Sensor-kant AI is de vindingsfase-AI in de sensor-tot-schutter-cyclus. Ze draait op UAV-payloads, grondvoertuigen, soldaat-gedragen apparaten, grondgebaseerde radarprocessoren en tactische edge-servers. De compressie die ze levert — ruwe sensoruitvoer omzetten in gerangschikte kandidaatdetecties in milliseconden — is de meest operationeel bewezen AI-capaciteit in defensie in 2026. Deel 2 behandelt de engineering van deze laag: hardwarekeuzes, modelimplementatie, de datapijplijn en de storingswijzen die opduiken in operaties.

Het architectonische kader is vastgesteld in Deel 1: De cyclus en de bredere AI-discipline in De volledige gids voor AI in defensiesoftware. Dit deel gaat operationeel.

Waarom inferentie aan de rand thuishoort

Het argument voor edge-inferentie is viervoudig en begrensd.

Latentie. Een UAV-detectie die 100 ms duurt aan de rand kan 1-5 seconden kosten voor een retourvlucht naar een gecentraliseerde inferentieservice via een betwiste verbinding. Voor tactische scenario's waarbij de cyclus in seconden sluit, is dit verschil doorslaggevend.

Bandbreedte. Een 4K full-motion-videostream van een UAV is megabytes per seconde. De detectie-uitvoer — een paar begrenzingsvakken met classificaties en betrouwbaarheden — is bytes per detectie. Alleen de inferentie-uitvoer terugsturen, plus selectief de videofragmenten die ze activeerden, reduceert de verbindingsbelasting met ordes van grootte.

Veerkracht. De UAV die verbinding verliest, blijft detecteren, classificeren en opslaan. Wanneer de verbinding terugkeert, stromen de gebufferde detecties terug. Een platform dat centrale inferentie vereist om te functioneren wordt nutteloos tijdens de onvermijdelijke verbindingsonderbrekingen.

Beveiliging. Minder ruwe data die het beveiligde apparaat verlaat betekent een kleiner aanvalsoppervlak, eenvoudiger classificatieafhandeling en minder uitgangsplaatsen voor de beveiligingsbeoordeling. Voor gevoelige sensoren die op hoge classificatieniveaus werken, houdt edge-inferentie het model ook eigendomsrechtelijk beschermd — de gewichten blijven op het apparaat.

Het bredere edge-AI-toepassingslandschap wordt behandeld in Militaire toepassingen van edge-AI.

Hardware: wat draait waar

De hardwarekeuzes voor edge-AI in defensie worden beperkt door vermogen, thermische envelop, ITAR-overwegingen en het fysieke platform dat de inferentie herbergt.

UAV-payloads. De NVIDIA Jetson Orin-familie domineert voor tactische en operationele UAV's. Sterke inferentiedoorvoer per watt, volwassen TensorRT-integratie, goed begrepen door integrators. ITAR-positionering is belangrijk in Europese programma's — zie ITAR-vrije defensiesoftware. Kleinere UAV's gebruiken steeds vaker Qualcomm QCS-klasse SoC's of speciale NPU's (Hailo, Ambarella) voor betere prestaties per watt bij kleine budgetten.

Grondvoertuigen. Hogere vermogen- en thermische speelruimte dan UAV's maakt geharde server-klasse GPU's (NVIDIA L4, RTX A-serie) of multi-Jetson-clusters mogelijk. De compute-envelop van het voertuig wordt begrensd door de dynamo en het koelsysteem in plaats van door componentbeperkingen.

Soldaat-gedragen apparaten. Strenge vermogen- en thermische budgetten dwingen tot speciale NPU's, vaak geïntegreerd in de hoofd-SoC van het apparaat (Qualcomm, MediaTek industriële varianten). Inferentievertraging wordt beperkt door het kleine model dat past.

Tactische edge-servers. Geharde 1U- of 2U-chassis op compagnies- of bataljons-commandoposten. Meerdere GPU's, meerdere TB opslag, draaien meerdere modelinstanties. Hetzelfde chassis is het implementatiedoel voor fusie, COP-backends en centrale inferentieservices die de kleinere edge-apparaten niet kunnen uitvoeren.

De gedetailleerde hardwarevergelijking en selectiecriteria staan in Edge-AI-hardwarevergelijking.

De modelpijplijn: centraal trainen, aan de rand infereren

Het patroon is consistent over edge-AI in defensie. Train op hoge precisie in een beveiligd datacenter met geaggregeerde multi-brongegevens. Kwantiseer en converteer naar de doelinfereringsruntime. Valideer tegen implementatieomgevingsgegevens. Implementeer als ondertekende artefacten op de edge-platforms.

