أندرياس هيلاندر، الرئيس التنفيذي ومؤسس Scaleout Systems – سلسلة المقابلات

أندرياس هيلاندر هو الرئيس التنفيذي ومؤسس Scaleout Systems، وهي شركة تبني البنية التحتية للتعلم الفيدرالي والذكاء الاصطناعي على الحواف، والذي يتم تدريبه على بيانات موزعة وحساسة دون مركزية.

لقد أسست Scaleout بعد سنوات من البحث في الحوسبة الموزعة والبنية التحتية السحابية والحوسبة العلمية في جامعة أوبسالا. ما هو اللحظة التي أدركت فيها أن التعلم الفيدرالي والذكاء الاصطناعي على الحواف يحتاجان إلى الخروج من الأكاديمية وتصبح منصة تجارية؟

سنوات من البحث على الأنظمة الموزعة الكبيرة جعلت شيئًا واحدًا واضحًا بشكل متزايد: مع بداية ظهور الذكاء الاصطناعي بوعود حقيقية عبر الصناعات، تطبيقها بشكل مسؤول يتطلب حل مشكلة البيانات أولاً. بالنسبة للعديد من المنظمات، البيانات الأكثر قيمة ببساطة لا يمكن مركزية، سواء كان ذلك لأسباب تنظيمية أو عملية أو أمنية. ظهر التعلم الفيدرالي كاستجابة بحثية لهذا القيد. بدأ برنامج التعلم الفيدرالي الخاص بنا كبروتوتايب بحثي في جامعة أوبسالا وفي بعض النقاط أصبح واضحًا أن الوقت كان مناسبًا لاتخاذ خطوة أخرى. لم تكن البنية التحتية لجعل الذكاء الاصطناعي آمنًا ومأمونًا للبيانات الحساسة موجودة في أي شكل جاهز للإنتاج، وشعرنا أننا في موقع جيد لبنائها. تم تأسيس Scaleout من أجل القيام بذلك.

يشترك Scaleout مع AI Verse في توليد بيانات ميدانية اصطناعية مع التعلم الفيدرالي على الحافة التكتيكية. كيف ترى هذا التغيير في طريقة تطوير أنظمة الذكاء الاصطناعي العسكرية مقارنة بالمناهج التقليدية التي تعتمد على مجموعات بيانات مركزية؟

بشكل تقليدي، كانت المناهج هي جمع لقطات تشغيلية، وترحيلها إلى مركز، وتدريب، وإعادة نشر. كل مرحلة تroduce حواجز. قدمنا شراكة مع AI Verse، وهي شركة بيانات اصطناعية مدعومة من حلف شمال الأطلسي، لإزالة الكثير من العوائق الأولى. تقوم منصة GAIA التابعة لشركة AI Verse بتوليد صور فوتوغرافية واضحة، ومُلحقة بالكامل، وبيانات الأشعة تحت الحمراء (IR) عند الطلب، مما يزيل الحاجة إلى جمع الحقل، والتسمية اليدوية، والانتظار الطويل. يزيل Scaleout عائق التدريب في النهاية الأخرى. بمجرد النشر، يتم تحسين النماذج بشكل مستمر من البيانات الحية على الحافة دون مركزية لأي شيء. التأثير المشترك هو أن المنظمات يمكن أن تنتقل من عدم وجود نموذج إلى نموذج تم نشره وتحسينه دون لمس البيانات التشغيلية المقيدة.

أحد أكبر التحديات في الذكاء الاصطناعي الدفاعي هو أن ظروف الميدان تتطور بشكل أسرع من دورات التدريب. كيف يمكن أن يساعد التعلم على الحواف الأنظمة العسكرية على التكيف مع طائرات بدون طيار ومركبات وأخطار جديدة دون انتظار إعادة تدريب مركزية؟

الرؤية الحاسوبية للتعرف على طائرات بدون طيار والاستطلاع والمراقبة اليوم يتم تدريبها بشكل شائع في المركز، والنشر مرة واحدة، ثم تصبح قديمة. إعادة التدريب المركزية هي عملية批ية تتضمن جمع البيانات، وتسميتها، وإعادة تدريب النموذج، واختباره، ثم إعادة نشره. يستغرق هذا الدورة أسابيع أو أشهر. في غضون ذلك، تتدهور نماذج الكشف مع تغير الفصول، والمراقبة، والبيئات، وتكتيكات العدو.

يغلق التعلم على الحواف الحلقة في المصدر. لكل موقع، يتم تشغيل الكشف في الوقت الفعلي على تدفقات الحساسة الحية، وفي الوقت نفسه، يتم تصفية الإطارات الأكثر فائدة للتدريب من خلال التعلم النشط. العقدة الأرضية في مجال الاختبار التي تقابل نوعًا جديدًا من الطائرات بدون طيار، يتم وضع علامة على الكشف غير المؤكد، ويتم مراجعة قائمة منقحة من قبل المُصنّفين بدلاً من تيرابايت من الفيديو الخام، ويتم تشغيل التعدين الدقيق المحلي، ويتم إعادة نشر النموذج المُحسّن في غضون أيام. ثم يتم نشر التحسين عبر جميع المواقع من خلال التعلم الفيدرالي.

