Ανδρέας Χελάντερ, Διευθύνων Σύμβουλος και Συνιδρυτής της Scaleout Systems – Σειρά Συνεντεύξεων

Ανδρέας Χελάντερ είναι ο Διευθύνων Σύμβουλος και συνιδρυτής της Scaleout Systems, μια εταιρεία που κατασκευάζει υποδομή για την τεχνητή νοημοσύνη και τη διαμοιραζόμενη μάθηση που εκπαιδεύει μοντέλα σε κατανεμημένα, ευαίσθητα δεδομένα χωρίς να τα κεντρίζει. Η εταιρεία του έχει συνεργαστεί με το ΝΑΤΟ και αμυντικές εταιρείες όπως η BAE Systems. Κάνει διδάκτορα στο Επιστημονικό Υπολογισμό και κάτοχος του μεταπτυχιακού τίτλου στη Βιοτεχνολογία και έχει την θέση του Αναπληρωτή Καθηγητή στο Πανεπιστήμιο του Ουψάλα, όπου είχε δημιουργήσει одну από τις κορυφαίες ερευνητικές ομάδες στο Τμήμα Πληροφορικής πριν ιδρύσει την Scaleout.

Ιδρύσατε την Scaleout μετά από χρόνια ερευνών στο κατανεμημένο υπολογισμό, την υποδομή του cloud και τον επιστημονικό υπολογισμό στο Πανεπιστήμιο του Ουψάλα. Ποια ήταν η στιγμή που συνειδητοποιήσατε ότι η διαμοιραζόμενη μάθηση και η τεχνητή νοημοσύνη στα περιθώρια χρειαζόταν να ξεπεράσει την ακαδημαϊκή σφαίρα και να γίνει εμπορική πλατφόρμα;

Χρόνια ερευνών σε μεγάλης κλίμακας κατανεμημένα συστήματα έκαναν μια cosa όλο και πιο σαφή: καθώς η μηχανική μάθηση άρχισε να δείχνει πραγματική υπόσχεση σε διάφορους τομείς, η εφαρμογή της με υπευθυνότητα απαιτούσε την επίλυση του προβλήματος των δεδομένων πρώτα. Για πολλές οργανώσεις, τα πιο πολύτιμα δεδομένα απλά δεν μπορούν να κεντριστούν, είτε για ρυθμιστικούς, πρακτικούς ή ασφαλείας λόγους. Η διαμοιραζόμενη μάθηση προέκυψε ως ερευνητική απάντηση σε αυτό το περιορισμό. Το λογισμικό μας για τη διαμοιραζόμενη μάθηση ξεκίνησε ως ερευνητικό πρωτότυπο στο Πανεπιστήμιο του Ουψάλα και σε κάποιο σημείο έγινε σαφές ότι η ώρα ήταν σωστή για να το πάρουμε παραπέρα. Η υποδομή για να κάνει την μηχανική μάθηση ασφαλή και ασφαλή για ευαίσθητα δεδομένα δεν υπήρχε σε καμία παραγωγική μορφή, και αισθανόμαστε ότι ήμαστε καλά τοποθετημένοι για να το χτίσουμε. Η Scaleout ιδρύθηκε για να το κάνει.

Η συνεργασία της Scaleout με την AI Verse συνδυάζει τη σύνθεση δεδομένων πεδίου μάχης με τη διαμοιραζόμενη μάθηση στα περιθώρια. Πώς βλέπετε ότι αυτό θα αλλάξει τον τρόπο που αναπτύσσονται τα αμυντικά συστήματα τεχνητής νοημοσύνης σε σύγκριση με τις παραδοσιακές προσεγγίσεις που βασίζονται σε κεντρικά σύνολα δεδομένων;

