Sök

Sök
Kod på en datorskärm.

Peter Bovet Emanuel har tagit fram två modeller för beslutsstöd. Den ena är baserad på optimeringsalgoritmer och den andra använder neurala nätverk. Foto: Unsplash.

Innovativ AI-forskning om militärt beslutsstöd

Peter Bovet Emanuel forskar om artificiell intelligens (AI) och hur den kan påverka framtidens krigföring. I sitt avhandlingsarbete har han tagit fram två AI-modeller för beslutsstöd, där en av modellerna är så innovativ att Saab redan sökt patent på tekniken.

Dagens moderna högteknologiska krigföring möjliggör ett allt högre tempo, bland annat på grund av fler automatiserade vapen- och sensorsystem och större flöden av information. Den här utvecklingen skapar ett tryck på snabba beslut som många gånger utmanar människans kognitiva förmåga.

– Att analysera och syntetisera stora mängder information på kort tid kräver beräkningskraft, vilket datorer är bra på. Det som tar människan minuter, timmar eller dagar att gå igenom kan gå på sekunder för datorer. Detsamma gäller för att fatta beslut – det som tar cirka sju sekunder för en människa kan gå på millisekunder för en maskin. Beroende på kontexten kan sekunder bli avgörande för utfallet. Genom att tillföra AI som stöd för mänskligt beslutsfattande skulle vi kunna kompensera våra tillkortakommanden, förklarar Peter Bovet Emanuel.

Han är inne på sista året av forskarutbildningen i krigsvetenskap vid Försvarshögskolan och har en bakgrund som överstelöjtnant i Försvarsmakten.

– Jag har arbetat drygt 20 år inom specialförbandsystemet och har lett en verksamhet som utvecklade förmåga till gemensamma operationer. Där fick jag upp ögonen för avancerade och disuptiva tekniker som AI, säger han.

Peter Bovet Emanuel

Peter Bovet Emmanuel är överstelöjtnant och doktorand i krigsvetenskap vid Försvarshögskolan. Foto: Anders G Warne.

Beslutsstöd i modern krigföring

Peter Bovet Emanuel är framför allt intresserad av hur olika former av AI kan bidra till att hantera de utmaningar som högteknologisk krigföring innebär, framför allt när det gäller att fatta beslut snabbt baserat på stora mängder information.

– Det har skrivits en hel del om AI:s strategiska betydelse och mycket arbete pågår på sensor- och vapennivå. Men däremellan finns användnings- och ledningsmetoder som är intressanta att utforska, menar han.

Testar aktuella frågeställningar utifrån verkliga scenarier

I sin forskning tittar Peter Bovet Emanuel framför allt på två typer av AI och har skapat konceptuella modeller för att utveckla och testa verktygen. Han utgår från samtida problemställningar som är framtagna i samarbete med Försvarsmakten. Ett av de svåraste momenten i arbetet har varit att tydligt definiera vilken nytta AI ska göra.

– Eftersom det inte handlar om generell AI utan väldigt smala tillämpningsområden måste man vara specifik och veta exakt vilken data som ska föras in samt vilket resultat man förväntar sig. Jag har tagit fram ett antal modeller som jag efterhand fått välja bort, antingen för att jag siktat för högt eller för att arbetet visat sig vara för omfattande för ett projekt på doktorandnivå, för att slutligen landa i två modeller.

AI baserad på optimeringsalgoritmer

Den ena modellen använder ett mer traditionellt AI-verktyg baserat på optimeringsalgoritmer där syftet är att effektivisera processer och hitta optimala lösningar på problem med många olika förutsättningar och variabler.

– Här handlar det om beslutsstöd inom den process Nato benämner joint targeting. Det är en fundamental process på operativ och taktisk ledningsnivå som handlar att identifiera och prioritera mål och matcha dessa med lämpliga sätt att påverka målen för att uppnå önskvärda effekter. Det är en noggrann arbets- och analysmetod där huvudsyftet är att optimera användningen av egna verkansresurser, förklarar han.

Samarbete med IBM

I det här arbetet har Peter Bovet Emanuel samarbetat med IBM för tekniskt stöd i att omsätta och anpassa modellen till det program IBM har för att lösa optimeringsproblem. De komplexa problem han tagit fram sker i en dynamisk miljö där flera mål uppträder samtidigt. Vissa mål är högre prioriterade än andra och beslut ska fattas om vilken typ av vapen som ska användas mot vilka mål.

– Staber som är duktiga på det här kan fördela uppgifterna mellan resurser även i ett dynamiskt förlopp, men om det blir för många variabler, till exempel flera högvärdiga mål under kort tid, kan det bli för svårt. Särskilt med tanke på att utvecklingen går mot ökad autonomi och automatisering på vapenplattformar. Då kan AI vara ett stöd i beslutsprocessen, säger han.

