Northrop valorifică învățarea automată pentru a ajuta la analizarea rachetelor Space Force

WASHINGTON — Northrop Grumman dezvoltă un software despre care spune că poate simplifica procesul cu mize mari de descoperire, clasificare și monitorizare a lansărilor de rachete de pe tot globul, bazându-se pe capabilitățile de recunoaștere a modelelor.

Compania de apărare este în proces de perfecționare a ceea ce numește False Track Reduction utilizând Machine Learning pentru US Space Force, cu ochii pe livrare la începutul anului 2025. Este anticipat pentru utilizare în Sistem cu infraroșu bazat pe spațiu program, sau SBIRS, și are o potențială aplicație în alte sarcini în infraroșu persistente.

Personalul Forțelor Spațiale urmărește mii de potențiale incidente cu rachete în fiecare lună și trebuie să facă față alarmelor false. Tehnologiile de spionaj din ce în ce mai delicate, sateliții în proliferare, armele în continuă evoluție și izbucnirile militare de peste mări pot agrava procesul deja complicat.

Oferta Northrop este concepută pentru a ușura avalanșa informațională Analiștii se confruntă analizând ceea ce ar putea să nu fie o lansare reală sau un proiectil de ieșire, în timp ce, în același timp, asigurându-se că niciun „eveniment real sau rachetă reală” nu este sortat necorespunzător, conform lui John Stengel, directorul întreprinderii de exploatare a misiunilor companiei.

„Pe măsură ce senzorii se îmbunătățesc – pe măsură ce senzorii din spațiu se îmbunătățesc – ei devin mai sensibili. Pe măsură ce senzorii devin mai sensibili, cu atât avem mai multe piste false”, a spus Stengel într-un interviu pentru C4ISRNET. „A avea capacitatea de a valorifica învățarea automată pentru a ajuta omul în buclă, ca să spunem așa, să-și facă treaba înseamnă a deveni absolut critic.”

LEGATE DE

False Track Reduction Utilizând Machine Learning este instruit pe date din lumea reală și poate fi modificat ca armate străine avansa arsenalele lor respective. Sistemul folosește ceea ce Stengel a numit profiluri, sau caracteristici dovedite, cum ar fi viteza, forma și altitudinea, pentru a detecta și a aloca obiecte pentru inspecție ulterioară de către utilizatori.

„Ceea ce va face sistemul este să spună: „Hei, aceasta nu pare a fi o rachetă adevărată, dar o voi prezenta operatorului, umanului în buclă, pentru a mă asigura și a lua acea decizie. '”, a spus Stengel.

„Pe măsură ce diferite țări din lume modifică sau adaptează sau vin cu noi sisteme de arme, atunci trebuie să le luăm și să le adăugăm la scenariile de antrenament, astfel încât sistemul să știe despre asta, să aibă cele mai recente și mai bune”, a adăugat el. „Nu am auzit niciodată de înlocuirea omului în aceste scenarii. Aceasta este totul despre asistare. "

Departamentul Apărării a considerat de ani de zile inteligența artificială și învățarea automată esențiale pentru sortarea rapidă a informațiilor din câmpul de luptă. Implementarea sa câștigă viteză și răspândire; Departamentul jonglează cu peste 685 de proiecte legate de inteligența artificială, inclusiv mai multe legate de sistemele de arme majore, potrivit Biroului de Responsabilitate Guvernamentală.

Reporterul C4ISRNET Courtney Albon a contribuit la acest articol.

• Distribuție de conținut bazat pe SEO și PR. Amplifică-te astăzi.
• PlatoData.Network Vertical Generative Ai. Împuterniciți-vă. Accesați Aici.
• PlatoAiStream. Web3 Intelligence. Cunoștințe amplificate. Accesați Aici.
• PlatoESG. carbon, CleanTech, Energie, Mediu inconjurator, Solar, Managementul deșeurilor. Accesați Aici.
• PlatoHealth. Biotehnologie și Inteligență pentru studii clinice. Accesați Aici.
• Sursa: https://www.defensenews.com/artificial-intelligence/2024/01/25/northrop-harnesses-machine-learning-to-aid-space-force-missile-parsing/