AI & Machine Learning, πιθανοί πολλαπλασιαστές δύναμης για την ακτοφυλακή

Από τον Δρ Joe DiRenzo III • 13 Σεπτεμβρίου 2019

Τεχνητή νοημοσύνη (AI) και μηχανική μάθηση (ML): αναφέρετε αυτούς τους δύο όρους και ο ακροατής μπορεί να σκεφτεί αμέσως τις διαφημίσεις που εμφανίζονται καθώς βλέπετε τον αγαπημένο σας ιστότοπο ειδήσεων στο διαδίκτυο. Αυτή είναι μια εκδοχή του τι μπορεί να είναι το AI / ML. Δεδομένης της κατάστασης της έρευνας AI και ML σήμερα, αυτές οι προηγμένες μαθηματικές τεχνικές αντιπροσωπεύουν κάτι που η αμερικανική ακτοφυλακή πρέπει να διερευνήσει για την εφαρμογή της αποστολής. Για το σκοπό αυτό, πρέπει να δημιουργηθούν κοινοί ορισμοί, να κατανοηθούν οι προκλήσεις και να εξεταστούν περιπτώσεις πρακτικής χρήσης.

Έχει αποδειχθεί σε εφαρμογές εντός της ιδιωτικής βιομηχανίας και της ιατρικής ότι οι τεχνικές AI / ML μπορούν να είναι επωφελείς για την προγνωστική ανάλυση. Ένα παράδειγμα είναι η χρήση της ΑΙ στην ενίσχυση της ακριβούς αρχικής διάγνωσης των διαφανειών ακτινολογίας. στον τομέα του λιανικού εμπορίου, η AI έχει ήδη αποδειχθεί από την Amazon μέσω της εξυπηρέτησης πελατών. Αναρωτηθήκατε ποτέ γιατί παρέχονται άλλες συστάσεις για είδη που αγοράζετε όταν πραγματοποιείτε αγορά μέσω διαδικτύου; Αυτή η νέα τακτική πωλήσεων είναι μια πρακτική εφαρμογή μιας μορφής αυτών των προηγμένων μαθηματικών τεχνικών.

Ωστόσο, για να παρουσιάσει μια ισορροπημένη προοπτική, μπορεί να υπάρξουν σημαντικές προκλήσεις για τη χρήση του AI / ML, κάτι που δεν πρέπει να αγνοηθεί. Μία πρόκληση υπογραμμίστηκε σε ένα άρθρο του Michael Chui, James Manyika και Mehdi Miremadi, που γράφει τον Ιανουάριο του 2018 McKinsey Quarterly. Σημείωσε το άρθρο, "Η επιπλοκή είναι ότι μεγάλα σύνολα δεδομένων μπορεί να είναι δύσκολο να αποκτηθούν ή να δημιουργηθούν για πολλές περιπτώσεις επιχειρηματικής χρήσης." Μια άλλη πιθανή πρόκληση μπορεί να είναι η "ποιότητα" των δεδομένων. Πόσο ακριβής είναι; Η τρίτη πρόκληση μπορεί να είναι η δυνατότητα μετάβασης της σκόπιμης έρευνας σε πρακτική εφαρμογή και η ανάπτυξη όλων των νέων εφαρμογών κατάρτισης για τη δημιουργία χειραγωγών.

Ένα από τα πρωταρχικά στρατηγικά έγγραφα της Ακτοφυλακής παρέχει ένα οδηγό για να διερευνήσει πώς μπορεί να χρησιμοποιηθεί το AI / ML. Από το Στρατηγικό Σχέδιο 2018-2022:

"Η ταχεία εξέλιξη στην τεχνολογία σε όλη την προσωπική και επαγγελματική ζωή μας παρουσιάζει ευκαιρίες για την αλλαγή του παιχνιδιού για το Λιμενικό Σώμα, αν το εκμεταλλευτεί σωστά. Για να κατανοήσουμε πλήρως τις πιθανές επιπτώσεις των αναδυόμενων τεχνολογιών στις Λιμενικές Επιθεωρήσεις, θα αξιοποιήσουμε τις αναδυόμενες τεχνολογίες όπως μη επανδρωμένες πλατφόρμες, αναλύσεις δεδομένων, κρυπτογράφηση αλυσίδων αλυσίδας, τεχνητή νοημοσύνη, μηχανική μάθηση, πρωτόκολλα δικτύου, αποθήκευση πληροφοριών και συνεργασία ανθρώπινων μηχανών για πιθανή χρήση στην εκτέλεση αποστολής. "Αυτή η απλή δήλωση υπογραμμίζει τη σημασία της διερεύνησης πιθανών εφαρμογών.

