[Перевод] Военное вычислительное мышление. Тактический искусcтвенный интеллект. Часть I
Я придумал фразу »военное вычислительное мышление» в аспирантуре, чтобы объяснить тему моей докторской диссертации по информатике. Вычислительное мышление [подробнее по данной теме — прим. перевод.] — это формальный метод решения проблем (технически, вам для его применения не нужен компьютер). В наших условиях применения данного инструмента совместно с компьютером помогает решать проблемы человеческого уровня. Классическим примером этого может быть вычисление самого быстрого маршрута на карте между двумя точками — алгоритм наименьшего взвешенного пути [подробнее — прим. перевод.]. Я также много писал на эту тему.
Итак, военные вычислительное мышление — это компьютер, решающий военные проблемы человеческого уровня. Мы можем разделить вычислительное военное мышление на две подкатегории: стратегические и тактические (российская военная доктрина также добавляет третью категорию — большая стратегия [подробнрее раз, два, три, четыре, пять, шесть с разных точек зрения — прим. перевод.]); однако сейчас давайте сосредоточимся на тактическом искусственном интеллекте — решениях на поле боя.
Тактический ИИ делится на две части: анализ — поля боя и действия на основе полученной и обработанной информации, путем создания набора согласованных приказов (известных, как План действий), которые используют слабые места в позиции нашего противника, обнаруженные во время анализа поля боя.
Анализ поля боя
Говорят, что когда Наполеон путешествовал по Европе со своим штабом, он расспрашивал о местности, по которой они проезжали; «Где лучшая оборонительная позиция? Каковы наилучшие маршруты атаки? Где разместить артиллерию? Какая местность благоприятна для кавалерийской атаки?»
Мы считаем само собой разумеющимся, что такой анализ местности и противостоящих сил, является навыком, которому можно научить людей. Мое докторское исследование — TIGER (генератор тактических выводов с неконтролируемым машинным обучением — можно бесплатно скачать здесь): успешно продемонстрировало верность гипотезы о том, что неконтролируемая программа машинного обучения также может овладеть этим навыком и выполнить статистически неразличимый анализ поля боя (использование одностороннего теста Вальда привело к р = 0,0001). Такой вывод следует из данных исследований, проведенных экспертами предметной области (SME), такими как инструкторы в Вест-Пойнте и действующие боевые командиры.
Контролируемое и неконтролируемое машинное обучение
[подробнее о данной теме — прим. перевод.]
Рекомендации Netflix представляют собой контролируемую программу обучения. Каждый раз, когда вам «нравится» фильм, программа «узнает», что вам нравятся, например, «документальные фильмы». Любая программа, в которой вам «нравится» или «не нравится» предложения, является контролируемой программой обучения, в которой вы, нажимая на «нравится» или «не нравится», обучаете программу.
TIGER — это неконтролируемая программа машинного обучения, которая должна сама во всем разобраться. Вместо того, чтобы обучаться, программе «скармливают» серию «объектов», которые имеют определённые «атрибуты», и сортируют их по категориям. Для TIGER объекты — это снимки/карты полей сражений.
Скриншот окна TIGER. Карта была загружена для анализа, в данном случае битвы при Антьетаме 17 сентября 1863 года. Оригинал: https://clck.ru/33A7Ar
[для лучшего понимания происходящего в окне TIGER рекомендую ознакомиться с легендой — прим. перевод.]
Как TIGER воспринимает поле боя
Когда мы с вами смотрим на поле боя, наш мозг каким-то образом находит смысл во всех значках НАТО 2525B, разбросанных по топографической карте. Я не знаю, как это делают наши мозги, но расскажу, как с этим справляется TIGER.
Снимок экрана TIGER: преобразование позиций подразделений в линии и фронты, используя минимальное остовное дерево (MST). Оригинал: https://clck.ru/33A7B3
[про данный тип деревьев — прим. перевод.]
