Northrop maakt gebruik van machinaal leren om het analyseren van raketten van Space Force te vergemakkelijken

WASHINGTON – Northrop Grumman ontwikkelt software die naar eigen zeggen het belangrijke proces van het ontdekken, classificeren en monitoren van raketlanceringen over de hele wereld kan vereenvoudigen door te steunen op patroonherkenningsmogelijkheden.

Het defensiebedrijf is bezig met het verfijnen van wat het False Track Reduction Using Machine Learning noemt voor de Amerikaanse ruimtevaartmacht, met het oog op de oplevering begin 2025. Het wordt verwacht voor gebruik in de In de ruimte gebaseerd infraroodsysteem programma, of SBIRS, en heeft potentiële toepassing in andere permanente infraroodtoewijzingen boven het hoofd.

Het personeel van de Space Force volgt elke maand duizenden potentiële raketincidenten en krijgt te maken met valse alarmen. Steeds delicatere spionagetechnologieën, steeds groter wordende satellieten, steeds evoluerende wapens en militaire opflakkeringen in het buitenland kunnen het toch al ingewikkelde proces verergeren.

Het aanbod van Northrop is ontworpen om u te vergemakkelijken de informatielawine Analisten worden geconfronteerd met het ontleden van wat misschien geen daadwerkelijke lancering of een uitgaand projectiel is, terwijl ze er tegelijkertijd voor moeten zorgen dat geen enkele “echte gebeurtenis of echte raket” onjuist wordt gesorteerd, aldus John Stengel, de directeur van de missie-exploitatie-onderneming van het bedrijf.

“Naarmate sensoren beter worden – naarmate sensoren in de ruimte verbeteren – worden ze gevoeliger. Naarmate sensoren gevoeliger worden, des te meer valse sporen we krijgen”, zei Stengel in een interview met C4ISRNET. “Het vermogen hebben om machine learning in te zetten om de mens in de loop, om zo te zeggen, te helpen zijn of haar werk te doen, is absoluut cruciaal.”

VERBAND

False Track Reduction met behulp van Machine Learning wordt getraind op gegevens uit de echte wereld en kan worden aangepast als buitenlandse legers hun respectieve arsenaal verder uitbouwen. Het systeem maakt gebruik van wat Stengel profielen noemde, of bewezen kenmerken zoals snelheid, vorm en hoogte, om objecten te detecteren en te oormerken voor verdere inspectie door gebruikers.

“Wat het systeem gaat doen is zeggen: ‘Hé, dit lijkt geen echte raket, maar ik ga het aan de operator, de mens in de lus, voorleggen om er zeker van te zijn dat hij die beslissing kan nemen. ', aldus Stengel.

“Terwijl verschillende landen in de wereld nieuwe wapensystemen aanpassen of aanpassen, of met nieuwe wapensystemen komen, moeten we deze vervolgens aan de trainingsscenario’s toevoegen, zodat het systeem hiervan op de hoogte is en over het nieuwste en beste beschikt”, voegde hij eraan toe. “Ik heb nog nooit gehoord van het vervangen van de mens in deze scenario's. Dit is alles over assisteren. '

Het ministerie van Defensie beschouwt kunstmatige intelligentie en machinaal leren al jaren als cruciaal voor het snel sorteren van informatie op het slagveld. De implementatie ervan wint aan snelheid en verspreiding; Volgens het Government Accountability Office is het departement bezig met meer dan 685 AI-gerelateerde projecten, waaronder een aantal die verband houden met grote wapensystemen.

C4ISRNET-verslaggever Courtney Albon heeft bijgedragen aan dit artikel.

• Door SEO aangedreven content en PR-distributie. Word vandaag nog versterkt.
• PlatoData.Network Verticale generatieve AI. Versterk jezelf. Toegang hier.
• PlatoAiStream. Web3-intelligentie. Kennis versterkt. Toegang hier.
• PlatoESG. carbon, CleanTech, Energie, Milieu, Zonne, Afvalbeheer. Toegang hier.
• Plato Gezondheid. Intelligentie op het gebied van biotech en klinische proeven. Toegang hier.
• Bron: https://www.defensenews.com/artificial-intelligence/2024/01/25/northrop-harnesses-machine-learning-to-aid-space-force-missile-parsing/