AI avmystifisert: AI og forsvar

#AI her, AI der, AI, her skal du...
De siste månedene har begrepet "AI" (kunstig intelligens) invadert verden av luftfart og forsvar. Men hva er det egentlig?

Det ville være overmodig å ønske å dekke alle aspekter knyttet til endringene medført av AI. Dette er ikke målet med denne serien på to artikler.
På samme måte vil jeg ignorere visse bestanddeler av AI (f.eks.: nevrale system, etc.), men som ikke er viktige for emnet for disse artiklene.

Fra CAD-programvare til Terminator, fra smarttelefonen til DeepBlue eller AlphaGo, det er mange moduser for AI.
Hensikten med disse to artiklene er der: å repopularisere det som skjuler seg bak den fullstendige bruken av det vage, om ikke obskure, begrepet AI.

La oss innledningsvis huske at interessen for AI ikke er spesifikk for luftfart og forsvar, men fremkomsten av flere konkurranser:

  • Systemenes datakraft
  • Datavolumet tilgjengelig (#BigData)
  • Sammenkoblingen av forskjellige systemer (#IoT)
  • Avanserte programmeringsspråk
  • Grunnundersøkelser

Så AI er ikke et nytt konsept.
Men akkurat som disse vektorene som er sitert fremfor alt, utvikler seg eksponentielt, blir AI "båret bort" i denne uendelige rasen, og vektorene dens i dag muliggjør kompleksitetsnivåer som tidligere ikke var mulig.

Intelligens er evnen til å forstå sine omgivelser og tilpasse seg.

Første artikkel: AI og forsvar

Introduksjon

Før vi begynner, la oss lukke døren til en forutinntatt idé: Terminator.

ia 2 Arkiver | Automatisering | Stor Data

Kontroll.
Som riktig påpekt Jospeh Henrotin, søker en hær først og fremst å kontrollere miljøet sitt (derav den store effektiviteten til "gerilja"-metoder for å undergrave disse regulære hærene).
Farer har ingen plass der; og hvis de ikke kan fjernes, krever de en mer kompleks og mindre optimal respons. Faktisk, som "frie valg", har roboter som er autonome i sin beslutningsprosess, slik som Terminator, ingen plass.

Ingen Terminator. Men hva er AI og hvorfor?
Hvis det er sant at begrepet #Artificial Intelligence i sin reneste teori refererer til en maskin utstyrt med intelligens og interaksjon, betyr kappløpet om denne forestillingen om "intelligens" at noen har oppfunnet såkalte "AIs", som ikke lenger har mye med intelligens å gjøre strengt tatt:

  • Intelligens er evnen til å forstå sine omgivelser og tilpasse seg (fra seg selv til dette miljøet og/eller fra dette miljøet til seg selv) som oppstår på en læring (Retex).
  • Imidlertid er en god del av "svak" AI faktisk bare såkalte "komplekse" algoritmer, men som ikke tilbyr ingen maskinlæringsmuligheter
    (eks: I motsetning til AlphaGo, hadde DeepBlue ingen læringsevne, men studerte en rekke muligheter... Ironisk nok er dette punktet hvor datamaskinen ikke klarte å finne en "beste mulighet" og valgte en tilfeldig at han destabiliserte Kasparov og dermed slå)
  • Deretter er en maskin ofte et system av systemer; AI kan bare brukes på et bestemt delsystem eller prosess.
    (f.eks. lokkeoppskytningene til et fly; dermed er NH90 i stand til å ha forrang over piloten og optimere en respons på en kjent trussel; den er imidlertid ikke i stand til å erstatte piloten for hele handlingen)

Big Data, lukkede eller åpne data, tingenes internett, gjenkjennelse av former eller objekter... Svak, sterk AI... Forestillingen om AI er like vag som den er enorm, på grunn av dette kappløpet om å oppnå den hellige tittelen som hadde konsekvensen av å anløpe den.
For å forenkle, vil jeg refokusere emnet rundt 3 akser:

  • Først av alt, hvis vi tar det "rene" aspektet av kunstig intelligens, kan vi skille mellom to faktorer:
    • Sensibiliteten (eller Machine Learning), som er evnen til å forstå og lære. Denne kapasiteten kan i seg selv skilles inn i 3 deler:
      • Ingen læringsevne
      • Evnen til å berike ens forståelsesområde
      • Evnen til å lære, dvs. utvikle egne leksjoner
    • Interaksjonene, som tillater en oppfatning av miljøet (første trinn mot forståelse som er oversettelsen av disse oppfatningene)
      • Passiv (mottar, men sender ikke) eller aktiv (sender handlinger / tar avgjørelser)
      • Digitalisert (datautveksling) eller med Reality
  • AI-vektorer, som BigData, IoT, som bidrar til AI, men strengt tatt ikke er AI i seg selv.
ia 6 Arkiver | Automatisering | Stor Data

La oss komme inn i kjernen av emnet:
Hva mener forsvarets interessenter bak "AI"?

