Synthetische data voor defensie-AI-training: wanneer echte data geclassificeerd is

Defensie-AI heeft een dataprobleem dat commerciële AI niet heeft. De operationele data die een model werkelijk nuttig zou maken — IR-beeldvorming van vijandelijke voertuigen, SAR-retourwaarden van betwist terrein, EO-opnamen van ISR-sorties, RF-spectrumcollecties van echte confrontaties — is bijna altijd geclassificeerd op FOUO, SECRET of hoger. De engineers die het model trainen hebben zelden de veiligheidsmachtiging, het werkstation of de netwerkverbinding die nodig zijn om het aan te raken. Synthetische data is hoe programma's toch leveren.

Dit is geen omweg. Het is nu de dominante trainingsstrategie voor de meeste defensie computer vision- en sensor-AI-programma's, waarbij geclassificeerde data alleen voor eindvalidatie wordt gebruikt. De discipline die de aanpak geloofwaardig maakt zit in de simulatie-engineering, de sim-to-real-brug en de validatie-evidentie — niet in de modelarchitectuur.

Het geclassificeerde-dataprobleem

De eerlijke versie van de beperking: een defensieprogrammakantoor heeft duizenden uren missiedata op geclassificeerde netwerken. De engineering-leverancier heeft gescreende personen — soms één of twee — die er toegang toe hebben op een SCIF-werkstation, het langzaam handmatig kunnen labelen en niets van het enclave kunnen versturen. Cloud GPU-training is geen optie. Labeltools die naar huis bellen zijn geen optie. Het team eindigt met misschien dertig representatieve voorbeelden voor een klasse die tienduizend nodig heeft.

Dit is de "30 voorbeelden"-realiteit die de hele synthetische-datadiscipline aandrijft. Een modern objectdetector heeft gebalanceerde klassen nodig over verlichting, bereik, aspect, occlusie, seizoen en sensormodus. Echte geclassificeerde data is bevooroordeeld naar wat de verzamelingsplatforms toevallig over vlogen, op welke dagen ze vlogen. Zelfs wanneer het volume bestaat, is de distributie verkeerd. Synthetische data is de enige manier om de lange staart te sluiten.

Categorieën synthetische data

Game-engine-gerenderd. Unreal Engine 5, Unity en NVIDIA Omniverse Replicator zijn nu de werkhorstools voor het genereren van fotorealistisch synthetisch beeld. Programma's bouwen digitale tweelingen van relevant terrein (vaak van publieke DTED-, Sentinel-2- en Maxar-tegels), vullen ze met hoogwaardige voertuig- en vliegtuigmodellen en renderen onder gecontroleerde verlichting, weer- en sensorparameters. De randomisatie-API van Omniverse Replicator is de standaard voor het genereren van miljoenen gelabelde frames met ground-truth bounding boxes, segmentatiemasks en dieptekaarten inbegrepen.

GAN- en diffusiegegenereerd. StyleGAN3, Stable Diffusion fine-tunes en doelgerichte conditionele diffusiemodellen genereren beeldvorming direct. Het voordeel is fotorealisme zonder modelleringsinspanning; het nadeel is dat labels niet gratis komen en statistische artefacten downstream-modellen kunnen vergiftigen. In defensiegebruik is GAN-gegenereerde beeldvorming het nuttigst voor verrijking — bestaande frames verstoren — in plaats van als primaire trainingsdata.

Verrijking vanuit publieke bronnen. Publieke gegevenssets (xView, DOTA, FMOW, RarePlanes, SpaceNet) bieden een basis van luchtfoto's met permissieve licenties. Defensieprogramma's verrijken deze door synthetische voertuigen samen te stellen, sensorrealistische degradatie toe te passen en spectra opnieuw in te kaarten. Het resultaat is hybride data — publiek substraat, synthetische voorgrond — met controleerbare herkomst.

Hybride pijplijnen. Productieprogramma's combineren alle drie. Een typische stack: Omniverse genereert een miljoen gelabelde IR-frames over een geparametriseerde scenarioruimte, een diffusiemodel verstoort texturen en atmosferische omstandigheden voor diversiteit, en publiekebron-samenstelling vult hiaten voor specifieke klassen die de simulatierigs nog niet dekken. De uitvoer is één gegevensset, met consistente labeling en één herkomstregister.

Simulatiepijplijnen

De engineeringstack achter een geloofwaardige synthetische IR/EO/SAR-pijplijn heeft vier lagen. Terrein. Hoogtekaarten van SRTM of door programma geleverde DTED, oppervlaktematerialen van Sentinel-2 landbedekkingsclassificaties en procedurele vegetatie geplaatst per ecotype. Cesium ion en Houdini worden veel gebruikt voor terreinontwerp; Omniverse en Unreal nemen het resultaat op.