Παραδοσιακά, η προσέγγιση έχει sido να συλλέγουν δεδομένα πεδίου, να τα στείλουν κεντρικά, να εκπαιδεύσουν, να αναπτύξουν. Κάθε στάδιο εισάγει ένα nút. Συνεργαστήκαμε με την AI Verse, μια εταιρεία συνθετικών δεδομένων που υποστηρίζεται από το ΝΑΤΟ, για να αφαιρέσουμε μεγάλο μέρος του πρώτου εμπόδιου. Η πλατφόρμα GAIA της AI Verse γεννάει φωτογραφικές, πλήρως αναγνωρισμένες εικόνες RGB και IR με αίτηση, αφαιρώντας την ανάγκη για συλλογή πεδίου, χειροκίνητη ετικέτα και μακρές περιόδους αναμονής. Η Scaleout αφαιρεί το εμπόδιο της εκπαίδευσης στο άλλο άκρο. Μόλις αναπτυχθεί, τα μοντέλα βελτιώνονται συνεχώς από ζωντανούς δεδομένους στα περιθώρια χωρίς να κεντρίζουν τίποτα. Το συνδυασμένο αποτέλεσμα είναι ότι οι οργανώσεις μπορούν να πάνε από κανένα μοντέλο σε ένα αναπτυγμένο, βελτιωμένο μοντέλο χωρίς να αγγίξουν ποτέ ευαίσθητα δεδομένα.

Μια από τις μεγαλύτερες προκλήσεις στα αμυντικά συστήματα τεχνητής νοημοσύνης είναι ότι οι συνθήκες πεδίου μάχης εξελίσσονται γρηγορότερα από τους κύκλους εκπαίδευσης. Πώς μπορεί η μάθηση στα περιθώρια να βοηθήσει τα αμυντικά συστήματα να προσαρμοστούν σε νέους drones, οχήματα και απειλές χωρίς να περιμένουν την κεντρική επαναεκπαίδευση;

Η μηχανική μάθηση για την ανίχνευση drones και την επιτήρηση σήμερα εκπαιδεύεται κεντρικά, αναπτύσσεται μια φορά και στη συνέχεια χαλάει. Η κεντρική επαναεκπαίδευση είναι μια διαδικασία batch που περιλαμβάνει τη συλλογή δεδομένων, την ετικέτα, την επαναεκπαίδευση του μοντέλου, τον έλεγχο και στη συνέχεια την αναπτύξή του. Αυτός ο κύκλος διαρκεί εβδομάδες ή μήνες. Εν τω μεταξύ, τα μοντέλα ανίχνευσης χαλάνε καθώς οι εποχές, οι αισθητήρες, τα περιβάλλοντα και οι τακτικές των αντιπάλων αλλάζουν.

Η μάθηση στα περιθώρια κλείνει τον κύκλο στην πηγή. Κάθε τοποθεσία τρέχει ανίχνευση σε ζωντανούς ροές αισθητήρων ενώ ταυτόχρονα φιλτράρει τα πιο χρήσιμα кадράκια για εκπαίδευση μέσω ενεργού μάθησης. Ένα έδαφος σε ένα πεδίο δοκιμών που συναντά ένα νέο τύπο drone σηματοδοτεί τις αβέβαιες ανιχνεύσεις, οι αναλυτές αναθεωρούν μια 큐 rather niż τεράμπαϊτ raw βίντεο, η τοπική εκπαίδευση τρέχει στην τοποθεσία και το βελτιωμένο μοντέλο επιστρέφεται στην παραγωγή μέσα σε ημέρες. Η διαμοιραζόμενη μάθηση στη συνέχεια μεταφέρει αυτήν τη βελτίωση σε όλα τα sites.

Πολλλά συστήματα τεχνητής νοημοσύνης εξακολουθούν να εξαρτώνται βαθιά από την υποδομή του cloud. Γιατί πιστεύετε ότι το μέλλον της αμυντικής τεχνητής νοημοσύνης θα μετατοπιστεί όλο και περισσότερο προς τις κατανεμημένες και αποσυνδεμένες περιβάλλοντα αντί για τις κεντρικές αρχιτεκτονικές cloud;

Υπάρχουν τρεις δομικοί λόγοι για αυτό. Πρώτον, τα όρια ταξινόμησης σημαίνουν ότι τα δεδομένα των αισθητήρων δεν μπορούν να αφήσουν την τοποθεσία. Δεύτερον, τα αμφισβητούμενα περιβάλλοντα σημαίνουν ότι ο σύνδεσμος δικτύου δεν μπορεί να υποτεθεί. Και τελικά, ένα μοντέλο που απαιτεί σύνδεση cloud για να λειτουργήσει είναι ένα σημείο αποτυχίας σε ακριβώς το περιβάλλον που είναι πιο απαραίτητο. Αυτά δεν είναι προτιμήσεις, είναι περιορισμοί που αποκλείουν τις αρχιτεκτονικές cloud-πρώτα πριν ακόμη ξεκινήσουν.

Η συνθετική δεδομένων γίνεται ένα σημαντικό εργαλείο για την ανάπτυξη της τεχνητής νοημοσύνης. Σε αμυντικές εφαρμογές, όπου η ακρίβεια μπορεί να έχει ζωτικής σημασίας συνέπειες, ποια είναι τα πλεονεκτήματα και οι περιορισμοί της χρήσης συνθετικών δεδομένων πεδίου μάχης για την εκπαίδευση μοντέλων μηχανικής μάθησης;

Η συνθετική δεδομένων προσφέρει beberapa σημαντικά πλεονεκτήματα. Μπορεί να γεννήσει σενάρια που είναι αδύνατο ή άσκοπο να συλλέξουν στο πεδίο, για παράδειγμα, σπάνια κλάση απειλών, IR, αντίθετες συνθήκες και ακριβείς γεωμετρίες αισθητήρων. Επίσης, αφαιρεί την χειροκίνητη ετικέτα, τον κίνδυνο δεδομένων και μπορεί να κλιμακωθεί αμέσως.

Ταυτόχρονα, υπάρχουν περιορισμοί. Το χάσμα συνθετικής-πραγματικής είναι πραγματικό και ποικίλλει ανά σενάριο. Λεπτομέρειες που καθορίζουν την ταξινόμηση απειλών μπορεί να μην μεταφερθούν εκτός αν η πιστότητα της προσομοίωσης είναι υψηλή. Η ειλικρινής θέση είναι ότι η συνθετική δεδομένων είναι ένα ισχυρό μηχανισμό εκκίνησης και γεμίζει κενά που η συλλογή πεδίου δεν μπορεί να γεμίσει, αλλά δεν αντικαθιστά ζωντανούς δεδομένους για την τελική απόδοση του μοντέλου. Αυτός είναι ο λόγος για τον οποίο η διαδικασία συνδυάζει και τα δύο.

Η Scaleout έχει περάσει χρόνια αναπτύσσοντας τεχνολογίες διαμοιραζόμενης μάθησης που επιτρέπουν στις οργανώσεις να εκπαιδεύουν την τεχνητή νοημοσύνη χωρίς να μεταφέρουν ευαίσθητα δεδομένα. Ποια μαθήματα από την υγεία, την βιομηχανική τεχνητή νοημοσύνη και άλλους ρυθμιζόμενους τομείς αποδεικνύονται τώρα χρήσιμα στις αμυντικές αναπτύξεις;

Όταν η μηχανική μάθηση άρχισε να εφαρμόζεται σε ρυθμιζόμενους τομείς, μια κοινή τάση προέκυψε. Τα δεδομένα που θα βελτίωναν περισσότερο τα μοντέλα ήταν επίσης τα δεδομένα που δεν μπορούσαν να μεταφερθούν.

Η αντιμετώπιση αυτού απαιτούσε περισσότερο από υψηλής ποιότητας αλγορίθμους, απαιτούσε υποδομή που έκανε τη διαμοιραζόμενη μάθηση ασφαλή, ελέγξιμη και κυβερνήσιμη. Αυτό που αυτό το έργο ανέδειξε ήταν η σημασία των αυστηρών ιχνηλατών, της πρόκλησης της ποιότητας και της επιλογής δεδομένων όταν δεν μπορείτε να δείτε το πλήρες σύνολο δεδομένων κεντρικά, και το ερώτημα του αν οι ενημερώσεις μοντέλων θα μπορούσαν να διαρρεύσουν πληροφορίες για τα δεδομένα εκπαίδευσης. Αυτή η τελευταία ανησυχία οδήγησε στο LeakPro, το ανοιχτό framework ελέγχου ιδιωτικότητας. Τα υποκείμενα προβλήματα ευαίσθητων δεδομένων, κατανεμημένων περιβαλλόντων και απαιτήσεων κυβερνήσεων μεταφράζονται直接 στο αμυντικό τομέα – ακόμη και αν οι συγκεκριμένοι περιορισμοί διαφέρουν.

Το ΝΑΤΟ και οι συμμαχικές χώρες εστιάζουν ολοένα και περισσότερο στην τεχνολογική κυριαρχία. Βλέπετε τη διαμοιραζόμενη μάθηση να γίνεται μια στρατηγική ικανότητα που επιτρέπει στις συμμαχικές χώρες να συνεργαστούν στην ανάπτυξη της τεχνητής νοημοσύνης χωρίς να μοιράζονται ευαίσθητα δεδομένα;

Ναι, και αυτό ήδη συμβαίνει. Το πρόγραμμα FEDAIR στο πλαίσιο του ΝΑΤΟ DIANA είναι μια άμεση δοκιμή του αν οι συμμαχικές χώρες μπορούν να βελτιώσουν από κοινού την κοινή ικανότητα τεχνητής νοημοσύνης χωρίς να ανταλλάσσουν ταξινομημένα δεδομένα αισθητήρων. Η αρχιτεκτονική απαντάει ότι ναι. Κάθε χώρα εκπαιδεύει στα δικά της δεδομένα, συνεισφέρει ενημερώσεις βαρών σε ένα κοινό σημείο συλλογής και λαμβάνει ένα βελτιωμένο παγκόσμιο μοντέλο. Κανένα сыρό δεδομένα δεν διασχίζει εθνικά σύνορα.

Η κυριαρχία εδώ σημαίνει περισσότερα από την προστασία δεδομένων. Σημαίνει να παραμείνει πλήρως υπό έλεγχο του κύκλου ζωής της τεχνητής νοημοσύνης με την ικανότητα να αναπτύξει οποιοδήποτε μοντέλο σε οποιοδήποτε ροή αισθητήρων και να χρησιμοποιήσει τα δεδομένα που κατέχει για να βελτιώσει συνεχώς τα μοντέλα του. Αυτό απαιτεί να αντισταθείς στην κλειδώματος, συμπεριλαμβανομένης της υποδομής αεροπορικής σύνδεσης, της πλήρους προέλευσης μοντέλων και της ολοκληρωμένης ολοκλήρωσης αισθητήρων. Αυτές οι ιδιότητες είναι δομικές, όχι συμβατικές, και αυτή η διάκριση έχει σημασία στις αγορές.

Τα συστήματα αντί-дрων είναι μια από τις πιο σημαντικές εφαρμογές της τεχνητής νοημοσύνης στον σύγχρονο πόλεμο. Ποια τεχνικά εμπόδια πρέπει ακόμη να υπερβηθούν πριν τα συστήματα αντί-дрων που βασίζονται στην τεχνητή νοημοσύνη λειτουργήσουν αξιόπιστα σε διάφορα και ταχέως μεταβαλλόμενα περιβάλλοντα μάχης;

Από την άποψή μας, οι τεχνικές προκλήσεις στην τεχνητή νοημοσύνη αντί-дрων φαίνονται σημαντικές και είναι πιθανό να υποτιμούνται. Το τοπίο αισθητήρων μόνο είναι σύνθετο. Διαφορετικές-modalities αισθητήρων παράγουν διαφορετικά χαρακτηριστικά δεδομένων, και ένα μοντέλο που εκπαιδεύτηκε σε ένα μπορεί να μην μεταφερθεί καθαρά σε ένα άλλο. Η ποικιλία απειλών ενισχύει αυτό. Η εξάπλωση των χαμηλού κόστους εμπορικών πλατφορμών σημαίνει ότι ο πληθυσμός των αντικειμένων που ένα σύστημα πρέπει να ανιχνεύσει και να ταξινομήσει επεκτείνεται γρηγορότερα από ό,τι τα περισσότερα σύνολα δεδομένων μπορούν να ακολουθήσουν.

Πέρα από τις καθαρές προκλήσεις της μηχανικής μάθησης, υπάρχει ένα αρχιτεκτονικό ερώτημα που φαίνεται σημαντικό: ποιος κατέχει και ελέγχει το μοντέλο, και ποιος μπορεί να το ενημερώσει; Συστήματα που εξαρτώνται από το κλειστό μοντέλο και τον κύκλο ενημέρωσης ενός προμηθευτή κληρονομούν τις περιορισμοί του προμηθευτή. Η ικανότητα να προσαρμόσετε τα μοντέλα στα δικά σας δεδομένα, στην δική σας υποδομή, στον δικό σας χρόνο, φαίνεται σαν προϋπόθεση για αξιόπιστη μακροχρόνια απόδοση αντί για μια προαιρετική λειτουργία.

