MLOps : amener l’IA à la pointe de la tactique et la faire fonctionner

L’apprentissage automatique (ML) – la capacité des décideurs à percevoir, tirer parti, résumer et agir sur l’information – a en fait été un moteur de développement et d’amélioration dans tous les secteurs, la sécurité nationale ne faisant pas exception. Rien qu’au cours de la dernière année, il y a eu de nombreux exemples de l’énorme opportunité que le ML utilise en ce qui concerne le système expert (IA) pour la défense et la communauté du renseignement. Le département américain de la Défense (DoD) poursuit ses efforts pour développer l’IA et commémore de toutes nouvelles réalisations, comme l’utilisation de l’IA pour aider à gérer un avion de reconnaissance U-2 « Dragon Girl ». d’un système militaire américain.

Les possibilités de développement sont illimitées : en aidant les tâches liées à la collecte, au traitement et à l’analyse des données, le ML peut capturer les cyberattaques et les piratages avant que les gens ne le puissent, accélérer les actions contre les attaques de guerre électronique, etc. ciblez soigneusement les réponses au feu cinétique grâce à ses capacités de mise à jour et de découverte cohérentes. Les combattants peuvent également utiliser le ML pour parcourir les domaines et les ressources, des navires aux armes, pour faire correspondre les cibles aux ressources.

Alors que nous nous installons en 2021, il y a un élément de l’IA/ML qui ne doit pas être ignoré : comment pour réussir à le mettre entre les mains des combattants à la pointe tactique, où les décisions rapides sont primordiales et où la puissance de calcul et la connectivité sont généralement limitées. Il est crucial que ces cas d’utilisation de pointe caractérisent et préparent les investissements axés sur l’IA et le ML, car la numérisation continue d’accélérer le rythme de la guerre.

De nombreux développements d’IA/ML incluent aujourd’hui des « algorithmes de magasin » fonctionnant dans le cloud avec pour objectif d’en faire les meilleurs et les meilleurs. La publication dans un cloud d’entreprise suggère des ressources illimitées pour la formation aux bases de données, avec un calcul haute puissance et une grande bande passante. Les algorithmes s’entraînent et s’exécutent dans des silos totalement dotés de ressources – pas sur le terrain – avec de nombreuses étapes pour les protéger des impacts extérieurs tels que l’usurpation d’identité et le brouillage.

En termes simples, c’est formidable si un modèle fournit des résultats incroyables « en laboratoire », mais ce même algorithme est sans valeur s’il n’est pas opérationnel et adaptable quand et où les combattants en ont le plus besoin. Libérer l’IA/ML à la périphérie nécessite un investissement financier tactique dans quatre emplacements essentiels :

• Capacité de calcul et de stockage.Les modèles exécutés dans un cloud commercial peuvent accéder à des informations qui consomment téraoctets de mémoire. Pendant ce temps, les appareils de terrain des combattants peuvent accueillir beaucoup moins de données que celles d’un algorithme particulier, généralement de l’ordre de quelques dizaines de gigaoctets.
• Consommation d’énergie et bande passante.Afin de fonctionner correctement , l’algorithme doit fonctionner de manière à ne pas vider les tuyaux de la batterie du gadget. Cela nécessitera que les ingénieurs ML investissent du temps pour garantir les caches d’informations lorsque l’appareil est déconnecté et qu’ils reprennent là où les choses se sont arrêtées une fois de retour sur un réseau.
• Déploiement en masse. être évolutif, capable d’atteindre 3 000 à 5 000 soldats dans une brigade d’infanterie. De nombreux algorithmes se déploient aujourd’hui via un seul serveur, ce qui nécessitera une préparation plus poussée.
• Une maintenance des informations plus efficace et plus fiable.De par leur conception, les algorithmes d’IA/ML découvrent et améliorant. Cependant, lorsque les algorithmes sont cloisonnés, la formation n’est pas partagée dans l’ensemble, ce qui signifie qu’un algorithme d’une personne peut rapidement errer et tomber en panne, mettant ainsi en danger à la fois les performances et la confiance dans le système.

Un autre emplacement clé de l’investissement financier afin de relever ces défis est de prioriser la formation et le développement spécifiques aux opérations d’apprentissage automatique (MLOps), qui est un ensemble de pratiques qui permet une coopération standardisée entre les chercheurs de données et les opérations sur le terrain, permettant aux entreprises de gérer le cycle de vie non seulement de l’ingénierie ML, mais aussi du déploiement. Cela inclut le suivi et la surveillance des performances pour identifier et corriger les erreurs et exécuter la sécurité à chaque phase.

MLOps brise le ML des silos d’algorithmes du magasin, transformant le « ML expert » en capacités de renseignement opérationnel qui fonctionnent à la pointe de la tactique.

Plus précisément, le MLOps offre les avantages fonctionnels suivants :

• Augmentation de la fréquence de déploiement de la conception ML : Dissocie la formation à la conception ML et les pipelines de création d’applications logicielles, ce qui permet de publier séparément les modèles ML aux fréquences requises pour maintenir les performances sur les gadgets des soldats .
• Implémentation de modèle de ML améliorée dans des environnements difficiles :Fournit aux ingénieurs de ML des pipelines de ML prédéfinis développés pour optimiser les conceptions de ML pour une mise en œuvre sur des réseaux de périphérie cellulaires et/ou tactiques
• Test et examen de ML au niveau du système : Fournit les capacités nécessaires pour procéder de manière quantitative – et automatiquement dans de nombreux cas – à la fois au modèle de ML et à l’efficacité du système en utilisant des exigences d’apprentissage en profondeur telles que le framework PLASTER de NVIDIA y, latence, précision, taille du modèle, débit, efficacité énergétique et reproductibilité). Cela fournit également un cadre pour évaluer la conformité du modèle ML avec les principes éthiques du DoD AI.

Si une entreprise travaillant au développement du ML pour la défense et le renseignement est alignée sur ces concepts, il sera beaucoup plus facile de réduire défis au fur et à mesure qu’ils surviennent. Construire une architecture ouverte est également particulièrement important. Avec un système ouvert, les entreprises de défense tirent parti d’une boucle de rétroaction ouverte lorsque les informations sont renvoyées vers des environnements dotés de ressources informatiques plus importantes. De plus, un système ouvert offre la possibilité de remplacer les modèles existants par des modèles plus récents et meilleurs provenant de sources publiques et privées. Ce faisant, les ingénieurs n’ont pas besoin de modifier le système caché pour s’adapter à différents types de modèles. MLOps met un système au-dessus d’algorithmes pour rendre un service ML évolutif et lui offre la chaîne d’approvisionnement pour le faire fonctionner.

L’IA, en particulier le ML, est une solution efficace pour aider les combattants américains à réagir lorsque chaque milliseconde compte. En réalisant des investissements stratégiques dans des emplacements particuliers de maintenance des données et de capacité de stockage, le ML sera plus souple, reproductible et actualisable. MLOps aide les organisations de défense à mettre en place des capacités importantes sur le terrain. Des investissements sont donc nécessaires pour que les combattants puissent utiliser, bénéficier et, finalement, renforcer la confiance dans cette innovation.