Andreas Hellander, Scaleout Systems CEO ve Kurucu Ortağı – Röportaj Serisi

Andreas Hellander Scaleout Systems’in CEO ve kurucu ortağıdır, Scaleout Systems ise kenar AI ve federated öğrenme için altyapı oluşturan bir şirkettir. Bu şirket, merkezi olmayan veri üzerinde modelleri eğiten bir sistem geliştirmiştir. Şirket, NATO ve BAE Systems gibi savunma şirketleriyle çalışmıştır. Andreas Hellander, Bilimsel Hesaplama alanında doktora ve Biyoteknoloji Mühendisliği alanında yüksek lisans derecesine sahiptir ve Uppsala Üniversitesi’nde yardımcı profesör olarak görev yapmaktadır.

Uppsala Üniversitesi’nde dağıtılmış hesaplama, bulut altyapısı ve bilimsel hesaplama konularında yıllarca araştırma yaptıktan sonra, Scaleout’u kurmadan önce federated öğrenme ve kenar AI’nin akademiden çıkıp ticari bir platforma dönüşmesi gerektiğini fark ettiğiniz an neydi?

Dağıtılmış büyük ölçekli sistemler üzerinde yapılan yıllarca araştırma, makine öğreniminin endüstriler boyunca gerçek vaat göstermeye başladığını ve bunun için verilerin sorumlu bir şekilde uygulanması gerektiğini gösterdi. Birçok organizasyon için en değerli veriler merkezi hale getirilemez, bu da düzenleyici, pratik veya güvenlik nedenleriyle olabilir. Federated öğrenme, bu kısıtlamaya karşı bir araştırma cevabı olarak ortaya çıktı. Federated öğrenme yazılımlarımız, Uppsala Üniversitesi’nde bir araştırma prototipi olarak başladı ve bir noktada bunları daha da geliştirmek için doğru zamanın geldiğine karar verdik. Güvenli ve güvenli bir şekilde hassas verilerin öğrenilmesi için gerekli altyapı mevcut değildi ve bunu oluşturmaya hazır olduğumuzu hissettik. Scaleout, bunu yapmak için kuruldu.

Scaleout’un AI Verse ile ortaklığı, sentetik savaş alanı verisi oluşturmayı kenar öğrenmesiyle birleştiriyor. Geleneksel merkezi veri setlerine dayanmayan askeri AI sistemlerinin geliştirilmesinde bu nasıl bir değişiklik yaratacak?

Geleneksel yaklaşım, operasyonel görüntüleri toplamak, merkezi olarak göndermek, eğitmek ve yeniden dağıtmaktır. Her aşama bir engel oluşturur. AI Verse ile birlikte, sentetik veri firması GAIA platformunu kullanarak ilk engeli ortadan kaldırmayı hedefliyoruz. GAIA platformu, talebe göre fotogerçekçi, tam olarak注释lanmış kırmızı, yeşil, mavi (RGB) ve kızılötesi (IR) görüntüler oluşturur, bu da alan toplama, manuel etiketleme ve uzun bekleyiş süreleri ihtiyacını ortadan kaldırır. Scaleout, diğer ucunda eğitim engelini ortadan kaldırır. Bir kez dağıtıldıktan sonra, modeller canlı kenar verisinden sürekli olarak gelişir ve hiçbir şeyi merkezi olarak göndermez. Birleşen etki, organizasyonların hiçbir zaman kısıtlı operasyonel verisine dokunmadan, hiçbir modelden bir alana dağıtılan, gelişen bir modele sahip olmalarına olanak tanır.

Askeri AI’de en büyük zorluklardan biri, savaş alanı koşullarının eğitim döngülerinden daha hızlı gelişmesidir. Kenar tabanlı öğrenme, askeri sistemlerin yeni dronlara, araçlara ve tehditlere karşı merkezi olarak yeniden eğitilmeye gerek kalmadan adapte olmasını nasıl sağlayabilir?

Bilgisayarlı görü için karşı-UAS ve ISR bugün genellikle merkezi olarak eğitilir, bir kez dağıtılır ve sonra eskir. Merkezi yeniden eğitim, veri toplama, etiketleme, model eğitimi, test etme ve yeniden dağıtma içeren bir toplu işlemdir. Bu döngü haftalar veya aylar alır. Bu arada, algılama modelleri mevsim, sensör, çevre ve düşmanın taktiklerinin değişmesi nedeniyle bozulur.