ما زالت العديد من أنظمة الذكاء الاصطناعي تعتمد بشكل كبير على البنية التحتية السحابية. لماذا تعتقد أن مستقبل الذكاء الاصطناعي الدفاعي سيتجه بشكل متزايد نحو البيئات الموزعة والمنفصلة بدلاً من البنية التحتية السحابية المركزية؟

هناك ثلاثة أسباب هيكلية لذلك. أولاً، حدود التصنيف تعني أن بيانات الحساسة التشغيلية غالبًا لا يمكن أن تغادر الموقع. ثانيًا، البيئات المتنازع عليها تعني أن وصلة الشبكة لا يمكن افتراضها. وأخيرًا، نموذج يتطلب اتصالًا سحابيًا للعمل هو نقطة فشل واحدة في بالضبط البيئة التي هو الأكثر حاجة إليها. هذه ليست تفضيلات، إنها قيود تؤهل البنية التحتية السحابية من البداية.

يصبح البيانات الاصطناعية أداة مهمة في تطوير الذكاء الاصطناعي. في التطبيقات الدفاعية، حيث يمكن أن يكون الدقة له عواقب حياة أو موت، ما هي نقاط القوة والقيود لاستخدام البيانات الاصطناعية الميدانية لتدريب نماذج الرؤية الحاسوبية؟

يقدم البيانات الاصطناعية عدة مزايا مهمة. يمكن توليد سيناريوهات غير ممكنة أو غير عملية في الحقل، مثل فئات التهديد النادرة، والأشعة تحت الحمراء، والظروف غير المستعصية، والهياكل الدقيقة للセンسور. كما يزيل التسمية اليدوية، ومخاطر البيانات التشغيلية، ويمكن توسيعها على الفور.

في الوقت نفسه، هناك قيود. الفجوة بين البيانات الاصطناعية والحقيقية حقيقية وتختلف حسب السيناريو. التفاصيل الدقيقة التي تحدد تصنيف التهديد قد لا تنتقل إلا إذا كانت دقة المحاكاة عالية. الموضع الصادق هو أن البيانات الاصطناعية هي آلية بداية قوية وتملأ الفجوات التي لا يمكن أن تملأها جمع الحقل هيكليًا، ولكنها لا تحل محل البيانات التشغيلية الحية لأداء النموذج النهائي. لذلك يتم الجمع بين البيانات.

قضت Scaleout سنوات في تطوير تقنيات التعلم الفيدرالي التي تمكن المنظمات من تدريب الذكاء الاصطناعي دون نقل البيانات الحساسة. ما هي الدروس من قطاعات الرعاية الصحية والصناعية والذكاء الاصطناعي والقطاعات الخاضعة للتنظيم التي تثبت الآن قيمتها في عمليات النشر الدفاعية؟

مع بداية تطبيق الذكاء الاصطناعي عبر الصناعات الخاضعة للتنظيم، ظهر نمط شائع. البيانات التي ستحسن النماذج هي أيضًا البيانات التي لا يمكن نقلها.

معالجة ذلك تتطلب أكثر من خوارزميات عالية الجودة، تتطلب بنية تحتية تجعل التعلم الموزع آمنًا ومراقبًا ومتحكمًا به. ما كشف عنه هذا العمل هو أهمية سجلات التدقيق الصارمة، وتحدي جودة البيانات واختيارها عندما لا يمكن رؤية مجموعة البيانات الكاملة في المركز، وسؤال ما إذا كانت تحديثات النموذج نفسها قد ت泄 معلومات عن بيانات التدريب. أدى ذلك إلى LeakPro، إطار تدقيق الخصوصية مفتوح المصدر. المشاكل الأساسية للبيانات الحساسة والبيئات الموزعة والمتطلبات الإدارية تترجم مباشرة إلى الدفاع – حتى لو اختلفت القيود المحددة.

يتركز حلف شمال الأطلسي والدول الحليفة بشكل متزايد على السيادة التكنولوجية. هل ترى التعلم الفيدرالي يصبح قدرة استراتيجية تمكن الدول الحليفة من التعاون في تطوير الذكاء الاصطناعي دون مشاركة البيانات التشغيلية الحساسة؟

نعم، وهذا يحدث بالفعل. برنامج FEDAIR تحت برنامج DIANA التابع لحلف شمال الأطلسي هو اختبار مباشر لما إذا كان يمكن للدول الحليفة تحسين القدرة المشتركة على الذكاء الاصطناعي دون تبادل بيانات حساسة. الإجابة على البنية هي نعم. كل دولة تتدرب على بياناتها الخاصة، وتساهم بتحديثات الوزن إلى نقطة تجميع مشتركة، وتستلم نموذجًا عالميًا محسّنًا. لا تتقاطع أي بيانات خام عبر الحدود الوطنية.

