AI løser ikke alt, men mye, hvis det gjøres på riktig måte
AI er teknologien som er glødende het innen de fleste sivile tekniske områder, og teknologien er her for å bli. AI er et utmerket verktøy i verktøykassen for å løse visse typer problemer, selv om det kanskje ikke er den generelle løsningen på alle tekniske problemer slik det noen ganger fremstilles, ikke sjelden av dem som selger tjenesten. Altomfattende AI fungerer godt når resultatet tillates å være litt upresist, og når nøyaktighet, repeterbarhet og forståelse for underliggende bevegrunner ikke er primære krav.
Hos Avioniq har vi i mange år hatt en variant av AI for det komplekse og sensitive militære miljøet, der mennesket i overskuelig fremtid må være "in the loop" og forstå hva som skjer, ettersom det ofte dreier seg om menneskeliv og vanskelige avveininger mellom ulike alternativer. Men la oss først avklare hvorfor AI kan være et problem, og hvorfor man ikke bare kan kopiere de altomfattende AI-løsningene som finnes i det sivile.
Den AI-typen som har vakt mest interesse og beundring den siste tiden, er den generative. ChatGPT og de bilde- og filmskapende tjenestene som så forførende overøser oss med den ene fantastiske løsningen etter den andre, er av denne typen. Generativ AI innebærer kort fortalt at man mater inn data, for eksempel et spørsmål i tekst, en lydfil, et bilde eller missilparametere, og får tilbake et svar som data, for eksempel tekst, lyd, bilde eller en serie manøvrer i luftkamp.
Kjennetegnende for generativ AI er at antallet distinkte kombinasjoner av inn- og utdata er nærmest uendelig. Genererer man et bilde fra en tekst, blir det forskjellig hver gang, selv om bildet alltid er et svar på teksten. Det er derfor vanskelig å verifisere at resultatet er korrekt, eller engang godt, siden det sjelden finnes et fasitsvar for disse AI-systemene, det vil si hva som faktisk er det rette svaret.
For å vite om svaret som generativ AI leverer er godt, må en domeneekspert vurdere det, noe som er svært ressurskrevende. I tilfellet ChatGPT brukes et stort antall mennesker, som fungerer som domeneeksperter for vanlig tekst, for å vurdere hvor godt svaret er. Man trener faktisk også opp spesielle AI-systemer som vurderer kvaliteten på svarene fra andre AI, basert på disse menneskenes tilbakemeldinger.
Når det gjelder AI for for eksempel luftkamp, er uklarheten rundt hva som er godt, og at svaret kan bli litt forskjellig hver gang, et problem. Dette skyldes at piloter både er en mangelvare, og at de få som finnes ikke prioriteres som domeneeksperter for AI-trening.
Selskapene som har spesialisert seg på nettopp AI, selger det ofte som om AI er løsningen på hele problemet, derav uttrykket altomfattende. Genererer AI svar på spørsmål der hele problembildet rommes i selve spørsmålet, slik tilfellet er for ChatGPT og bilde- og lydgenerering, fungerer det utmerket å ha AI-eksperter som løser hele problemet utelukkende ved å kunne vurdere om svaret er mer eller mindre riktig i forhold til spørsmålet. Men når løsningen er en del av en større sammenheng, med implisitt informasjon i spørsmålet som ikke finnes som inndata, der det er vanskeligere å trekke grenser for hva AI skal levere, og der viss informasjon og visse forutsetninger finnes i andre systemer, blir det langt mer krevende.
Samlet sett har vi sett hvordan AI kan være et kraftfullt verktøy, men at anvendelsen av det innen militær teknologi ikke er uten betydelige utfordringer. Altomfattende AI-løsninger som fungerer godt i sivile sammenhenger, er ofte vanskelige å overføre direkte til militær kontekst, der kravene til presisjon og sikkerhet er høyere. Men hva innebærer dette konkret for utviklingen av AI i luftkamp? I neste del utforsker vi hvordan disse utfordringene kan møtes gjennom konkrete eksempler og strategier for å optimalisere AI sin rolle i den militære arenaen.