Northrop aproveita o aprendizado de máquina para ajudar na análise de mísseis da Força Espacial

WASHINGTON – A Northrop Grumman está desenvolvendo um software que afirma poder simplificar o processo de alto risco de descoberta, classificação e monitoramento de lançamentos de mísseis em todo o mundo, apoiando-se em capacidades de reconhecimento de padrões.

A empresa de defesa está no processo de refinar o que chama de Redução de Pista Falsa Usando Aprendizado de Máquina para a Força Espacial dos EUA, com previsão de entrega no início de 2025. Está previsto para uso no Sistema infravermelho baseado no espaço programa, ou SBIRS, e tem aplicação potencial em outras atribuições infravermelhas persistentes de sobrecarga.

O pessoal da Força Espacial monitoriza milhares de potenciais incidentes com mísseis todos os meses e tem de lidar com alarmes falsos. Tecnologias de espionagem cada vez mais delicadas, satélites em proliferação, armas em constante evolução e surtos militares no estrangeiro podem agravar o processo já complicado.

A oferta da Northrop foi projetada para facilitar a avalanche de informações os analistas enfrentam ao analisar o que pode não ser um lançamento real ou um projétil de saída e, ao mesmo tempo, garantir que nenhum “evento real ou míssil real” seja classificado indevidamente, de acordo com John Stengel, diretor do empreendimento de exploração de missões da empresa.

“À medida que os sensores melhoram – à medida que os sensores no espaço melhoram – eles ficam mais sensíveis. À medida que os sensores ficam mais sensíveis, mais pistas falsas obtemos”, disse Stengel em entrevista ao C4ISRNET. “Ter a capacidade de aproveitar o aprendizado de máquina para ajudar o ser humano no circuito, por assim dizer, a fazer seu trabalho é algo absolutamente crítico.”

ΣΧΕΤΙΖΕΤΑΙ

A redução de pistas falsas usando aprendizado de máquina é treinada em dados do mundo real e pode ser alterada conforme militares estrangeiros avançar seus respectivos arsenais. O sistema usa o que Stengel chamou de perfis, ou características comprovadas como velocidade, formato e altitude, para detectar e marcar objetos para inspeção posterior pelos usuários.

“O que o sistema vai fazer é dizer: 'Ei, isso não parece um míssil de verdade, mas vou apresentá-lo ao operador, o humano no circuito, para ter certeza e tomar essa decisão, '”, disse Stengel.

“À medida que diferentes países do mundo modificam, ajustam ou criam novos sistemas de armas, temos então que pegá-los e adicioná-los aos cenários de treinamento, para que o sistema saiba disso, tenha o que há de melhor e mais recente”, acrescentou. “Nunca ouvi falar em substituir o humano nesses cenários. Isso é tudo sobre ajudar. "

O Departamento de Defesa há anos considera a inteligência artificial e o aprendizado de máquina essenciais para a rápida classificação das informações do campo de batalha. Sua implementação vem ganhando velocidade e difusão; o departamento está a gerir mais de 685 projectos relacionados com IA, incluindo vários ligados a grandes sistemas de armas, de acordo com o Gabinete de Responsabilidade Governamental.

A repórter do C4ISRNET, Courtney Albon, contribuiu para este artigo.

• Conteúdo com tecnologia de SEO e distribuição de relações públicas. Seja amplificado hoje.
• PlatoData.Network Gerativa Vertical Ai. Capacite-se. Acesse aqui.
• PlatoAiStream. Inteligência Web3. Conhecimento Amplificado. Acesse aqui.
• PlatãoESG. Carbono Tecnologia Limpa, Energia, Ambiente, Solar, Gestão de resíduos. Acesse aqui.
• PlatoHealth. Inteligência em Biotecnologia e Ensaios Clínicos. Acesse aqui.
• Fonte: https://www.defensenews.com/artificial-intelligence/2024/01/25/northrop-harnesses-machine-learning-to-aid-space-force-missile-parsing/