Forsvarsdepartementet har fokusert sitt digitale sprang rundt 6 akser:

  • beslutningsstøtte og planlegging
  • intelligens
  • samarbeidskamp
  • robotikken
  • operasjoner i cyberspace
  • logistikk og vedlikehold

1. En funksjonell og ikke-global AI

ia 4 Arkiver | Automatisering | Stor Data

Dette er det første punktet:
Som nevnt innledningsvis kan AI (eller andre lignende utviklinger) kun gjelde én funksjonalitet. Vi er ikke her på en global AI, som styrer et system av systemer, men en AI dedikert til en funksjon, som lar brukeren bli assistert ved å automatisere hele eller deler av en prosess.

Etter hvert som systemene blir mer og mer komplekse, krever de flere og flere oppgaver.
Dermed har personellet om bord i et #helikopter økt fra 2 til 3 og nå til og med 4, for å utføre samme type oppdrag, men med økt dybde.
For å moderere denne effekten er det derfor hensiktsmessig å automatisere visse prosesser:

  • Ikke kritisk
  • Standardisert og/eller systematisk
  • Eller for å forbedre responstiden

Personellet om bord i et helikopter økte fra 2 til 3 og nå til og med 4...

2. Generasjonsspranget

Hvis #Aeronautics og #Defence har et rykte for teknologisk fortreffelighet på grunn av den fysiske kompleksiteten til systemene, har de likevel falt bak i "soft tech" til det punktet at, i løpet av 2000-tallet endret en situasjon seg :
Teknologisk innovasjon kom ikke lenger fra A&D-referanser for å utvide til det offentlige universet, men omvendt: dermed, oppstartsbedrifter og andre aktører fra den sivile verden har gradvis invadert området til varemesser som SOFINS eller Le Bourget, eller til og med attraksjonen til #DGA.

Årsaken?
På forsvarssiden er årsaken ganske enkel: Det tidligere utstyret, og til og med doktrinene, kom fra den kalde krigen, i beste fall fra Retex fra konfliktene i Afrika.

  • På doktrinesiden har nylige svært asymmetriske konflikter som Afghanistan tvunget oss til å gjennomgå mange aspekter.
  • På utstyrssiden er situasjonen enklere: De fra den kalde krigen har nå nådd slutten av livet og må derfor trekkes tilbake og erstattes eller ikke av utstyr som oppfyller de nye doktrinene.
SA321 NFRS02 10 014 Arkiv | Automatisering | Stor Data

Denne fornyelsen av utstyr, sammenfallende med endringer i doktrine og ankomsten av oppstartsbedrifter som redefinerer eller re-tilnærmer seg problemene (#ThinkOutOfTheBox), er en velsignelse som Defense virkelig ville gjort feil å frata seg selv.
Det er ikke forskjellig fra andre generasjonssprang, som hver også hadde sine egne buzzwords:

  • 1800: artilleri
  • 1870: toget + riflenes pålitelighet
  • WW-I: luftfart + kjemi
  • WW-II: mekanikk + industrialisering
  • Den kalde krigen: elektronikk + sensorer
  • 2019: droner + AI?

Denne første fasen vil være mer bruk av AI-vektorer enn av AI selv

Hvis hvert teknologisprang har hatt sitt " sjåfør(e)", disse har virkelig sett sin vekst midt i livet, de første versjonene er mer en validering av løsningene som skal utvikles.
Imidlertid ble disse teknologiske sprangene også sterkt støttet av modenheten til tidligere teknologier. Dette er Deming Wheel-effekten som klatrer opp i en naturlig lov om forbedring.

Denne første fasen av entusiasme i AI vil derfor være mer bruk av AI-vektorer for å lansere evolusjonshjulet for å oppnå denne visjonen midt i livet.

Je gage par ailleurs que nous vivons là sans doute la dernière rupture technologique et allons quitter ce principe pour nous orienter vers un système analogue au POOGI (et le #FCAS, s'il est bien pensé en amont, pourrait tout à fait exploiter la méthode POOGI).
... Mais je m'éloigne du sujet...

3. Innhente digital forsinkelse

Jeg laget en rask tabell som sammenlignet de viktigste teknologiske løsningene mot de 6 prioriterte områdene identifisert av Forsvarsdepartementet:
(svarene er ikke eksklusive; dette er hovedløsningene tilpasset hvert område)

ia forsvar 2 Arkiv | Automatisering | Stor Data
QFD som sammenligner de 6 prioriterte områdene med teknologiske løsninger © Julien Maire

Som vi kan se, er svarene som skal gis mindre knyttet til AI enn til løsninger som for det meste har eksistert i 1 til 2 tiår:

  • "Tradisjonelle" verktøy:
    • brukerhjelpeapplikasjoner
    • av Business Intelligence
  • Datarelaterte verktøy:
    • Stor Data
    • og utveksling av disse (IoT)
  • Noen løsninger knyttet til AI
    • hovedsakelig for formgjenkjenning og banesporing
ia 7 Arkiver | Automatisering | Stor Data

Det handler derfor i stor grad mindre om AI enn dets vektorer hva er :

