT

Väärän jäljen vähentäminen koneoppimisen avulla on koulutettu reaalimaailman dataan ja sitä voidaan muuttaa ulkomaisena armeijana edistää omaa arsenaaliaan. Järjestelmä käyttää Stengelin nimittämiä profiileja tai todistettuja ominaisuuksia, kuten nopeutta, muotoa ja korkeutta, havaitakseen ja merkitsevän kohteita käyttäjien lisätarkastuksia varten.

"Se, mitä järjestelmä aikoo tehdä, on sanoa: "Hei, tämä ei vaikuta oikealta ohjukselta, mutta aion esitellä sen operaattorille, silmukan ihmiselle varmistaakseni ja tehdäkseen päätöksen. "" Stengel sanoi.

"Kun eri maat maailmassa muokkaavat tai mukauttavat tai keksivät uusia asejärjestelmiä, meidän on sitten otettava ne ja lisättävä ne koulutusskenaarioihin, jotta järjestelmä tietää siitä, sillä on uusimmat ja parhaat", hän lisäsi. ”En ole koskaan kuullut ihmisen korvaamisesta näissä skenaarioissa. Tämä on kaikki auttamisesta"

Puolustusministeriö on vuosia pitänyt tekoälyä ja koneoppimista kriittisinä taistelukenttätietojen nopealle lajittelulle. Sen toteutus kiihtyy ja leviää; osasto jongleeraa yli 685 tekoälyyn liittyvää projektia, joista useat liittyvät suuriin asejärjestelmiin, hallituksen tilivelvollisuusviraston mukaan.

C4ISRNET-toimittaja Courtney Albon osallistui tähän artikkeliin.

• SEO-pohjainen sisällön ja PR-jakelu. Vahvista jo tänään.
• PlatoData.Network Vertical Generatiivinen Ai. Vahvista itseäsi. Pääsy tästä.
• PlatoAiStream. Web3 Intelligence. Tietoa laajennettu. Pääsy tästä.
• PlatoESG. hiili, CleanTech, energia, ympäristö, Aurinko, Jätehuolto. Pääsy tästä.
• PlatonHealth. Biotekniikan ja kliinisten kokeiden älykkyys. Pääsy tästä.
• Lähde: https://www.defensenews.com/artificial-intelligence/2024/01/25/northrop-harnesses-machine-learning-to-aid-space-force-missile-parsing/