Για να αρχίσουν να κατανοούν τις εφαρμογές, απαιτούνται ορισμοί και πλαίσιο. Το 1959, ο ερευνητής Arthur Samuel συνέστησε ότι οι υπολογιστές θα μπορούσαν να «μαθαίνουν για τον εαυτό τους». Αυτό ακολουθήθηκε 34 χρόνια αργότερα με μια συζήτηση σχετικά με την «τεχνητή νοημοσύνη» που ξεκίνησε το 1995 από τον Dr. John McCarthy από το Dartmouth College. Οι ενέργειες αυτές δημιούργησαν ένα πλαίσιο για έναν ορισμό. Επιπλέον, το άρθρο περιοδικού Forbes, που δημοσιεύτηκε από τον Bernard Marr, της 6ης Δεκεμβρίου 2016, προβλέπει: «Η τεχνητή νοημοσύνη είναι η ευρύτερη έννοια των μηχανών που μπορούν να εκτελούν τα καθήκοντα με έναν τρόπο που θεωρούμε" έξυπνο ". είναι μια τρέχουσα εφαρμογή του AI με βάση την ιδέα ότι θα πρέπει πραγματικά να μπορούμε να δίνουμε δεδομένα μηχανών και να τα αφήσουμε να μάθουν για τον εαυτό τους. "Βλέπετε τη διαφορά μεταξύ των δύο όρων;

Φαίνεται αρκετά απλή στην επιφάνεια.

Το σήμα ζήτησης για να διερευνηθούν οι τρόποι με τους οποίους μπορεί να χρησιμοποιηθεί το AI / ML για τη λήψη αποφάσεων βρίσκεται σε πυρετό τόσο στις Ηνωμένες Πολιτείες όσο και σε όλο τον κόσμο. Οι ΗΠΑ και οι σύμμαχοί της βρίσκονται σε μια "διανοητική κούρσα εξοπλισμών" με την Κίνα και τη Ρωσία για το πώς μπορεί να χρησιμοποιηθεί το AI. Το 2018, το Υπουργείο Άμυνας (DoD) δημιούργησε το Κοινό Κέντρο Τεχνητής Νοημοσύνης (Joint Artificial Intelligence Centre), το οποίο αξιοποίησε ένα ευρύ φάσμα εμπειρογνωμόνων για θέματα θέματος και συνεργάστηκε με ακαδημαϊκούς, τη βιομηχανία και άλλους ομοσπονδιακούς εταίρους. Δημιουργήθηκε επίσης μια νέα στρατηγική AI για το DoD με τίτλο "Η αξιοποίηση του AI για την πρόοδο της ασφάλειας και της ευημερίας μας".