Atmosferische omstandigheden. Volumetrische wolken, nevel, neerslag en tijd-van-de-dag verlichting. Voor IR specifiek betekent dit het modelleren van atmosferische transmissie per band met MODTRAN of een snellere surrogaat, niet alleen het toevoegen van mist als visueel effect. Programma's die fysisch-gebaseerde atmosferische effecten overslaan leveren modellen die werken bij helder weer en falen bij dageraad.

Sensormodellen. Camera-intrinsics, brandpuntsafstand, belichting, ruisvloer, MTF en bandspecifieke responsiecurves. Voor SAR betekent dit een volledige elektromagnetische simulator (RaySAR, SARviz of commerciële tools zoals CohRaS) die speckle-correcte retourwaarden produceert in plaats van gerenderde "SAR-uitziende" grijswaarden. Het sensormodel is wat trainingsdata die overdraagt scheidt van trainingsdata die dat niet doet.

Doelcatalogi. 3D-modellen van relevante voertuigen, vliegtuigen en infrastructuur, met thermische handtekeningplaten voor IR en materiaal elektromagnetische eigenschappen voor SAR. Publieke CAD-repositories dekken commerciële klassen; defensiespecifieke modellen worden besteld bij leveranciers zoals TurboSquid Pro, RocketBox of intern gebouwd vanuit fotogrammetrie. Elk model draagt een kwaliteitsgraad — alleen geometrie, geometrie plus materialen, geometrie plus materialen plus handtekeningen — en de gegevensset registreert welke graad werd gebruikt voor elk frame.

Sim-to-real domeinkloof

Een model getraind puur op synthetische data en getest op echte data faalt bijna altijd. De kloof is het "sim-to-real"-probleem, en het sluiten ervan is het moeilijkste single engineering-probleem in deze discipline.

Domeinrandomisatie is het eerste en meest betrouwbare middel. In plaats van te proberen synthetisch beeld er echt uit te laten zien, randomiseer aggressief over texturen, verlichting, cameraparameters en atmosferische omstandigheden zodat het echte domein eruitziet als slechts een andere sample. Het onderzoek van NVIDIA naar domeinrandomisatie voor objectdetectie — en het eerdere werk van Tesla aan rijden — toonden allebei aan dat randomisatie fotorealisme verslaat voor overdracht.

Domeinadaptatie is het tweede middel. CycleGAN-stijl beeldvertaling verschuift synthetische frames naar de echte distributie; kenmerk-niveau adaptatiemethoden (DANN, ADDA, CDAN) richten geleerde representaties uit. Voor defensiegebruik is de beperking dat de "echte" kant van de adaptatie niet-geclassificeerd of toegankelijk moet zijn onder dezelfde controles als het model — wat doorgaans betekent een kleine, vrijgeefbare echte referentieset gebruiken in plaats van het volledige geclassificeerde corpus.

De validatiekloof. Naïeve pijplijnen rapporteren synthetische testnauwkeurigheid, zien negentig-plus procent en leveren. Dan ontmoet het model echte data en zakt het in. De enige maatstaf die ertoe doet is nauwkeurigheid gemeten op echte, in-distributie data. Synthetische testnauwkeurigheid is een gezondheidscheck, geen vrijgavepoort.

Validatie tegen echte data

Validatie tegen echte geclassificeerde data is waar de synthetische-datadiscipline vertrouwen verdient of verliest. Het patroon dat werkt: het engineeringteam traint volledig op het niet-geclassificeerde synthetische corpus, stuurt het model naar het geclassificeerde enclave als een verzegeld artefact en het gescreende validatieteam voert evaluatie uit op een kleine afgehouden echte gegevensset aan de geclassificeerde kant. De maatstaven — precisie, recall, kalibratie-curven, per-klasse verwarring — worden teruggegeven aan het engineeringteam als getallen, niet als beeldvorming.

Kalibratie is net zo belangrijk als nauwkeurigheid. Een model dat "tank" voorspelt met 99% betrouwbaarheid voor een doel dat het nooit betrouwbaar heeft gezien is gevaarlijk. Defensievalidatiepijplijnen bevatten betrouwbaarheidsdiagrammen en verwachte kalibratiefout (ECE) naast topnauwkeurigheid. Programma's die stroomafwaarts van analistentriage werken hebben de betrouwbaarheidsgetallen nodig om iets te betekenen.