Комбинируя 3D-линию прямой видимости с дальностью поражения (насколько далеко оружие может стрелять и насколько оно точно на больших расстояниях, отображаемых выше более светлыми цветами) с алгоритмом минимального остовного дерева (алгоритм Крускала) на приведенном выше изображении показано, как TIGER «видит» поле битвы при Антьетаме. Это важный первый шаг для оценки атрибутов объекта.
Как определить атрибут закрепленных и не закрепленных флангов
Поля сражений, как было сказано ранее — это «объекты», имеющие «атрибуты». Одним из таких атрибутов является концепция закрепленных и не закрепленных флангов [кто такие эти ваши фланги — прим. перевод.]. Хотя любой, кто играет в военные игры, вероятно, имеет хорошее представление о том, что подразумевается под «флангом», следуя формальным научным методам, я должен был сначала доказать, что по этому вопросу существует согласие между экспертами в предметной области. Это даные из одного двойного слепого опроса, проведенных среди SME:
Снимок опроса экспертов по вопросу наличия закрепленных и не закрепленных флангов. Машинный перевод. Оригинал: https://clck.ru/33A7DU
Результаты опроса о наличии закрепленных и не закрепленных флангов в Антьетаме. Оигинал: https://clck.ru/33A7Fv
Результаты опроса о закрепленных и не закрепленных флангах в Чанселорсвилле. Оригинал: https://clck.ru/33A7Gb
Итак, теперь мы доказали, что среди экспертов в данной области существует консенсус относительно концепции «закрепленных» и «не закрепленных» флангов, более того, некоторые поля сражений обладают этим атрибутом, а другие — нет.
Ниже приведена серия слайдов из презентации, которую я представил DARPA [подробнее — прим. перевод.] в рамках моего исследовательского гранта W911NF-11–200024, описывающая алгоритм, используемый MATE (приемник TIGER) для вычисления того, закреплен фланг или нет, и как тактически использовать эту ситуацию с помощью флангового маневра. Этот брифинг не засекречен.
Слайды: 1, 2, 3, 4, 5, 6, 7, 8, 9
Создание плана действий
Как только программа обнаружит «открытый» или незанятый фланг, она разработает план действий маневрирования силами для выполнения либо маневра поворота, либо маневра охвата.
Слайды: 1, 2, 3, 4, 5, 6, 7, 8
Анализ битвы при Мардже (операция «Моштарак» 13 февраля 2010 года)
Следующие два снимка экрана являются частью анализа битвы при Мардже, в котором предлагается альтернативный план действий (манёвр охвата), который морская пехота США фактически использовала в Мардже.
Снимки: 1, 2
Выводы и комментарии по первой части
Обычно на этом этапе, когда читаю лекцию, я обращаюсь к своей аудитории и задаю вопросы. Я действительно не хочу терять вовлечённость слушателей, так как у нас есть еще много вещей по тактическому ИИ, о которых можно поговорить. До сих пор я описал только то, как мои программы (TIGER / MATE) анализируют поле боя одним конкретным способом (есть ли у моего врага — OPFOR [OPposing FORce — прим. перевод.] в военных терминах — открытый фланг, на который я могу напасть), и предстоит выполнить гораздо более комплексный анализ поля боя.
Специалисту по информатике легко использовать терминологию и сокращения в области компьютерных наук для объяснения алгоритмов, но я беспокоюсь, что люди, не имеющие отношения к computer science, в аудитории не совсем поймут, о чём я говорю.
У вас есть какие-либо вопросы по этому поводу? Если да, я бы очень хотел услышать их. Над этим исследованием я работал всю свою профессиональную карьеру (см. Военная игра, готовящаяся 55 лет) и, честно говоря, мне очень нравится рассказывать о нём. Как сказал мне помощник преподователя много лет назад, когда я был студентом: «В информатике нет глупых вопросов», поэтому, пожалуйста, не стесняйтесь писать мне, используя нашу форму обратной связи или отправив мне электронное письмо по адресу ezra@RiverviewAI.com.