Οι προφορικές σημειώσεις της περίληψης της στρατηγικής, "Η ΑΕ μεταβάλλει ταχέως ένα ευρύ φάσμα επιχειρήσεων και βιομηχανιών. Είναι επίσης έτοιμη να αλλάξει τον χαρακτήρα του μελλοντικού πεδίου μάχης και τον ρυθμό των απειλών που πρέπει να αντιμετωπίσουμε ». Η στρατηγική επιβάλλει περαιτέρω ότι η έρευνα, η ανάλυση και η εφαρμογή της ΑΠ με την Ακτοφυλακή για διαφορετικές αποστολές πρέπει να αντιμετωπίζονται ως ομάδα οι αθλητικές ... εταιρικές σχέσεις είναι το κλειδί.
Η περίληψη της στρατηγικής συνεχίζει, "Δεν μπορούμε να επιτύχουμε μόνοι μας. αυτή η δέσμευση απαιτεί την ικανότητα και τη δέσμευση των κυβερνητικών φορέων, τη στενή συνεργασία με ακαδημαϊκούς και μη παραδοσιακά κέντρα καινοτομίας στον εμπορικό τομέα και την ισχυρή συνοχή μεταξύ διεθνών συμμάχων και εταίρων. Πρέπει να μάθουμε από τους άλλους να μας βοηθήσουν να επιτύχουμε την πληρέστερη κατανόηση του δυναμικού της AI και πρέπει να οδηγήσουμε στην υπεύθυνη ανάπτυξη και χρήση αυτών των ισχυρών τεχνολογιών, σύμφωνα με το νόμο και τις αξίες μας. "Ο τύπος συνεργασίας και εταιρικής σχέσης που επισημάνθηκαν στο DoD η στρατηγική είναι εξίσου επιτακτική για την επιτυχία της Ακτοφυλακής στην ανάπτυξη και εφαρμογή τεχνικών AI / ML. Αλλά πώς μια υπηρεσία διερευνά τις δυνατότητες εφαρμογής AI / ML σε μια σειρά αποστολών;
Ο συγγραφέας συνιστά τις ακόλουθες τέσσερις περιοχές αποστολής για αρχική εξερεύνηση:

(1) Επιθεωρήσεις για την ασφάλεια στη θάλασσα και επιθεώρηση του κράτους λιμένα: Χρησιμοποιώντας δεδομένα από προηγούμενα έτη ελέγχου, μια εφαρμοζόμενη προσέγγιση AI / ML θα μπορούσε ενδεχομένως να αναπτύξει μια εκλεπτυσμένη διαδικασία που οι υπεύθυνοι για τη λήψη αποφάσεων θα μπορούσαν να εξετάσουν σε συνεννόηση με τα μοντέλα πληροφοριών και κινδύνου. Μια εφαρμογή AI / ML θα ενίσχυε ενδεχομένως τις προσπάθειες ανάλυσης καθώς οι τακτικές προσπάθειες είναι βελτιωμένες.

(2) Σχεδιασμός και εκτέλεση έρευνας και διάσωσης: Το Coast Guard χρησιμοποιεί ένα πολύ εξελιγμένο μοντέλο σχεδιασμού SAR. Το σύστημα βέλτιστου σχεδιασμού αναζήτησης και διάσωσης έχει κάποια δυνατότητα να εξετάσει την εξέλιξη της πορείας της δράσης ... αλλά τι γίνεται αν αυτές οι προηγμένες μαθηματικές τεχνικές θα μπορούσαν να χρησιμοποιηθούν για να βελτιώσουν τα πρότυπα αναζήτησης με βάση την επιτυχία του παρελθόντος και να βοηθήσουν τους υπεύθυνους λήψης αποφάσεων να εξετάσουν τους καλύτερους συνδυασμούς περιουσιακών στοιχείων;

(3) Απόκριση πετρελαιοκηλίδας: Το 1998, ο Μίροσλαβ Κούβατ, ο Ρόμπερτ Χολτ και ο Στάντ Ματίνγκ δημοσίευσαν το άρθρο "Μηχανική μάθηση για την ανίχνευση πετρελαιοκηλίδων σε δορυφορικές εικόνες ραντάρ", στο οποίο συζητήθηκε η ιδέα της χρήσης εφαρμογών AI / ML σε να υποστηρίξει την απάντηση σε μια πετρελαιοκηλίδα. Σήμερα, ειδικά μετά το γεγονός του Deepwater Horizon, η ανάγκη να κατανοηθεί όσο το δυνατόν περισσότερο η διαρροή και να αναλυθεί η μελλοντική του κίνηση και ο καλύτερος τρόπος να αναπτυχθούν τα περιουσιακά στοιχεία από τα μη επανδρωμένα εναέρια οχήματα στα σκάφη της ευκαιρίας μπορεί να είναι μια προοδευτική εφαρμογή AI / ML. Έρευνα που δημοσιεύθηκε το 2014 στο περιοδικό «Abstract and Applied Analytics» ανέλυσε την ανίχνευση πετρελαιοκηλίδας με μοντέλα με σκοινί σμήνους ως σημείο εκκίνησης.