De validatieset zelf wordt behandeld als een beheerd materiaal. Het moet representatief zijn voor de inzetdistributie, bevroren over modelversies voor vergelijkbaarheid, en periodiek vernieuwd naarmate de operationele omgeving verschuift. Een validatieset die te klein of verouderd is produceert vals vertrouwen; een die te dynamisch is maakt regressiedetectie onmogelijk.

Herkomst en controleerbaarheid

Elk frame in een defensie synthetische gegevensset moet herleidbaar zijn. Het herkomstregister registreert: welke simulatorversie het produceerde, welke scenarioparameters, welke doelmodelkwaliteitsgraad, welk atmosferisch model, welk willekeurig zaad en welk sensorprofiel. Wanneer een model later faalt bij inzet, moet het team de vraag kunnen stellen "hebben we ooit getraind op iets dat op deze scène lijkt?" — en antwoorden met bewijs, niet met giswerk.

Modelkaarten zijn de documentatielaag. Een defensiemodelkaart onthult trainingsdata-samenstelling — percentage synthetisch per categorie, percentage publiek, percentage hybride, percentage echt — naast de validatie-evidentie op de echte set. Dit is steeds vaker een accreditatievereiste, niet een nice-to-have. DoD's verantwoordelijke AI-richtlijnen, NATO STO TR-IST-178 en verschillende nationale AI-accreditatieregimes verwachten allemaal gedocumenteerde datalijnage als voorwaarde voor inzet.

Juridische en ethische beperkingen

Synthetisch betekent niet onbeperkt. Beeldrechten zijn van belang voor hybride pijplijnen: publieke gegevenssets hebben licenties, fotogrammetrie van echte objecten heeft auteursrechtimplicaties en commerciële 3D-modelmarktplaatsen hebben specifieke clausules die gebruik in wapensystemen verbieden. Programma's die licentievoorwaarden negeren creëren downstream juridische blootstelling die aan de oppervlakte komt tijdens accreditatiebeoordeling, niet tijdens ontwikkeling.

Classificatie van synthetische uitvoer. Synthetische beeldvorming van een echt, gevoelig systeem — zelfs gerenderd vanuit publieke CAD — kan zelf geclassificeerd worden zodra het nauwkeurig handtekeningen reproduceert die geclassificeerd waren. Programma's hebben een classificatiegids nodig voor hun synthetische-datauitvoer, goedgekeurd door de beveiligingsfunctionaris van de klant, voordat generatie begint. Retroactieve classificatie is kostbaar.

Dual-use overwegingen. Synthetische datapijplijnen die doelherkenningsmodellen trainen zijn per constructie dual-use. Exportcontroles (ITAR, EAR, EU 2021/821) zijn van toepassing op de simulatietools, de doelmodellen en de getrainde gewichten. Het engineeringteam heeft exportcontrolebeoordelng nodig op drie punten: toolselectie, doelcatalogusassemblage en modelrelease.

Wat werkt in productie

Het patroon dat is ontstaan in geloofwaardige defensie-AI-programma's in 2025–2026 is federatieve training: synthetische-datavoortraining op schaal op niet-geclassificeerde infrastructuur, fine-tuning aan de geclassificeerde rand op echte data die het engineeringteam nooit ziet. Het voorgetrainde model draagt negentig-plus procent van de capaciteit; de geclassificeerde fine-tune sluit de laatste kloof. De architectuur sluit van nature aan bij federatieve leerpatronen die al worden gebruikt voor sensornetwerken.

Continue synthetische-dataverversing is de operationele gewoonte die serieuze programma's scheidt van éénmalige leveringen. Naarmate het operationele beeld verandert — nieuwe vijandelijke voertuigvarianten, nieuwe operatieomgevingen, nieuwe sensorpayloads — produceert de simulatirig nieuwe trainingstranches op een maandelijkse of driemaandelijkse cadans. Het model wordt opnieuw getraind, opnieuw gevalideerd op de geclassificeerde set en opnieuw geïmplementeerd. Programma's die training als een eenmalige gebeurtenis behandelen zien hun nauwkeurigheid onzichtbaar afnemen.

Voor volledige context over hoe synthetische data in de bredere defensie-AI-stack past, zie onze complete gids voor AI in defensie en de discussie over waar modellen leven in de sensor-edge-laag. Synthetische-datadiscipline is geen onderzoeksonderwerp; het is nu het standaard leveringspatroon, en de programma's die het met engineering-gedisciplineerdheid behandelen zijn degene waarvan de modellen daadwerkelijk werken wanneer de echte data eindelijk arriveert.