Andreas Hellander, Scaleout Systemsin CEO ja Co-Founder – Haastattelu

Andreas Hellander on Scaleout Systemsin CEO ja co-perustaja, Scaleout Systems on yritys, joka rakentaa infrastruktuuria reunan älykkyydelle ja federoidulle oppimiselle, joka kouluttaa malleja jakautuneilla, herkillä tiedoilla ilman niiden keskittämistä. Hänen yrityksensä on työskennellyt Naton ja puolustusalan yritysten, kuten BAE Systemsin, kanssa. Hänellä on filosofian tohtorin tutkinto tieteellisestä laskennasta ja maisterin tutkinto biotekniikan insinööritieteestä, ja hän on apulaisprofessori Uppsalan yliopistossa, jossa hän perusti yhden parhaista tutkimusryhmistä tietotekniikan laitoksella ennen Scaleoutin perustamista.

Perustit Scaleoutin vuosien tutkimuksen jälkeen jakautuneista laskenta- ja pilvi-infrastruktuureista sekä tieteellisestä laskennasta Uppsalan yliopistossa. Mikä oli se hetki, jolloin ymmärsit, että federoidun oppimisen ja reunan älykkyyden on siirryttävä akateemisesta maailmasta kaupalliseksi alustoiksi?

Vuosien tutkimus suurista jakautuneista järjestelmistä osoitti yhden asian yhä selvemmin: kun koneoppiminen alkoi näyttää lupaavaa tuloksia eri aloilla, sen soveltaminen vastuullisesti edellytti ensin datan ongelman ratkaisemista. Monille organisaatioille arvokkaimmat tiedot eivät voi koskaan olla keskitettyjä, joko säädösten, käytännön tai turvallisuuden vuoksi. Federoidun oppimisen kehittyi tutkimusvastauksena tähän rajoitteeseen. Federoidun oppimisen ohjelmistomme alkoi tutkimusprototyypinä Uppsalan yliopistossa, ja jossain vaiheessa selvisi, että oikea aika ottaa se eteenpäin. ML:n turvalliseksi ja luotettavaksi tekemiseen herkillä tiedoilla ei ollut olemassa tuotantovalmiita infrastruktuureja, ja meistä tuntui, että olimme hyvin asemissa rakentamaan sen. Scaleout perustettiin tekemään sitä.

Scaleoutin yhteistyö AI Versen kanssa yhdistää synteettisen taistelukenttädatan generoinnin federoidun oppimisen kanssa taktisen reunan. Miten näet tämän muuttavan sotilasjärjestelmien kehittämistä perinteisten lähestymistapojen sijaan, jotka nojaavat keskitettyihin tietokantoihin?

Perinteisesti lähestymistapa on ollut kerätä operatiivisia kuvamateriaaleja, lähettää ne keskuspaikkaan, kouluttaa, uudelleenjulkaista. Jokainen vaihe esittää pullonkaulan. Yhteistyössä AI Versen, Naton tukeman synteettisen datan yrityksen, kanssa poistamme suuren osan ensimmäisestä esteestä. AI Versen GAIA-alusta luo fotorealistisia, täysin annotoituja RGB- ja IR-kuvia tarpeen mukaan, poistaa tarpeen kenttäkeruukselle, manuaaliselle merkinnälle ja pitkille odotusajoille. Scaleout poistaa koulutuksen pullonkaulan toisessa päässä. Kun mallit on käyttöönotettu, ne paranevat jatkuvasti live-reunan tiedoista ilman keskittämistä. Yhdistetty vaikutus on, että organisaatiot voivat siirtyä mallittomasta tilasta käyttöönotetusta, paranevasta mallista ilman koskettamista rajoitettuihin operatiivisiin tietoihin.