(4) Πράξεις επιβολής του νόμου: Ο προγραμματισμός αυτής της αποστολής είναι τόσο σκόπιμος όσο και καθοδηγούμενος από ένα ευρύ φάσμα παραγόντων, με το κλειδί να είναι ευαίσθητη. Για παράδειγμα, οι μονάδες Ακτοφυλακής κάτω από τον τακτικό έλεγχο μιας ομάδας εργασίας θα μπορούσαν να επωφεληθούν από αυτό το είδος της ανάλυσης για να επηρεάσουν τις επιχειρήσεις τελικού παιχνιδιού. Οι εφαρμογές AI / ML θα μπορούσαν να αποτελέσουν πραγματικό όφελος, ενδεχομένως ενσωματώνοντας αισθητήρες επί του σκάφους με θαλάσσια περιπολικά σκάφη και άλλα περιουσιακά στοιχεία του έθνους, για να βάλουν τα περιουσιακά στοιχεία από το τέλος της παρτίδας στη σωστή θέση.

Από τη χρήση τεχνητής νοημοσύνης για την ανίχνευση της απάτης στη χρήση της πιστωτικής κάρτας έως την εφαρμογή μηχανικής μάθησης για να βοηθήσει τους γιατρούς να ερμηνεύσουν τις ακτινολογικές εικόνες, αυτές οι προηγμένες μαθηματικές τεχνικές έχουν αντίκτυπο σε μια σειρά επαγγελμάτων και στις απαιτήσεις τους. Αυτές οι τέσσερις συγκεκριμένες περιοχές αποστολής της Ακτοφυλακής προτείνονται για διερεύνηση της εφαρμογής του AI / ML. Είναι η πεποίθηση του συγγραφέα ότι η χρήση αυτών των προηγμένων τεχνικών μπορεί να κάνει τη διαφορά στην ανάπτυξη πολιτικής της USCG, την κατάρτιση, τη συμπεριφορά άσκησης, τον προγραμματισμό και την εκτέλεση της αποστολής. Ως έθνος μόλις αρχίσουμε να βλέπουμε τη δύναμη αυτών των προηγμένων μαθηματικών τεχνικών σε πολλές πτυχές της ζωής - τοποθετώντας την Λιμενική Επιχείρηση για να τις εκμεταλλευτεί, το τελικό αποτέλεσμα μπορεί να είναι προϊόντα που βοηθούν τους υπεύθυνους λήψης αποφάσεων να βοηθήσουν στην ολοκλήρωση της αποστολής.
Οι απόψεις που περιλαμβάνονται σε αυτό το άρθρο είναι αυτές του συγγραφέα και δεν αντιπροσωπεύουν επίσημη θέση της Ακτοφυλακής των ΗΠΑ.

Σχετικά με τον συντάκτη: Ο Δρ Joe DiRenzo είναι ο Διευθυντής Ερευνητικών Συμπράξεων στο Κέντρο Έρευνας και Ανάπτυξης των Ακτοφυλακών των ΗΠΑ. Είναι ο πρώην διευθυντής έργου για το έργο AI / ML της υπηρεσίας που περιλαμβάνει σχεδιασμό αντιμετώπισης καταστροφών, έναν συνταξιούχο αξιωματικό της USCG και πρώην διοικητή κοπής. Είναι συνηθισμένος συνεισφέρων στον ναυτιλιακό ρεπόρτερ και στις ειδήσεις της τεχνολογίας και στον ναυτιλιακό τεχνολογικό αναμεταδότη.

Το 10ο Ετήσιο Συμπόσιο Ναυτιλιακών Κινδύνων προγραμματίζεται για τις 13-15 Νοεμβρίου, 2019, στο SUNY Maritime στη Νέα Υόρκη.
www.sunymaritime.edu/MRS2019