السيادة هنا تعني أكثر من حماية البيانات. تعني البقاء تحت السيطرة الكاملة على دورة حياة الذكاء الاصطناعي مع القدرة على نشر أي نموذج على أي تيار من البيانات الحساسة واستخدام البيانات التي تمتلكها لتحسين النماذج بشكل مستمر. يتطلب ذلك مقاومة القفل، بما في ذلك البنية التحتية القادرة على الفصل الجوي، وبرهان النموذج الكامل، وتكامل الحساسة المحايد. هذه الخصائص هيكلية، وليست عقدية، وهذا الفرق يهم في الشراء.

تظهر أنظمة مكافحة الطائرات بدون طيار كأحد أهم تطبيقات الذكاء الاصطناعي في الحرب الحديثة. ما هي العوائق الفنية التي لا تزال بحاجة إلى التغلب عليها قبل أن تعمل منصات مكافحة الطائرات بدون طيار التي تعمل بالذكاء الاصطناعي بشكل موثوق عبر بيئات قتالية متنوعة ومتغيرة بسرعة؟

من وجهة نظرنا، تتضمن التحديات الفنية في الذكاء الاصطناعي لمكافحة الطائرات بدون طيار أهمية وتحت تقدير. منفذ المناظر السنسورية وحده معقد. تنتج وسائط السنسور المختلفة خصائص بيانات مختلفة، ونموذج مدرب على واحد قد لا ينتقل بسهولة إلى آخر. يزيد تنوع التهديدات من هذا. انتشار منصات الطائرات بدون طيار التجارية منخفضة التكلفة يعني أن عدد الكائنات التي يحتاج النظام إلى كشفها وتصنيفها يتوسع بشكل أسرع من معظم مجموعات التدريب.

بeyond التحديات النقية للذكاء الاصطناعي، هناك سؤال هيكلي يبدو مهمًا: من يملك ويتحكم في النموذج، ومن يمكنه تحديثه؟ الأنظمة التي تعتمد على نموذج مقفل ومحديث من قبل البائع ترث قيود البائع. القدرة على تعديل النماذج لبياناتك التشغيلية الخاصة، على بنيتك التحتية الخاصة، في جدول زمني خاص بك، يبدو شرطًا مسبقًا للأداء الموثوق به على المدى الطويل بدلاً من ميزة اختيارية.

مع زيادة مشاركة الأنظمة الذكية والذكاء الاصطناعي المساعد في اتخاذ القرارات في الحرب، كيف يجب على المنظمات العسكرية تحقيق التوازن بين التعلم المستمر في الميدان وضرورة الموثوقية والتنبؤية والرقابة البشرية؟

تم تصميم المنصة كمركبة جانبية للقيادة والتحكم الحالية، وليست بديلاً عنها. يتم تغذية الكشف إلى Tactical Assault Kit (TAK) ونظم القيادة والتحكم (C2) المعيارية باستخدام تنسيقات بيانات وبروتوكولات معيارية، مما يتيح رؤيتها والعمل عليها في سير العمل التشغيلي الحالي. يعزز الذكاء الاصطناعي اتخاذ القرارات البشرية بدلاً من استبدالها.

على جانب النموذج، المستمر لا يعني غير الخاضع للرقابة. يتم التحقق من كل تحديث ضد مجموعة معايير قبل الترويج، ويقبل المشغلون إصدارات النموذج قبل نشرها في الأسطول، ويسمح نشر الظل بتشغيل إصدار جديد في متوازي قبل استبدال الإنتاج. تسجل سجلات التدقيق الإصدار الذي تم تشغيله وأين وأيضًا ما أظهره. دورة التحسين هي منهجية ومراقبة، وليست أوتوماتيكية وبدون رقابة.

إذا نظرت إلى الأمام لمدة خمس سنوات، ما هو ما سيميز أكثر المنصات المتقدمة للذكاء الاصطناعي العسكري عن تلك التي يتم نشرها اليوم، وأي التكنولوجيات تعتقد أنها سيكون لها أكبر تأثير على القدرات الدفاعية المستقبلية؟

الفرق الحالي هو بين الأنظمة التي يمكنها التكيف في الميدان وتلك التي لا يمكنها. معظم الأنظمة الم نشرة اليوم هي ثابتة. في غضون خمس سنوات، سيكون الفارق في كيفية حوكمة التكيف. سيكون الفارق بين الأنظمة التي يمكنها التكيف في الميدان وتلك التي لا يمكنها. سيكون التكيف هو ما يميز الأنظمة المتقدمة.

الذكاء الاصطناعي سيتوفر بسهولة. البنية التحتية للتعلم المستمر على الحواف، خاصة عبر الشبكات الحليفة حيث يجب على كل دولة الحفاظ على سيادتها على بياناتها الخاصة، لن يتوفر بسهولة. الدول والبرامج التي تبني هذه البنية الآن سيكون لديها ميزة مركبة: نماذج تتحسن باستمرار من البيانات التشغيلية، تحت السيطرة الوطنية، دون الاعتماد على دورة تحديث البائع أو إمكانية وصول مزود السحابة.

شكرًا على المقابلة الرائعة، القراء الذين يرغبون في التعلم أكثر يجب أن يزوروا Scaleout Systems.