Yksi suurimmista haasteista puolustusjärjestelmissä on, että taistelukenttäolosuhteet kehittyvät nopeammin kuin koulutusjakso. Miten reunapohjainen oppiminen auttaa sotilasjärjestelmiä sopeutumaan uusiin drooneihin, ajoneuvoihin ja uhkiin ilman odottamista keskitetyn uudelleenkoulutuksen?

Tietokoneen näkeminen vastaanottaa UAS:ää ja ISR:ää tänään yleensä koulutetaan keskuspaikassa, käyttöönotetaan kerran ja sitten vanhenee. Keskuspaikan uudelleenkoulutus on eräprosessi, joka sisältää tietojen keräämisen, niiden merkinnän, mallin uudelleenkoulutuksen, testaamisen ja uudelleenjulkaisun. Tämä prosessi kestää viikkoja tai kuukausia. Samalla havaintomallit heikkenevät, kun vuodenaikaiset, anturit, ympäristöt ja vihollisen taktiikat muuttuvat.

Reunapohjainen oppiminen sulkee silmukan lähteessä. Kunkin sivun suorittaa reaaliaikaisen havainnon live-anturivirroissa samalla, kun se suodattaa ulos käytännöllisimmät kehykset koulutukseen aktiivisen oppimisen kautta. Maanpäällinen solmu testiradalla, joka kohtaa uuden droonityypin, merkitsee epävarmat havainnot, annotaattorit tarkastavat kuraattorin jonon sijaan teratavista raakavideota, paikallinen hienosäätö suoritetaan paikan päällä, ja parannettu malli on takaisin tuotannossa muutamassa päivässä. Federoidun oppimisen kautta parannus leviää kaikkiin sivuihin.

Monet älykkäät järjestelmät riippuvat edelleen voimakkaasti pilvi-infrastruktuurista. Miksi uskot, että puolustusjärjestelmien tulevaisuus siirtyy yhä enemmän hajautetuksi ja irrotetuksi ympäristöihin keskitettyjen pilvi-arkkitehtuureiden sijaan?

On kolme rakenteellista syytä tähän. Ensinnäkin, luokittelurajat tarkoittavat, että operatiiviset anturitiedot eivät voi jättää paikkaa. Toiseksi, kiistellyt ympäristöt tarkoittavat, että verkkoyhteys ei voida olettaa. Ja lopulta, malli, joka vaatii pilviyhteyden toiminnassa, on yksittäinen virheen lähde juuri siinä ympäristössä, jossa se on eniten tarpeen. Nämä eivät ole mieltymyksiä, vaan rajoitukset, jotka disqualifioivat pilvipohjaiset arkkitehtuuri ennen kuin ne alkavat.

Synteettinen data on tullut tärkeäksi työkaluksi älykkään kehitykselle. Puolustussovelluksissa, joissa tarkin tarkkuus voi olla elämän ja kuoleman välillä, mitkä ovat synteettisen taistelukenttädatan vahvuudet ja rajoitukset kouluttaa tietokoneen näkemismalleja?

Synteettinen data tarjoaa useita tärkeitä etuja. Se voi luoda skenaarioita, jotka ovat mahdottomia tai käytännössä mahdollisia kerätä kentältä, esimerkiksi harvinaisia uhkia, IR, epäsuotuisia olosuhteita ja tarkkoja anturigeometrioita. Se poistaa myös manuaalisen merkinnän, operatiivisen datan riskin, ja se voidaan skaalata välittömästi.

Samalla on rajoituksia. Synteettinen-todellinen aukko on olemassa, ja se vaihtelee skenaariosta riippuen. Yksityiskohtaiset yksityiskohdat, jotka määräävät uhka-luokan, eivät välttämättä siirry, joskaan simulaation uskottavuus ei ole korkea. Rehellinen kanta on, että synteettinen data on vahva kylmäkäynnistysmekanismi ja täyttää aukkoja, joita kenttäkeräys ei voi rakenteellisesti täyttää, mutta se ei korvaa live-operatiivisia tietoja lopullisen mallin suorituskyvylle. Siksi putki yhdistää molemmat.

Scaleout on viettänyt vuosia kehittämään federoidun oppimisen teknologioita, jotka sallivat organisaatioille kouluttaa älykkäitä ilman herkkien tietojen siirtämistä. Mitkä oppitunnit terveydenhuollosta, teollisesta älykkäästä ja muista säädellyistä aloista ovat nyt osoittautuneet arvokkaiksi puolustusjärjestelmien käyttöönotossa?

Kun koneoppiminen alkoi soveltaa säädeltyjä aloja, yleinen malli tuli esiin. Tiedot, jotka parantaisivat eniten malleja, olivat myös tiedot, joita ei voitu siirtää.

Sen käsittely vaati enemmän kuin korkealaatuisia algoritmeja, se vaati infrastruktuuria, joka teki jakautuneen oppimisen turvalliseksi, tarkastettavaksi ja hallittavaksi. Mikä tahansa työ paljasti tärkeän auditin jäljen, haasteen datan laadun ja valinnan, kun et voi nähdä koko keskitettyä tietojoukkoa, ja kysymyksen, voivatko mallipäivitykset itse asiassa vuotaa tietoja koulutusdatasta. Viimeksi mainittu huolenaihe johti LeakProomme, avoimeen lähdekoodiin perustuvaan yksityisyyden tarkastuskehykseen. Perusongelmat herkillä tiedoilla, jakautuneilla ympäristöillä ja hallintavaatimusten kanssa kääntyvät suoraan puolustukseen – vaikka tarkat rajoitukset eroavat.

Nato ja liittoutuneet valtiot keskittyvät yhä enemmän teknologiseen suvereniteettiin. Näetkö federoidun oppimisen strategisena kyvynä, joka sallii liittoutuneille valtiolle yhteistyön älykkään kehittämisessä ilman herkkien operatiivisten tietojen jakamista?

Kyllä, ja tämä on jo tapahtumassa. FEDAIR-ohjelma Naton DIANA-alalla on suora testi siitä, voivatko liittoutuneet valtiot yhdessä parantaa jaettua älykästä kykyä ilman luokan mukaan jaettavien operatiivisten tietojen vaihtamista. Arkkitehtuuri vastaa myöntävästi. Kunkin valtion koulutus tapahtuu omilla tiedoilla, painotiedot siirretään jaettuun keräämispisteeseen, ja parannettu globaali malli vastaanotetaan. Mikään raakadata ei ylittää kansallisia rajoja.

Suvereniteetti tarkoittaa tässä enemmän kuin vain tietosuojaa. Se tarkoittaa pysymistä täysin älykkään elinkaaren hallinnassa, mahdollisuutta käyttää mitä tahansa mallia mihin tahansa anturivirtaan ja käyttää omia tietoja jatkuvasti parantamaan malleja. Se vaatii vastustamista lukitukselle, mukaan lukien ilman yhteyttä toimiva infrastruktuuri, täydellinen mallin alkuperä, ja toimittajaneutraali anturin integrointi. Nämä ominaisuudet ovat rakenteellisia, ei sopimukseen perustuvia, ja tämä ero on tärkeä hankinnassa.

Counter-drone-järjestelmät ovat yksi tärkeimmistä älykkäiden sovelluksista modernissa sodankäynnissä. Mitkä tekniset esteet on vielä voitettava, jotta älykkäät vastadroni-alustat voivat toimia luotettavasti moninaisissa ja nopeasti muuttuvissa taisteluympäristöissä?

Näkökulmastamme counter-drone-älykkään haasteet näyttävät merkittäviltä ja ovat todennäköisesti aliarvioituja. Anturimaisema yksin on monimutkainen. Eri anturimoodit tuottavat erilaisia tietojen ominaisuuksia, ja malli, joka on koulutettu toisella, ei siirry puhdasti toiselle. Uhkauskertymä lisää tätä. Edullisten kaupallisten alustojen leviäminen tarkoittaa, että objekteja, joita järjestelmän on havaittava ja luokiteltava, on kasvamassa nopeammin kuin koulutusjoukkoja voidaan seurata.

Lisäksi puhtaasti älykkäisiin haasteisiin, on arkkitehtoninen kysymys, joka näyttää tärkeältä: kuka omistaa ja hallinnoi mallia, ja kuka voi päivittää sitä? Järjestelmät, jotka riippuvat toimittajan suljetusta mallista ja päivitysjaksoista, perivät toimittajan rajoitukset. Kyky sopeuttaa malleja omiin operatiivisiin tietoihin, omalla infrastruktuurillasi, omalla aikataulullasi, näyttää ennakoidusta pitkäaikaisesta suorituskyvystä, eikä se ole valinnainen ominaisuus.

Kun sodankäynti yhä enemmän käyttää autonomisia järjestelmiä ja älykkäitä päätöksentekijöitä, miten sotilasjärjestelmien on tasapainotettava jatkuva oppiminen kenttässä luotettavuuden, ennustettavuuden ja ihmisen valvonnan tarpeen kanssa?

Alusta on suunniteltu olemassa olevan komento- ja valvontajärjestelmän rinnalla, ei sen korvaajaksi. Havainnot syötetään Tactical Assault Kit (TAK) ja standardiin Command and Control (C2) -järjestelmään standardisoiduilla dataformaatteilla ja protokollilla, mahdollistaen niiden visualisoinnin ja toiminnan olemassa olevissa operatiivisissa työvirroissa. Älykkyys parantaa ihmisen päätöksentekoa, eikä korvaa sitä.

Mallin puolesta, jatkuva ei tarkoita hallitsematonta. Jokainen päivitys on validoitava benchmark-ryhmään ennen edistystä, operaattorit hyväksyvät malliversiot ennen laivueen käyttöönottoa, ja varjokäyttöönotto sallii uuden version suorittamisen rinnakkain ennen korvaamista tuotannossa. Auditin jälki tallentaa, mikä versio suoritettiin missä ja mitä se näytti. Parannuskierto on systemaattinen ja hallittu, ei automaattinen ja tarkkailematon.

Katsomalla eteenpäin viisi vuotta, mitkä ovat tärkeimmät erot puolustusjärjestelmien älykkäiden arkkitehtuureiden ja nykyisin käyttöönotetuissa järjestelmissä, ja mitkä teknologiat uskot vaikuttavat eniten tuleviin puolustuskykyihin?

Nykyinen ero on järjestelmien välillä, jotka voivat sopeutua kenttässä ja niiden, jotka eivät voi. Useimmat käyttöönotetut järjestelmät tänään ovat statisia. Viiden vuoden kuluttua erottaja on, kuinka hyvin sopeutuminen on hallittu, mikä versio mitä mallia suoritettiin, millä alustalla, millaisilla tiedoilla, missä olosuhteissa ja voidaanko se auditi, validoida ja luottaa operaattoreiden ja hankinnan osalta.

Perimmäinen älykkyys tulee yleistyä. Infrastruktuuri hallitulle, jatkuvalle oppimiselle reunassa, erityisesti liittoutuneiden verkostoissa, joissa kunkin valtion on säilyttävä suvereniteettia omiin tietoihinsa, ei. Kansalliset ohjelmat, jotka rakentavat tämän infrastruktuurin nyt, tulevat olemaan kasvava etu: mallit, jotka jatkuvasti paranevat operatiivisista tiedoista, kansallisen valvonnan alaisena, ilman riippuvuutta minkään toimittajan päivitysjaksoista tai minkään pilvipalvelun saatavuudesta.

Kiitos haastattelusta, lukijat, jotka haluavat oppia lisää, voivat vierailla Scaleout Systems-sivustolla.