Kenar tabanlı öğrenme, kaynağı kapatır. Her site, canlı sensör akışlarında gerçek zamanlı algılama yaparken, aynı zamanda eğitim için en yararlı çerçeveleri aktif öğrenme yoluyla filtreler. Bir test alanında yeni bir drone türünü tanımlayan bir yerdeki bir yeraltı düğümü, belirsiz algılamaları işaretler, etiketleyiciler, terabaytlarca ham video yerine bir küratörlü kuyruğu gözden geçirir, yerel ince ayar çalıştırma yerinde çalışır ve geliştirilmiş model üretimine birkaç gün içinde geri döner. Federated öğrenme, bu gelişmeyi tüm sitelere yayılır.

Çok sayıda AI sistemi hala bulut altyapısına bağımlıdır. Savunma AI’nin geleceğinin, merkezi bulut mimarilerine değil, dağıtılmış ve bağlantısız ortamlara doğru ilerleyeceğine inanmanızın nedeni nedir?

Bunun üç yapısal nedeni vardır. İlk olarak, sınıflandırma sınırları, operasyonel sensör verilerinin genellikle siteyi terk edemeyeceğini anlamına gelir. İkincisi, tartışmalı ortamlar, ağ bağlantısının varsayılamayacağı anlamına gelir. Son olarak, bulut bağlantısına ihtiyaç duyan bir model, tam da ihtiyaç duyulduğu ortamda tek bir başarısızlık noktasıdır. Bunlar tercihler değil, bulut-öncelikli mimarileri baştan dışlayan kısıtlamalardır.

Sentetik veri, AI geliştirme için önemli bir araç haline geliyor. Savunma uygulamalarında, doğruluğun yaşam veya ölüm sonuçları olabileceği durumlarda, sentetik savaş alanı verisini bilgisayar görü modellerini eğitmek için kullanmanın güçlü ve zayıf yönleri nelerdir?

Sentetik veri, beberapa önemli avantaj sağlar. Alan toplaması imkansız veya uygulamada zor olan senaryoları üretebilir, örneğin nadir tehdit sınıfları, IR, olumsuz koşullar ve kesin sensör geometrileri. Ayrıca, manuel etiketlemeyi ortadan kaldırır, operasyonel veri riskini ortadan kaldırır ve hemen ölçeklenebilir.

Ancak, sınırlamalar da vardır. Sentetik-gerçek boşluk gerçek ve senaryoya göre değişir. Tehdit sınıflandırmasını belirleyen ince ayrıntılar, simülasyon doğruluğu yüksek olmadıkça aktarılmayabilir. Açık konum, sentetik verinin güçlü bir soğuk başlatma mekanizması olduğu ve alan toplamasının yapısal olarak dolduramayacağı boşlukları doldurduğu, ancak canlı operasyonel verilerini son model performansı için değiştirmediğidir. Bu nedenle, işlem hattı her ikisini birleştirir.

Scaleout, hassas verilerin taşınmasını gerektirmeyen AI eğitimi için federated öğrenme teknolojileri geliştirmeye yıllarca odaklandı. Sağlık, endüstriyel AI ve diğer düzenlenmiş sektörlerden edinilen dersler, şimdi savunma dağıtımlarında değerli oluyor mu?

ML, düzenlenmiş endüstriler boyunca uygulanmaya başlandığında, ortak bir model ortaya çıktı. Modelleri en çok iyileştirecek veriler, aynı zamanda taşınması imkansız olan verilerdi.

Bu soruna çözüm bulmak, yalnızca yüksek kaliteli algoritmalar değil, aynı zamanda güvenli, denetlenebilir ve yönetilebilir bir altyapı gerektiriyordu. Bu çalışma, denetim izlerinin önemini, merkezi olarak tam veri kümesini göremediğinizde veri kalitesi ve seçimindeki zorluğu ve model güncellemelerinin kendilerinin eğitim verisi hakkında bilgi sızdırabileceği sorusunu ortaya çıkardı. Son endişe, açık kaynaklı gizlilik denetimi çerçevemiz LeakPro’ya yol açtı. Hassas veri, dağıtılmış ortamlar ve yönetim gereksinimleri gibi temel sorunlar doğrudan savunmaya tercüme edilir -尽管 belirli kısıtlamalar farklıdır.

NATO ve müttefik ülkeler, teknolojik egemenlik üzerinde giderek daha fazla odaklanıyor. Federated öğrenmenin, müttefik ülkelerin hassas operasyonel verilerini paylaşmadan birlikte AI geliştirmelerine olanak tanıyan bir stratejik yetenek haline geleceğini düşünüyor musunuz?