Όπως ο πόλεμος γίνεται όλο και περισσότερο αυτόνομος και η τεχνητή νοημοσύνη βοηθά τις αποφάσεις, πώς πρέπει οι αμυντικές οργανώσεις να ισορροπήσουν τη συνεχής μάθηση στο πεδίο με την ανάγκη για αξιοπιστία, προβλέψιμη και ανθρώπινη εποπτεία;

Η πλατφόρμα σχεδιάστηκε ως πλευρική στην υφιστάμενη διοίκηση και έλεγχο, όχι ως αντικατάσταση. Ανιχνεύσεις τροφοδοτούν στο Tactical Assault Kit (TAK) και στα τυπικά συστήματα διοίκησης και ελέγχου (C2) χρησιμοποιώντας τυποποιημένα μορφότυπα και πρωτόκολλα δεδομένων, επιτρέποντας να οπτικοποιηθούν και να ενεργηθούν μέσα στα υπάρχοντα επιχειρησιακά ροές εργασίας. Η τεχνητή νοημοσύνη ενισχύει την ανθρώπινη λήψη αποφάσεων αντί να την αντικαθιστά.

Στην πλευρά του μοντέλου, η συνεχής δεν σημαίνει ανέλεγκτη. Κάθε ενημέρωση επικυρώνεται έναντι ενός συνόλου αναφοράς πριν από την προώθηση, οι оперάτορες εγκρίνουν τις εκδόσεις μοντέλων πριν από την ανάπτυξη και η σκιώδης ανάπτυξη επιτρέπει σε μια νέα έκδοση να τρέξει παράλληλα πριν αντικαταστήσει την παραγωγή. Η ιχνηλάτης καταγράφει ποια έκδοση τρέχει όπου και τι έδειξε. Ο κύκλος βελτίωσης είναι συστηματικός και κυβερνάται, όχι αυτόματος και ανέλεγκτος.

Κοιτάζοντας μπροστά πέντε χρόνια, τι θα διακρίνει τις πιο προηγμένες αμυντικές αρχιτεκτονικές τεχνητής νοημοσύνης από αυτές που αναπτύσσονται σήμερα, και ποια τεχνολογίες πιστεύετε ότι θα έχουν την μεγαλύτερη επίδραση στις μελλοντικές αμυντικές ικανότητες;

Η τρέχουσα διαίρεση είναι μεταξύ συστημάτων που μπορούν να προσαρμοστούν στο πεδίο και εκείνων που δεν μπορούν. Τα περισσότερα αναπτυγμένα συστήματα σήμερα είναι στατικά. Σε πέντε χρόνια, ο διαφοροποιητής θα είναι πόσο καλά η προσαρμογή κυβερνάται, ποια έκδοση ποίου μοντέλου τρέχει σε ποια πλατφόρμα, διαμορφωμένη από ποια δεδομένα, υπό ποιες συνθήκες, και αν αυτή η αλυσίδα μπορεί να ελεγχθεί, να επικυρωθεί και να εμπιστευθεί από τους оперάτορες και τις αγορές.

Η υποκείμενη μηχανική μάθηση θα γίνει εμπορική. Η υποδομή για τη διατηρούμενη, συνεχή μάθηση στα περιθώρια, ειδικά σε συμμαχικά δίκτυα όπου κάθε χώρα πρέπει να διατηρεί την κυριαρχία над τα δικά της δεδομένα, δεν θα γίνει. Οι χώρες και τα προγράμματα που χτίζουν αυτήν την υποδομή τώρα θα έχουν ένα συσσώρευτικό πλεονέκτημα: μοντέλα που συνεχίζουν να βελτιώνονται από δεδομένα, υπό εθνικό έλεγχο, χωρίς να εξαρτώνται από τον κύκλο ενημέρωσης οποιουδήποτε προμηθευτή ή την διαθεσιμότητα οποιουδήποτε παρόχου cloud.

Ευχαριστούμε για τη μεγάλη συνέντευξη, οι αναγνώστες που επιθυμούν να μάθουν περισσότερα πρέπει να επισκεφθούν την Scaleout Systems.