Ιδιαίτερα επιτυχημένο ήταν το 2ο webinar που οργάνωσε το περιοδικό ΠΤΗΣΗ, το www.ptisidiastima.com και το www.navaldefence.gr σε συνεργασία με την Crowd Policy, με θέμα τις Ανθυποβρυχιακές επιχειρήσεις σε Αιγαίο και Ανατολική Μεσόγειο.
Το webinar που έγινε στις 10 Νοεμβρίου και κράτησε πάνω από 3 ώρες, συγκέντρωσε μια σειρά κορυφαίων στελεχών του Πολεμικού μας Ναυτικού που συζήτησαν ζωντανά για την ανθυποβρυχιακή απειλή στην περιοχή μας, περιγράφοντας τόσο την τρέχουσα κατάσταση όσο και το μέλλον.
Το webinar μπορείτε να το δείτε ολόκληρο και στο Youtube:
Ήδη σε προηγούμενο άρθρο είδαμε την εισαγωγική παρουσίαση του Defence Tech Innovation Lab, που αποτελεί μια συντονισμένη προσπάθεια της ΠΤΗΣΗΣ με την βοήθεια της Crowd Policy ώστε ελληνικές ερευνητικές ιδέες και προτάσεις γύρω από το χώρο της άμυνας, να ξεχωρίσουν και να προωθηθούν προς υλοποίηση, με την βοήθεια σημαντικών μεντόρων και χορηγών.
Στη συνέχεια ο Δρ. Γιώργος Παπακώστας, διευθυντής της ερευνητικής ομάδας Machine Learning & Vision Research Group, του τμήματος πληροφορικής του Διεθνούς Πανεπιστημίου της Ελλάδας, παρουσίασε μια ελληνική ερευνητική πρόταση, σχετικά με την ανίχνευση υποβρυχίων.
Συγκεκριμένα ο ίδιος είπε τα εξής:
Dr Γιώργος Παπακώστας: Θα ήθελα να βάλω στη συζήτηση το κομμάτι της τεχνολογίας, μιας αναδυόμενης τεχνολογίας, της Τεχνητής Νοημοσύνης. Εδώ τώρα λίγο θα σας δείξω μια μεγάλη εικόνα σχετικά με μια πρόταση την οποία υποβάλαμε στο Defence Innovation Challenge εδώ και δύο μήνες και έχει προχωρήσει στις τρεις μεγαλύτερες προτάσεις του.
Η τεχνητή νοημοσύνη έχει πολλούς ορισμούς. Ένας ορισμός οποίος ταιριάζει με την εφαρμογή και της αναγνώρισης των υποβρυχίων θα μπορούσαμε να πούμε ότι είναι εκείνη η τεχνολογία η οποία προσδίδει στις μηχανές την ικανότητα, να αναλύει ένα μεγάλο όγκο δεδομένων και να λαμβάνει αποφάσεις. Εδώ υπάρχουν τρεις λέξεις κλειδιά. Μιλάμε για μηχανές όπως είναι το υποβρύχιο, μιλάμε για δεδομένα όπου ήδη οι προλαλήσαντες συζητήσαν για σενσορες που συλλέγουν δεδομένα και μιλάμε για αποφάσεις όπου πρόκειται για αποφάσεις περιεντοπισμού και αναγνώρισης των υποβρυχίων. Και αποφάσεις που σε επόμενο βήμα ουσιαστικά ορίζουν και τις ενέργειες οι οποίες πρέπει να γίνουν.
Εάν δούμε λίγο την ερευνητική δραστηριότητα, στο χώρο της τεχνητής νοημοσύνης που σχετίζεται με την Αμυντική Βιομηχανία, και κοιτώντας λίγο τις δημοσιεύσεις που έχουν γίνει τα τελευταία χρόνια μέσα από την έγκυρη βάση Scopus, βλέπουμε ότι όσον αφορά τη διείσδυση της τεχνητής νοημοσύνης γενικότερα στην αμυντική βιομηχανία, μια τεράστια αύξηση τα τελευταία χρόνια. Συνολικά δηλαδή έχουμε γύρω στις 4.500 δημοσιεύσεις με τον κύριο όγκο αυτόν να εντοπίζεται την τελευταία 5ετία. Στον αντίποδα, η έρευνα που σχτίζεται με τις εφαρμογές της τεχνητής νοημοσύνης και τα υποβρύχια, είναι αρκετά λιγότερη. Μιλάμε για 294 δημοσιεύσεις. Ωστόσο όμως και σε αυτή την περίπτωση βλέπουμε μια τεράστια αύξηση του ενδιαφέροντος.
Σε αυτό το σημείο θα πρέπει να τονίσω ότι το ΝΑΤΟ ήδη από τις 21 Οκτωβρίου –αρκετά πρόσφατα δηλαδή- έχει ορίσει τη στρατηγική που θα ακολουθηθεί για την εφαρμογή της τεχνητής νοημοσύνης στην αμυντική βιομηχανία. Και αυτό είναι πολύ σημαντικό γιατί στην πραγματικότητα όλα αυτά τα δεδομένα ως στατιστικά μας δηλώνουν ότι τα επόμενα χρόνια η τεχνητή νοημοσύνη θα εμπλακεί πολύ σημαντικά και πιθανό να αλλάξει και τον τρόπο με τον οποίο θα γίνονται και οι στρατιωτικές επιχειρήσεις.
Σε ένα τέτοιο πλαίσιο η ερευνητική μας ομάδα προτείνει μια μεθοδολογία για την αναγνώριση υποβρυχίων με τη χρήση της τεχνητής όρασης. Αυτή τη στιγμή που μιλάμε, οι υπάρχουσες προσεγγίσεις συνήθως -ως επί το πλείστον- είναι μη αυτόματες, χρησιμοποιούν κάποια αισθητήρια όπως sonar, υπάρχουν τα ηχητικά υδρόφωνα και αντίστοιχα υπάρχουν κάποια εξειδικευμένα οχήματα αέρος, επιφάνειας θαλάσσης και υποβρύχια. Αξίζει να σημειωθεί ότι σε αυτές τις σύγχρονες τεχνολογίες κεντρικό ρόλο παίζουν οι χειριστές όπου απαιτείται μεγάλη εκαπίδευση του προσωπικού ώστε να μπορεί να γίνεται και έγκυρα και έγκαιρα η αναγνώριση των υποβρυχίων.
Τώρα η τεχνητή νοημοσύνη φαίνεται ότι ήδη εφαρμόζεται σε κάποια βοηθητικά συστήματα. Στη βιβλιογραφία έχουμε βρει πολύ λίγη πληροφορία ωστόσο διαφαίνεται οτι έρευνες γίνονται στην Αμερική και στην Κίνα κατά κύριο λόγο. Προφανώς υπάρχουν λίγες πληροφορίες λόγω της φύσεως του αντικειμένου.
Η δική μας η προσέγγιση, βασίζεται στο ηχητικό αποτύπωμα της μηχανής, του άξονα, της προπέλας. Ολόκληρου δηλαδή του συστήματος κίνησης το οποίο, όπως βλέπετε εδώ πέρα σχηματικά, το υποβρύχιο βρίσκεται σε ένα περιβάλλον όπως σωστά ειπώθηκε, όπου μπορεί να βρίσκονται κοντινά σε αυτό κάποια υποβρύχια είτε φιλικά, είτε εχθρικά. Μπορούν αν βρίσκονται πλοία επιφανείας. Η μεθοδολογία η δική μας προσπαθεί να χρησιμοποιήσει το λεγόμενο «βιομετρικό» χαρακτηριστικό της μηχανής, εφαρμόζοντας τεχνητή νοημοσύνη και πιο συγκεκριμένα αναλύοντας το ηχητικό σήμα και εφαρμόζοντας μηχανική μάθησης, συνελικτικά δίκτυα βαθιάς μάθησης, με απώτερο στόχο την αναγνώριση του. Να πούμε εδώ ότι μας ενδιαφέρει και ο εντοπισμός και σε δεύτερη φάση η ταυτοποίηση του υποβρυχίου όπως ήδη έχει ειπωθεί είναι και αρκετά δύσκολη αλλά και επιθυμητή.
Ποια είναι τα σημεία υπεροχής αυτής της τεχνολογίας. Θα μπορούσαμε να πούμε ότι χρησιμοποιώντας τη βαθειά μηχανική μάθηση έχουμε μια πλήρως αυτοματοποιημένη μέθοδο. Η ακρίβεια είναι αρκετά υψηλή με βάση τη βιβλιογραφία και τη γνώση που έχουμε από διάφορες άλλες εφαρμογές, ενώ η αναγνώριση του στόχου μπορεί να επιτευχθεί σε αρκετά γρήγορο χρόνο. Όσον αφορά την εφαρμογή αυτής της τεχνολογίας μπορεί να είναι ανεξάρτητη ή επικουρική. Ο στόχος είναι αρχικά να μπορέσει να βοηθήσει έναν χειριστή δίνοντάς του κάποια αποτελέσματα. Δεν επηρεάζεται από ανθρώπινο παράγοντα. Είναι πολύ σημαντικό να αναφερθεί ότι μπορεί να γίνει χρήση με βάση την υποδομή που ήδη υπάρχει χωρίς κάποιες τροποποιήσεις ενώ δεν απαιτείται κάποιο εξειδικευμένο προσωπικό για να γίνει χρήση της.
Ο αντίκτυπος: Στο επιχειρησιακό πεδίο αναμένεται να είναι μια αποτελεσματική μέθοδος. Βελτιώνει σημαντικά την επίγνωση της επιχειρησιακής κατάστασης δεδομένου ότι γίνεται ουσιαστικά μια χαρτογράφηση του περιβάλλοντος χώρου του υποβρυχίου. Και υπάρχει ένα μεγάλο πλεονέκτημα εαν η χώρα μας μπορέσει να αναπτύξει τέτοια συστήματα έναντι τω υπολοίπων χωρών. Σε επίπεδο τώρα της τεχνητής νοημοσύνης διαφαίνεται ότι αν η Ελάδα επενδύσει σε αντίστοιχες τεχνολογίες ότι μπορεί να αποτελέσει πρωτοπόρος σε παγκόσμιο επίπεδο. Μπορεί να αναπτυχθεί η ερευνητική κουλτούρα μέσα στις ειδικές δυνάμεις και να συμβάλει στην ανάπτυξη του ερευνητικού οικοσυστήματος δίνοντας ταυτόχρονα και ένα τεχνολογικό έτσι πλεονέκτημα στη χώρα μας.
Μια τέτοια προσέγγιση έχει να αντιμετωπίσει αρκετές προκλήσεις. Αρχικά θα πρέπει να επισημάνουμε αυτή η τεχνολογία είναι ευαίσθητη και βασίζεται στα δεδομένα. Επομένως η σύλλογή και η κατάλληλη προετοιμασία των δεδομένων είναι πολύ χρήσιμη. Δεδομένα τέτοια δεν υπάρχουν ελεύθερα. Αυτό είναι γνωστό. Υπάρχουν διαβαθμισμένα και αυτό είναι ένα πρόβλημα που σημαίνει ότι πρέπει να αναπτυχθεί σε συνεργασία με το Πολεμικό Ναυτικό. Πρόκληση αποτελεί η εξαγωγή αποφάσεων υψηλής ακρίβειας. Και αυτό γιατί πραγματικά το περιβάλλον όπως ήδη συζητήθηκε, δημιουργεί κάποια προβλήματα.
Συγκεκριμένα, το σύστημα θα πρέπει να παρουσιάζει μια ευρωστία έναντι παραγόντων που μεταβάλουν σημαντικά το περιβάλλον. Παράδειγμα, υπάρχουν ποικίλοι ήχοι που συνυπάρχουν μέσα στο βυθό. Υπάρχει η πολυπλοκότητα της μορφολογίας του βυθού. Υπάρχουν οι κινούμενοι πληθυσμοί ζώντων οργανισμών, πληθυσμοί ψαριών που μπορεί να επηρεάζουν την ακουστική. Υπάρχει ή ίδια η κλιματική αλλαγή. Επιπλέον, αξίζει να αναφερθεί ότι ένα τέτοιο σύστημα αν θα είναι ικανό να αντιμετωπίζει και κάποιες κακόβουλες προσπάθειες παραπλάνησης. Κάποιοι ήχοι οι οποίοι μπορεί να παράγονται με στόχο να μπερδέψει το σύστημα, κάποιου είδους επιθέσεις θα λέγαμε. Αξίζει επίσης να αναφερθεί ότι ένα τέτοιο σύστημα θα πρέπει να εξάγει αποφάσεις οι οποίες να είναι κατανοητές στο προσωπικό το οποίο λειτουργεί το σύστημα. Αυτό στο χώρο της τεχνητής νοημοσύνης ονομάζεται Explainable Machine Learning. Και τέλος θα πρέπει να γίνει μια αξιολόγηση σε πραγματικές συνθήκες περιβάλλοντος κάτι το οποίο για την τεχνητή νοημοσύνη έχει πολύ μεγάλο ενδιαφέρον, γιατί οι περισσότερες μεθοδολογίες που αναπτύσσονται στα εργαστήρια μένουν σε εργαστηριακό περιβάλλον.
