Врагов будут отлавливать автоматические видеокамеры

Пентагон настойчиво добивается создания компьютерной системы, которая может отличить врага от мирного жителя.

В начале 2010 года старший рядовой авиации ВВС США Кэсси Макквейд (Cassie McQuade) сидела одна в изолированном углу авиабазы Баграм, главной базы НАТО в Афганистане. Как единственный летчик, назначенный в команду гражданских подрядчиков из Boeing, Макквейд проводила анализ видеопотоков с маловысотных беспилотных самолетов ScanEagle, которые использовались для обнаружения угроз в Баграме. "Самая трудная часть работы – это определить, что является угрозой, - объясняет Кэсси Макквейд - Длинный темный предмет в руках человека может быть лопатой или ракетной установкой. Мужчины, копающие яму на обочине дороги, могут ремонтировать водопровод или закладывать бомбу. Для того, чтобы определить, кто враг, а кто - нет, необходимы обучение, практика и интуиция".

Замученных все увеличивающимися видеопотоками аналитиков DARPA планирует заменить автоматикой

При этом на серверы Пентагона каждый день поступает все больше и больше видеоданных. Для того чтобы пересмотреть видеоархивы только за 2009 год потребуется 24 года неотрывного сидения за монитором. В настоящее время море информации просеивают аналитики такие, как Макквейд, но их работа осложняется тем, что видеоинформация зачастую совсем необработанна и поступает в "сыром" виде, причем во все возрастающем объеме.

Оборонное агентство DARPA планирует научить компьютеры обрабатывать видео так же, как это делают люди-аналитики. Программа Deep Learning предполагает применение мощного машинного интеллекта для обработки изображений на уровне, превосходящем возможности человеческого восприятия. В рамках этой программы DARPA проводит фундаментальные исследования по созданию принципов машинного иерархического восприятия и анализа данных с визуальных, акустических и других сенсоров для распознавания и классификации объектов и видов их деятельности. Человеческая зрительная система использует шесть уровней для обработки информации, не считая предварительной обработки в сетчатке и латеральном коленчатом теле. Современные компьютерные нейронные сети, как правило, эквивалентны двум или трем уровням. Пока глубокое изучение механизмов работы мозга только началось, и компьютеры далеки от возможностей аналитика даже весьма средних способностей.

Весной 2009 года DARPA заключило контракты с исследователями из Стэнфордского университета, Нью-Йоркского университета, Университета Монреаля и NEC Labs по созданию многослойных алгоритмов машинного обучения, программного обеспечения и технологий машинного анализа, которые могут делать все более сложные умозаключения на основе визуальной модели с течением времни. Сегодня эти научные учреждения работают над соответствующим программным обеспечением и аппаратными средствами. Первоначально планируется, что машины смогут проводить предварительную обработку видеоданных и хотя бы выделять "подозрительные" события. Позже они полностью возьмут на себя все аналитические функции.

Последние результаты работы над программой демонстрируют некоторые успехи на пути к машинному анализу видеоданных, например, идентификации деятельности человека на видео. В настоящее время DARPA уже имеет пример успеха похожего продукта: биометрической системы Panoptes, которая с помощью видеокамеры идентифицирует подозреваемого по лицу. Также есть примеры аналогичных коммерческих продуктов вроде ПО SmartEyes для обеспечения безопасности на стадионах.

Успешное завершение программы Deep Learning позволит командирам быстрее принимать обоснованные решения и гарантирует, что незначительная на первый взгляд, но очень важная информация не будет упущена. Кроме того, подобная технология - это ключевой компонент полностью автоматических боевых систем, которые смогут самостоятельно выявлять врага и уничтожать его с минимальным риском для гражданского населения.