  • Stor Data
  • The #InternetOfThings (Internet of Things / Connected Objects)
  • Business Intelligence, dvs. (statistisk) analyse av data
  • Jeg vil også legge til "nevral" modellering av systemer (qui, selon moi, devrait émerger dans la décennie à venir)

Analytics.
BigData, IoT, BI, nevral modellering... Alle disse vektorene er verktøy som brukes for analyse av data og forhold mellom disse dataene. Fordi sakens kjerne er der:
I likhet med Google forsøker hæren å kontrollere miljøet sitt så mye som mulig og derfor redusere farene. Dette krever derfor stor kapasitet og dybde i dataanalyse for å forstå sine omgivelser og kunne påvirke det med full kontroll.
Beslutningsstøtte og planlegging... Etterretning... Vedlikehold... Alle disse områdene krever analytisk bruk av data.

BigData, IoT, modélisation neuronale...
C'est aussi : information, échange, structuration systémique...
C'est pourquoi, à titre personnel, plus qu'une révolution d'Intelligence Artificielle, j'augure une révolution en #Systèmes de Systèmes et #Networkability (soit l'habileté à fonctionner en réseau, de manière intégrée).
A ce titre, les projets #Scorpion (Armée de Terre) et #FCAS (Armée de l'Air) sont deux premiers pas sur le chemin de la Networkability.

ia forsvar 6 Arkiv | Automatisering | Stor Data
FCAS & Future of Defense © Airbus Defense

4. "Svak" AI

Svak AI er ikke intelligent: designerne var det.

Under innledningen presenterte jeg forestillingen om"Svak" AI, som kun er intelligent i utformingen av sine algoritmer.
Med andre ord, svak AI er ikke intelligent: designerne var det.

Som nevnt i denne samme introduksjonen, utgjør AI en kompatibilitetsproblem med kontrollen. Og selv en svak AI er intet unntak:
Dermed vant DeepBlue takket være en feil, derfor en feil som resulterte i tap av kontroll, til det punktet at Kasparov trodde at et menneske kontrollerte DeepBlues avgjørelser.

Utfordringen jeg alltid har assosiert med AI er #Gödels teorem:
Et komplett system er inkonsekvent, og faktisk er et sammenhengende system ufullstendig. Hele problemet vil derfor være å ha et mest mulig komplett system og samtidig sikre konsistensen, ellers vil dette uunngåelig føre til en AI-feil eller en AI ute av kontroll. Dette er litt som det DeepBlue opplevde.

Utfordringen jeg alltid har forbundet med AI er Gödels teorem.

Her er en tabell som oppsummerer dette problemet:

ia forsvar 4 Arkiv | Automatisering | Stor Data
Tabell over typiske AI-tilfeller, som oppsummerer interessen for forsvaret © Julien Maire

Som illustrert, intelligensen mulig for AI vil være omvendt proporsjonal med nivået av interaksjoner, med Reality i første omgang, men også når det gjelder datautveksling (IoT).

Og, alltid i tillegg, vil mennesker måtte beholde den endelige beslutningsmakten :

  • Ved å ha muligheten til å slå av denne AI (se sak 737 MAX)
  • Eller for å justere det, i tilfeller av forsterkende læring
  • Og ved å opprettholde en kritisk mening (ingen blind tillit).
ia 3 Arkiver | Automatisering | Stor Data

Dette siste punktet kan virke åpenbart, eller meningsløst, og likevel:
AI eller ikke, et hvilket som helst dataoperativsystem gir bare et relevant resultat som er relativt, med hensyn til kvaliteten på inndataene og feilene den inneholder.
Virker denne kommentaren overflødig for deg? 3 eksempler:

  • Harfang-dronen: … i mangel på noe bedre tjente den, men skilte seg ikke ut for sin pålitelighet
  • Valeo & SAP: etter den dårlig implementerte overgangen til SAP (når det gjelder valg av dataarkitektur og datakvalitet), gikk Valeo nesten konkurs. Den ble reddet av kundene som tok med erfaringene sine i SAP.
  • Personlig hadde jeg muligheten til å oppdage en kritisk feil i en anerkjent CAPM-programvare i sin tid (pre-SAP), en feil som hadde konsekvensen av å multiplisere mengden av krav.

Ingen Terminator, men mennesket i hjertet av intelligens.

i konklusjonen

Denne artikkelen hadde ganske enkelt som mål å sette forestillingen om AI i perspektiv og relativisere den i forhold til forsvarsprosjekter.
Ingen Terminator, langt ifra, og til og med mennesker fortsatt i hjertet av intelligens, om av driftspersonale i den endelige beslutningen, eller designere av algoritmiske løsninger.

Men hvorfor så mye fremheve AI ?
Som nevnt i kapittelet om generasjonssprang, er det det å gi en retning, en visjon ; ikke for å begrense deg selv eller pålegge seg selv for tidlige begrensninger.

ia 8 Arkiver | Automatisering | Stor Data

Julien Maire.

For videre

SOSIALE NETTVERK

Siste artikler