De fasen, in engineeringdetail:

Voorbereiding trainingsdata. Defensietrainingsdata is schaars, geclassificeerd, vertekend naar wat de beschikbare sensoren toevallig hebben vastgelegd en ongelijkmatig gelabeld. De investering in labeling, herkomsttracking en klasseverdeling is structureel — zonder deze zijn stroomafwaartse nauwkeurigheidsclaims betekenisloos. Synthetische data vult hiaten; nooit alleen. Zie Synthetische data voor defensie-AI.

Training. Conventionele PyTorch- of TensorFlow-training in een beveiligde omgeving. Modellen zijn vision transformers, YOLO-familie detectors of gespecialiseerde architecturen afhankelijk van sensormodaliteit. Hyperparameters en architectuurkeuzes worden bijgehouden naast de modelgewichten voor reproduceerbaarheid.

Kwantisatie. FP32-training, INT8- of INT4-implementatie. Kwantisatiebewuste training waar nauwkeurigheidsdegradatie onaanvaardbaar is. De nauwkeurigheidsdelta tussen trainingsprecisie en implementatieprecisie wordt gemeten op de implementatieomgevingsvalidatieset — niet op de trainingsset, die de regressie zou onderschatten.

Conversie. ONNX als uitwisselingsformaat. TensorRT voor NVIDIA-doelen, leveranciersspecifieke runtimes elders (Qualcomm SNPE, Hailo runtime, enz.). De conversiepijplijn is end-to-end geautomatiseerd; handmatige conversie overleeft de eerste modelupdate niet. Het patroon staat in ONNX en TensorRT-modeloptimalisatie.

Validatie. Het geconverteerde, gekwantiseerde model wordt gevalideerd tegen een representatieve validatieset die overeenkomt met de implementatieomgeving. Een model dat goed presteert op laboratoriumgegevens en slecht op operationele gegevens is operationeel nutteloos — en bijna gegarandeerd tenzij de validatieset de werkelijkheid weerspiegelt.

Implementatie. Ondertekende artefacten geïmplementeerd op edge-platforms via de C2-softwaretoeleveringsketen. Updatefrequentie afgestemd op het operationele ritme en de onderhoudsvenstertijden van het platform. Terugdraaipadenv getest, niet aangenomen.

De edge-datapijplijn

De edge-AI functioneert niet in isolatie. Het maakt deel uit van een datapijplijn die de cyclus sluit met centrale training.

Uitgaand van de rand. Detectie-gebeurtenissen stromen terug naar de C2-fusiemotor als kandidaattracks. Het detectie-naar-track-adapterpatroon is dat van Een C2-systeem bouwen, deel 2: De fusiemotor.

Selectieve volledige-dataterugkeer. Wanneer bandbreedte het toelaat, stromen de videofragmenten, audiosegmenten of signaalsampleso die hoge-betrouwbaarheidsdetecties activeerden, centraal terug. Deze worden toekomstige trainingsdata. Selectiviteit is beleidsgestuurd — operatorsbevestigingssnelheid, noviteitsdetectie, opzettelijke steekproeven voor moeilijke voorbeelden.

Actief leren terugkoppeling. Waar operators detectielabels corrigeren — valse positieven gemarkeerd, gemiste objecten toegevoegd — voeden de correcties terug naar de trainingsgegevensopslag met herkomst. Dit sluit de cyclus tussen operaties en modelverbetering.

Driftmonitoring. Het platform volgt modelprestaties in de loop van de tijd. Betrouwbaarheidsverdelingen, classificatieverdelingen en operator-correctiesnelheden signaleren drift voordat het een implementatieprobleem wordt. Driftdetectie triggert hertraining, geen stille degradatie.

Sensormodaliteiten: verschillende sensoren, verschillende AI

Hetzelfde architectonische patroon manifesteert zich anders in sensormodaliteiten.

Elektro-optische (EO) en infrarood (IR) beeldvorming van UAV's. De canonieke edge-AI-toepassing. Objectdetectie, classificatie, tracking door video. Engineering behandeld in Computer vision in defensiesystemen.

Synthetische-apertuurradar (SAR). Detectie uit SAR-beeldmateriaal is snel volwassen geworden. Deep-learning-detectors getraind op SAR-specifieke kenmerken (spikkelpatronen, verstrooiingskenmerken) overtreffen klassieke methoden bij de bewegend-doelwit-indicator (GMTI) en veranderingsdetectietaken.

SIGINT en ELINT. Signaalclassificatie, modulatieherkenning, emittervingerafdrukking. Deep learning heeft klassieke feature-engineering voor veel van deze taken verdrongen of aangevuld. Zie SIGINT-platformcomponenten.

Akoestisch. Schietdetectie, voertuigclassificatie, UAV-detectie op akoestische handtekening. Edge-implementeerbaar op kleine vermogensbudgetten — akoestische ML is rekenkundig lichter dan vision-ML.