Evet, ve bu zaten oluyor. FEDAIR programı, NATO DIANA altında, müttefik ülkelerin sınıflandırılmış sensör verilerini değiştirmeden paylaşılan AI yeteneklerini gemeinsam olarak geliştirebileceklerini test ediyor. Mimarinin cevabı evet. Her ülke kendi verisi üzerinde eğitim yapar, ağırlık güncellemelerini bir paylaşılan toplama noktasına katkıda bulunur ve geliştirilmiş bir küresel model alır. Hiçbir ham veri ulusal sınırları geçmez.

Karşı-drone sistemleri, modern savaşın en önemli AI uygulamalarından biri olarak ortaya çıkıyor. AI güçlendirilmiş karşı-drone platformlarının çeşitli ve hızla değişen savaş ortamlarında güvenilir bir şekilde çalışması için masih hangi teknik engeller aşılmayı bekliyor?

Bizim bakış açımıza göre, karşı-drone AI’deki teknik zorluklar önemli ve muhtemelen küçümsenmektedir. Sensör manzarası alone komplekstir. Farklı sensör modallikleri farklı veri özellikleri üretir ve bir modelin birinden diğerine temiz bir şekilde taşınması garantisi yoktur. Tehdit çeşitliliği bu durumu daha da zorlaştırır. Düşük maliyetli ticari platformların yayılması, bir sistemin tanımlaması ve sınıflandırması gereken nesne popülasyonunun, çoğu eğitim verisi takip edebileceğinden daha hızlı büyümesine neden olur.

Saf ML zorluklarının ötesinde, kimin modeli kontrol ettiği ve kimin güncelleyebileceği konusunda bir mimari soru vardır. Kapanmış bir model ve güncelleme döngüsüne bağlı sistemler, o satıcıların kısıtlamalarını miras alır. Operasyonel verilerinize, kendi altyapınıza, kendi zaman çizelgenize göre modelleri uyarlayabilme yeteneği, uzun vadeli güvenilir performans için bir önkoşul gibi görünüyor, değilse bir özelliktir.

Askeri organizasyonlar, savaşın giderek daha fazla otonom sistemler ve AI destekli karar vermeyi içerdiği durumda, sahada sürekli öğrenmeyi güvenilirlik, öngörülebilirlik ve insan denetimi ile nasıl dengelemelidir?

Platform, mevcut komuta ve kontrolün yanı sıra, bir yerineği değil. Algılamalar, standardize edilmiş veri formatları ve protokoller kullanarak TAK ve standard C2 sistemlerine beslenir, böylece mevcut operasyonel iş akışlarında görselleştirilip eyleme geçirilebilir. AI, insan karar alma süreçlerini güçlendirir, yerine geçmez.

Model tarafında, sürekli demek kontrolsüz demek değildir. Her güncelleme, üretim öncesi bir benchmark paketi karşığında doğrulanır, operatörler model sürümlerini üretim öncesi onaylar ve gölge dağıtımı, yeni bir sürümün üretim öncesi paralel olarak çalışmasına izin verir. Denetim izi, hangi sürümün nerede çalıştığını ve ne gösterdiğini kaydeder. İyileştirme döngüsü sistemli ve yönetilen, otomatik ve kontrolsüz değildir.

Beş yıl sonrasına bakıldığında, en gelişmiş askeri AI mimarilerini bugün dağıtılanlardan ayıran nedir ve hangi teknolojilerin gelecekteki savunma yeteneklerine en büyük etkiyi yapacağını düşünüyorsunuz?

Şu anda, farklılık, sahada adapte olabilen sistemler ile olmayanlar arasındadır. Bugün dağıtılan çoğu sistem statiktir. Beş yıl içinde, farklılaştırıcı, adapte olmanın nasıl yönetildiğidir, hangi model sürümünün hangi platformda, hangi verilerle, hangi koşullarda çalıştığı ve bu zincirin operatörler ve satın alma tarafından denetlenebilir, doğrulanabilir ve güvenilir olup olmadığıdır.

Altta yatan ML, ticarileşecektir. Kenarında sürekli öğrenme altyapısı, özellikle müttefik ağlarında her ülkenin kendi verisi üzerinde egemenliğini koruması gerektiği durumlarda, ticarileşmeyecektir. Bu altyapıyı şimdi oluşturan uluslar ve programlar, biriken bir avantaj elde edeceklerdir: operasyonel verilerden sürekli olarak gelişen modeller, ulusal kontrol altında, hiçbir satıcının güncelleme döngüsüne veya hiçbir bulut sağlayıcısının erişilebilirliğine bağlı olmadan.

Harika röportaj için teşekkür ederiz, daha fazla bilgi edinmek isteyen okuyucular Scaleout Systems ziyaret edebilir.