Modellen skulle även kunna vara till nytta inför investeringsbeslut där man kan lägga till nya vapensystem i modellen för att analysera de resultat som genereras. Genom att simulera olika scenarier och ’skruva’ på variabler i modellen, kan anpassningar även göras för att pröva nya taktiska och operativa koncept.

Stöd vid inriktning av sensorer för underrättelseinhämtning

Den andra modellen har tagits fram i samarbete med Saab och använder AI för att optimera användningen av sensorer för att lokalisera och övervaka mål.

– Här använder vi neurala nätverk och den senaste AI-tekniken som benämns djupinlärning eller deep learning, vilken lär sig och anpassar sig allt eftersom modellen får tillgång till mer data. Modellen har tränats upp på stora mängder satellitbilder och har ’lärt sig förstå’ hur topografisk information påverkar utbredning av radiosignaler.

Modellen innehåller problemlösning i flera steg där det neurala nätverket bidrar till att rekommendera vilka platser som är bäst lämpade för radarsystem

– Jag har valt att fokusera på radarutbredning, det vill säga att definiera de lämpligaste platser där man borde stå för att skydda ett specifikt objekt. Vänder man på perspektivet blir således dessa platser lämpliga kandidater att söka med egna inhämtande sensorer. Det finns även en rad andra möjligheter som modellen erbjuder.

Patent på gång

Modellen kan användas för alla typer av radiosignaler som är markbaserade och tekniken har ett stort användningsområde för vidare utveckling.

– Jag och min kollega på Saab har inte hittat någon annan som har gjort det här, och Saab håller just nu på med att ta patent på tekniken.

I dag används matematiska modeller för att beräkna radarutbredning, men dessa tar betydligt längre tid och modellerna är och förblir statiska och kan därför inte nyttjas för andra geografiska områden.

– Vår modell lär sig hela tiden och svarstiden, efter att ha tränat på 500–1 000 bilder, är nere på sju minuter, att jämföra med nio timmar för mer traditionella modeller. Dessutom kan modellen, när den tränats på fler topografiska variationer, användas för analyser av nya geografiska områden. Lite som en lins man för över kartan för att generera svar på, i detta fall, lämpliga grupperingsplatser.

AI kan förändra militär beslutsfattning

Att med hjälp av AI analysera och syntetisera stora mängder data skulle kunna förändra vårt nuvarande sätt att se på ledning och forma framtida koncept för ledning och styrning, menar Peter Bovet Emanuel. På sikt hoppas han att forskningen ska bidra till att öka förståelsen för AI:s växande roll för militär beslutsfattning.

– I dag är det dominerande synsättet att det är människan som styr och fattar beslut. Min forskning utmanar det och kan få konsekvenser för hur man utformar ledning och styrning i framtiden.

Han betonar att hans studier inte innebär att beslutsfattandet överlåts fullt ut till AI, men att AI ska ses som ett stöd i processen.

– Militär beslutsfattning behöver ibland vara nästan intuitiv, och om man då har en AI-modell som på kort tid kan generera sina rekommendationer kan chefen få en snabb validering av sitt beslut av en AI-agent som kan lämna två rekommendationer ännu snabbare, till exempel.

Att AI kan göra en del av jobbet leder också till att det blir mer tid över för annat.

– Det blir intressant när vi kan jobba tillsammans – människa och maskin. Vi kan bli smartare genom att kompensera för våra begränsningar med hjälp av AI. Samtidigt kan vi hjälpa till inom områden där AI fortsatt har begränsningar.

Behov av mer kompetens

Samtidigt är det viktigt att vara medveten om de problem som AI kan medföra och bygga upp kompetens inom området.

– Vi kan inte bara köpa en app och köra på. Det är till exempel viktigt att vi har kontroll över den data vi petar in i systemen så att den inte är felaktig eller utformad för en annan typ av verksamhet. Precis som vi har legal advisors, political advisors och andra typer av special staff advisors inom Försvarsmakten kanske vi också behöver AI advisors, det vill säga personal som verkligen förstår uppkomster av felkällor och kan tolka AI-genererade rekommendationer.

Peter Bovet Emanuel pekar också på behovet av mer forskning inom området.

– Vi står inte ens på tröskeln och har därför inte sett vidden av vad den här utvecklingen kan innebära. Det finns ett stort behov av mer kunskap, både i samhället i stort och inom Försvarsmakten, säger han.

Sidinformation

Publicerad:
2023-11-28
Senast uppdaterad:
2023-12-12
Passed node is not renderable
Dela: