AI løser ikke alt, men meget, hvis det gøres på den rigtige måde
AI er den teknologi, der er glødende het inden for de fleste civile tekniske områder, og teknologien er kommet for at blive. AI er et fremragende værktøj i værktøjskassen til at løse visse typer problemer, om end måske ikke den generelle løsning på alle tekniske problemer, som det til tider fremstilles, ikke sjældent af dem, der sælger tjenesten. Altomfattende AI fungerer godt, når resultatet må være lidt uklart, og når præcision, repeterbarhed og forståelse for de bagvedliggende bevæggrunde ikke er primære krav.
Hos Avioniq har vi i mange år haft en variant af AI til det komplekse og følsomme militære miljø, hvor mennesket i en overskuelig fremtid skal være "in the loop" og forstå, hvad der sker, da det ofte drejer sig om menneskeliv og vanskelige afvejninger mellem forskellige alternativer. Men lad os først afklare, hvorfor AI kan være et problem, og hvorfor man ikke blot kan kopiere de altomfattende AI-løsninger, der findes i den civile verden.
Den AI-type, der har vakt størst interesse og beundring på det seneste, er den generative. ChatGPT og de billed- og filmskabende tjenester, der så forførende overøser os med den ene fantastiske løsning efter den anden, er af denne type. Generativ AI indebærer kort sagt, at man indtaster data, for eksempel et spørgsmål i tekst, en lydfil, et billede eller missilparametre, og får et svar tilbage som data, eksempelvis tekst, lyd, billede eller en serie manøvrer i luftkamp.
Kendetegnende for generativ AI er, at antallet af distinkte kombinationer af ind- og uddata er nærmest uendeligt. Genererer man et billede fra en tekst, bliver det forskelligt hver gang, selv om billedet altid er et svar på teksten. Det er derfor vanskeligt at verificere, at resultatet er korrekt eller blot godt, da der sjældent for disse AI findes et facit, det vil sige hvad der faktisk er det rigtige svar.
For at vide, om det svar, som generativ AI leverer, er godt, skal en domæneekspert vurdere det, hvilket er meget ressourcekrævende. I tilfældet ChatGPT anvendes et stort antal mennesker, der fungerer som domæneeksperter for almindelig tekst, til at vurdere, hvor godt svaret er, og man træner faktisk også særlige AI-systemer, der bedømmer kvaliteten af svarene fra andre AI-systemer ud fra disse menneskers vurderinger.
Når det gælder AI til for eksempel luftkamp, er uklarheden i, hvad der er godt, og at svaret kan blive lidt forskelligt hver gang, et problem, da piloter både er en mangelvare, og de få, der findes, ikke prioriteres som domæneeksperter for AI-træning.
De virksomheder, der har specialiseret sig i netop AI, sælger det ofte, som om AI er løsningen på hele problemet, deraf udtrykket altomfattende. Genererer AI svar på spørgsmål, hvor hele problemet er indeholdt i selve spørgsmålet, hvilket er tilfældet for ChatGPT og billed- og lydgenerering, fungerer det fremragende at have AI-eksperter, der løser hele problemet udelukkende ved at kunne vurdere, om svaret er mere eller mindre korrekt i forhold til spørgsmålet. Men når løsningen er en del af en større sammenhæng, med implicit information i spørgsmålet, som ikke findes som inddata, hvor det er vanskeligere at trække grænser for, hvad AI skal levere, og hvor visse oplysninger og forudsætninger findes i andre systemer, bliver det langt mere kompliceret.
Samlet set har vi set, hvordan AI kan være et kraftfuldt værktøj, men at dets anvendelse inden for militær teknologi ikke er uden betydelige udfordringer. Altomfattende AI-løsninger, der fungerer godt i civile sammenhænge, er ofte vanskelige at overføre direkte til militær kontekst, hvor kravene til præcision og sikkerhed er højere. Men hvad betyder dette konkret for udviklingen af AI i luftkamp? I næste del udforsker vi, hvordan disse udfordringer kan imødekommes gennem specifikke eksempler og strategier for at optimere AI's rolle på den militære arena.