AIS en ADS-B. Anomaliedetectie op civiel-uitgezonden tracks. Gespoofte AIS-detectie, gedragsanomalieidentificatie. Het patroon staat in AIS en ADS-B integreren in een militair beeld.

Kernbevinding: Het model dat werkt in het laboratorium is niet het model dat operaties overleeft. Laboratoriummodellen hebben vaak hogere nominale nauwkeurigheid en lagere operationele nauwkeurigheid omdat hun trainingsdata geen tegenstrijdige invoer, sensorjammen, weerdegradatie en de zeldzame-maar-kritieke randgevallen bevat. Het operationele model is een voortdurend verbeterde afstammeling van het laboratoriummodel — niet het laboratoriummodel zelf.

Storingswijzen in operaties

Edge-AI-modellen falen in operaties op gepatronneerde manieren. Het platform ontwerpen om deze storingen zichtbaar te maken in plaats van te maskeren is de helft van de operationele discipline.

Distributieschuif. Operationele sensoren zien dingen die de trainingsdata niet bevatte — nieuwe voertuigtypes, nieuwe camouflagepatternen, nieuwe weersomstandigheden. Het model geeft zelfverzekerde-maar-verkeerde classificaties terug. Mitigatie: driftmonitoring, buiten-distributie-detectie, conservatieve betrouwbaarheidskalibratie, snelle hertraining wanneer drift wordt gedetecteerd.

Tegenstrijdige invoer. Opzettelijke manipulatie van de sensorinvoer om de classifier te misleiden. Tegenstrijdige patches, sensorspoofen, deepfake-beeldmateriaal. Mitigatie: tegenstrijdige training, ensemble-methoden, gezondheidscontroles tegen op fysica gebaseerde priors. De robuustheidsdiscipline moet van sprint één af worden ingebouwd; het achteraf inbouwen is onbetrouwbaar.

Sensordegradatie. Jammers, mist, vuil op de lens, intermitterend vermogen. Het model ontvangt gedegradeerde invoer en produceert gedegradeerde uitvoer, vaak met verkeerd gekalibreerde betrouwbaarheid. Mitigatie: expliciete gedegradeerde-invoerdetectie, betrouwbaarheidskalibratie tegen gedegradeerde voorbeelden in training, sierlijke-degradatiepaden naar operatorbeoordeling.

Hardwarestoring. De Jetson oververhit. De NPU verliest synchronisatie. De inferentie geeft onzin of nul terug. Mitigatie: gezondheidsmonitoring, watchdogs, terugval naar lagere-kwaliteitsinferentie, snelle failover naar andere knooppunten.

Modelveroudering. Het geïmplementeerde model is zes maanden oud; het dreigingsbeeld is geëvolueerd. Mitigatie: geplande hertraining en herimplementatie, operationeel gestuurde updatefrequentie, de implementatiepijplijn die een nieuw model in dagen in plaats van maanden in het veld krijgt.

Wanneer gefedereerd leren helpt

Gefedereerd leren is de juiste techniek wanneer trainingsdata op meerdere locaties aanwezig is die ze niet kunnen delen. In defensie is het canonieke geval multi-nationaal coalitiegegevens — radarsporen waargenomen door geallieerde naties, sensorinvoer van partnerstrijdkrachten — die om juridische, classificatie- of soevereiniteitsredenen niet kunnen worden gecentraliseerd.

Het patroon: elke locatie traint lokaal op zijn eigen gegevens; alleen modelgradiënten of gewichtsupdates verlaten de locatie. Een coördinator aggregeert updates tot een globaal model. De geclassificeerde gegevens bewegen nooit. Het engineeringpatroon, inclusief beveiligde aggregatie en byzantijnse-robuustheidsoverwegingen, staat in Gefedereerd leren voor militaire sensoren.

Gefedereerd leren is operationeel complex. Installatietijd is lang; vertrouwen tussen deelnemende locaties is fundamenteel; accreditatie van de coördinator is niet triviaal. De techniek wordt ingezet wanneer het centralisatiealternatief onmogelijk of politiek geblokkeerd is. Het is niet het juiste gereedschap voor éénnatietrainingspijplijnen, hoe aantrekkelijk de architectuur ook klinkt in een presentatie.

Wat volgt

Deel 2 heeft de vindingsfase-AI behandeld. Sensoren produceren detecties, edge-inferentie filtert en rangschikt ze, de datapijplijn sluit de cyclus met centrale training. Het platform heeft nu betrouwbare kandidaten die terugstromen naar operators.

Deel 3 neemt de kandidaten en gaat operationeel in de aanwijzingsfase. Beslissingsondersteunings-AI, aanbevolen inzetlijsten, handelwijzeanalyse, LLM-uitgebreide briefingtools — en de structurele patronen die mensen in de lus houden terwijl AI cognitie comprimeert.