Χονδρικά, ένα διάγραμμα του συτήματος που έχουμε προτείνει –χωρίς να θέλω να μπω σε τεχνικές λεπτομέρειες- είναι οτι θεωρώντας ότι είναι διαθέσιμο το ηχητικό σήμα, η μεθοδολογία μας εφαρμόζει κάποιες βαθμίδες ανάλυσης του σήματος προκειμένου να προσδώσει μια ευρωστία στο θόρυβο του περιβάλλοντος. Σε επόμενο βήμα εφαρμόζεται μια μεθοδολογία με την οποία μπορούμε να κατανοήσουμε εαν επρόκειτο για κάποια επίθεση στο σήμα μας. Και εφ΄όσον δεν υπάρχει επίθεση –για παραπλάνηση εννοώ του υποβρυχίου- μετά τα δεδομένα πηγαίνουν στο σύστημα απόφασης το οποίο είναι ένα συνελεκτικό δίκτυο εξοπλισμένο με αλγορίθμους επεξήγησης και ερμηνείας των αποτελεσμάτων. Τέλος, το τελικό αποτέλεσμα οδηγείται σε μια μονάδα παρουσίασης της απόφασης όπου μπορεί εύκολα να έχει πρόσβαση ο χειριστής του συστήματος.
Όσον αφορά την εφαρμογή. Έχουμε δύο περιπτώσεις, δύο προσεγγίσεις εδώ: την αυτόνομη εφαρμογή. Μιλάμε οτι το σύστημα λειτουργεί μέσα στο υποβρύχιο και λαμβάνει τα ηχητικά σήματα. Χρησιμοποιείται σε αυτή την περίπτωση ένα φθηνό hardware της αγοράς, το οποίο είναι άμεσα διαθέσιμο. Το κόστος του δεν υπερβαίνει τα 200€, θεωρούμε όμως το σύστημα ήδη έχει φτιαχτεί off line, οπότε στην κατάσταση αυτή λειτουργεί, όπως λέμε σε κατάσταση inference και επομένως δεν απαιτείται υψηλό hardware. Αξίζει να αναφερθεί, ότι μπορεί σε περίπτωση σφάλματος το σύστημα μπορεί να αντικατασταθεί πολύ εύκολα, έχοντας αντίστοιχα συστήματα, κάποια αντίστοιχα hardware ήδη μέσα στο υποβρύχιο.
Πηγαίνοντας τώρα σε ένα μεγαλύτερο σενάριο θα μπορούσε αυτό το σύστημα να κάνει χρήση δεδομένων από πολλαπλές πηγές. Όπως για παράδειγμα από σκάφη επιφανείας, από ελικόπτερα ή ακόμη και από αισθητήρες οι οποίοι έχουν βυθιστεί μέσα στη θάλασσα προκειμένου να καλύψουν κάποια περιοχή. Σε αυτή την περίπτωση, τα πλεονεκτήματα παραμένουν τα ίδια, η διαφορά είναι ότι απαιτείται ένα hardware μεγαλύτερων δυνατοτήτων. Ωστόσο όμως υπάρχει και αυτό στην αγορά. Θα φθάσει γύρω στα 1.000€ και μας δίνεται και η δυνατότητα να χρησιμοποιήσουμε και κάποιο είδος cloud με τις αντίστοιχες προβλέψεις για ασφάλεια στα δίκτυα για την μεταφορά των δεδομένων.
Εδώ είναι κάποιες αναφορές από δημοσιεύσεις της ομάδας όπου έχουμε δημοσιεύσει κάποια μέρη της μεθοδολογίας για άλλου είδους εφαρμογές –όχι για αναγνώριση υποβρυχίων. Και εδώ είναι η ομάδα που έχει προτείνει τη συγκεκριμένη προσέγγιση αποτελούμενη εκτός από τον ομιλώντα, τον Ανθυπασπιστή Γεράσιμο Σαματά, τον Σεραφείμ Μουμγιακμά και το Θεοφάνη Καλαμπόκα, μεταπτυχιακοί και διδακτορικοί φοιτητές του τμήματός μας.
