תנאים לשילוב חיישנים מרובים במערכות ביטחוניות

This post is also available in: English (אנגלית)

עיבוד מדויק של מידע על שונות משותפת לגבי שינויי סביבה ו'רעש' חיישנים הוא הכרחי לתפקודם של מעריכים מבוססי-סטטיסטיקה ומהווה את הגורם המאפשר העיקרי לשילוב מיטבי של מידע ממספר רב של חיישנים ותת-מערכות מסוגים שונים.

הסוכנות למחקרי ביטחון מתקדמים דארפ"א של מחלקת ההגנה האמריקאית מעוניינת בארגון המידע מחיישנים נפרדים כדי לתגבר טכנולוגיות בינה מלאכותית ולמידת מכונה. לצורך כך פרסמה דארפ"א לאחרונה את תוכנית AIE.

שונות משותפת (covariance) היא המידה בה שני משתנים אקראיים שונים זה מזה; אם הערכים הגבוהים יותר של האחד תואמים בעיקר את הערכים הגבוהים של האחר, והנמוכים נוטים להארות התנהגות דומה, הרי שהשונות המשותפת היא חיובית. במצב הפוך, בו הערכים הגבוהים של משתנה אחד תואמים את הערכים הנמוכים של האחר, השונות היא שלילית. 

לפי militaryaerospace.com, הפרויקט יפתח דרכים סילומיות (סקיילביליות) להפיק מידע על שונות משותפת עבור מערכות למידת מכנה כדי לתגבר את הביצועים כאשר משלבים מספר תת-מערכות יחד. הפרויקט מעודד שימוש בגישות למידת מכונה כגון למידה עמוקה וטכניקות בייסיאניות (Bayesian).

החוקרים בדארפ"א מעוניינים לדעת האם השונות המשותפת הנובעת ממערכת למידת מכונה יכולה לשקף מידע על שונות משותפת בחיישנים ובסביבה. 

המטרה להעריך אם מדעני המחשב מסוגלים לפתח תת-מערכות למידת מכונה בצורה היררכית כדי להגביר את הידוק של ההסקה? האם אינטגרטורים של מערכות יכולים לשלב מערכות אלה של למידת מכונה עם הערכה מבוססת-סטטיסטיקה (כמו מסנני Kalman) כדי לצמצם את הטעויות?

תוכנית AIE היא אחד האלמנטים המרכזיים של אסטרטגיית ההשקעה הרחבה יותר של דארפ"א בנושא הבינה המלאכותית, שתאפשר להבטיח כי ארה"ב תשמור על היתרון הטכנולוגי שלה בתחום קריטי זה. השקעות קודמות של סוכנות המחקר דארפ"א בבינה מלאכותית אפשרו את קידום ה"גל הראשון" (המבוסס חוקים) וה"גל השני" (המבוסס למידה סטטיסטית) של טכנולוגיות בינה מלאכותית, כך לפי sam.gov.