AI de Apărare de la Senzor la Trăgător, Partea 2: AI la Nivelul Senzorului — Detectare și Triere la Margine

AI la nivelul senzorului este AI-ul etapei de găsire din bucla senzor-trăgător. Rulează pe sarcini utile UAV, vehicule terestre, dispozitive purtate de soldați, procesoare radar terestre și servere de margine tactică. Compresia pe care o asigură — convertirea ieșirii brute a senzorilor în detecții candidate ordonate în milisecunde — este cea mai dovedită operațional capabilitate AI în apărare în 2026. Partea 2 acoperă ingineria acestui strat: alegeri hardware, implementarea modelului, conducta de date și modurile de eșec care apar în operațiuni.

Cadrul arhitectural este stabilit în Partea 1: Bucla și disciplina AI mai largă în Ghidul Complet privind AI în Software-ul de Apărare. Această parte devine operațională.

De ce Inferența Aparține la Margine

Argumentul pentru inferența la margine este în patru puncte și delimitat.

Latență. O detecție UAV care necesită 100 ms la margine poate necesita 1-5 secunde tur-retur la un serviciu de inferență centralizat pe o legătură contestată. Pentru scenariile tactice unde bucla se închide în secunde, această diferență este decisivă.

Lățime de bandă. Un flux video full-motion 4K de la un UAV este megabytes pe secundă. Ieșirea de detecție — câteva casete de limitare cu clasificări și încrederi — sunt bytes per detecție. Trimiterea înapoi numai a ieșirii de inferență, plus selectiv cipurile video care le-au declanșat, reduce sarcina legăturii cu ordine de mărime.

Reziliență. UAV-ul care pierde legătura continuă să detecteze, clasifice și stocheze. Când legătura revine, detecțiile tampon curg înapoi. O platformă care necesită inferență centrală pentru a opera devine inutilă în timpul inevitabilelor întreruperi ale legăturii.

Securitate. Mai puține date brute care părăsesc dispozitivul securizat înseamnă o suprafață de atac mai mică, o gestionare mai simplă a clasificării și mai puține puncte de ieșire pentru revizuirea de securitate. Pentru senzorii sensibili care operează la niveluri ridicate de clasificare, inferența la margine menține și modelul proprietar — ponderile rămân pe dispozitiv.

Peisajul mai larg al cazurilor de utilizare edge-AI este tratat în Cazuri de Utilizare Militară Edge AI.

Hardware: Ce Rulează Unde

Alegerile hardware pentru edge-AI în apărare sunt constrânse de putere, anvelopa termică, considerentele ITAR și platforma fizică care găzduiește inferența.

Sarcini utile UAV. Familia NVIDIA Jetson domină pentru UAV-urile tactice și operaționale. Debit puternic de inferență per watt, integrare TensorRT matură, bine înțeleasă de integratori. Poziționarea ITAR contează în programele europene — consultați Software de Apărare fără ITAR. UAV-urile mai mici folosesc din ce în ce mai mult SoC-uri de clasă Qualcomm QCS sau NPU-uri dedicate (Hailo, Ambarella) pentru o mai bună performanță-per-watt la bugete mici.

Vehicule terestre. Marja de putere și termică mai mare decât UAV-urile permite GPU-uri de server blindate (NVIDIA L4, RTX A-series) sau clustere multi-Jetson. Anvelopa de calcul a vehiculului este delimitată de alternator și sistemul de răcire mai degrabă decât de constrângerile componentelor.

Dispozitive purtate de soldați. Bugetele stricte de putere și termice conduc spre NPU-uri dedicate, adesea integrate în SoC-ul principal al dispozitivului (variante industriale Qualcomm, MediaTek). Latența de inferență este constrânsă de modelul mic care încape.

Servere de margine tactică. Șasiu blindat 1U sau 2U la posturile de comandă ale companiei sau batalionului. Mai multe GPU-uri, mai mulți TB de stocare, rulează mai multe instanțe de model. Același șasiu este ținta de implementare pentru fuziune, backend-uri COP și servicii de inferență centrală pe care dispozitivele mai mici nu le pot rula.

Comparația detaliată hardware și criteriile de selecție se află în Comparație hardware Edge AI.

Conducta de Model: Antrenează Central, Inferează la Margine

Modelul este consistent în edge AI de apărare. Antrenați la precizie ridicată într-un centru de date securizat cu date multi-sursă agregate. Cuantizați și convertiți la execuția de inferență țintă. Validați față de datele mediului de implementare. Implementați ca artefacte semnate pe platformele de margine.

Etapele, în detaliu ingineresc:

Pregătirea datelor de antrenament. Datele de antrenament de apărare sunt rare, clasificate, distorsionate față de ceea ce senzorii disponibili au capturat și etichetate inegal. Investiția în etichetare, urmărirea provenienței și echilibrarea claselor este structurală — fără ea, afirmațiile de acuratețe din aval sunt lipsite de sens. Datele sintetice umple golurile; niciodată singure. Consultați Date Sintetice pentru AI de Apărare.

Antrenament. Antrenament convențional PyTorch sau TensorFlow într-un mediu securizat. Modelele sunt transformatoare vizionale, detectoare din familia YOLO sau arhitecturi specializate în funcție de modalitatea senzorului. Hiperparametrii și alegerile arhitecturale sunt urmărite alături de ponderile modelului pentru reproductibilitate.

Cuantizare. Antrenament FP32, implementare INT8 sau INT4. Antrenament conștient de cuantizare acolo unde degradarea acurateței este inacceptabilă. Delta de acuratețe dintre precizia de antrenament și precizia de implementare este măsurată pe setul de validare al mediului de implementare — nu pe setul de antrenament, care ar subestima regresia.

Conversie. ONNX ca format de schimb. TensorRT pentru ținte NVIDIA, execuții specifice furnizorului în altă parte (Qualcomm SNPE, execuție Hailo, etc.). Conducta de conversie este automatizată de la capăt la capăt; conversia manuală nu supraviețuiește primei actualizări de model. Modelul se află în Optimizarea modelului ONNX și TensorRT.

Validare. Modelul convertit și cuantizat este validat față de un set de validare reprezentativ care corespunde mediului de implementare. Un model care performează bine pe date curate de laborator și prost pe date operaționale este operațional inutil — și aproape garantat dacă setul de validare nu reflectă realitatea.

Implementare. Artefacte semnate implementate pe platformele de margine prin lanțul de aprovizionare software C2. Cadence-ul de actualizare potrivit ritmului operațional și ferestrelor de întreținere ale platformei. Căi de revenire testate, nu presupuse.

Conducta de Date la Margine

AI de margine nu operează izolat. Face parte dintr-o conductă de date care închide bucla cu antrenamentul central.

Ieșire de la margine. Evenimentele de detecție curg înapoi la motorul de fuziune C2 ca urme candidate. Modelul adaptor detecție-la-urmă este cel din Construirea unui Sistem C2, Partea 2: Motorul de Fuziune.

Returnarea selectivă a datelor complete. Când lățimea de bandă permite, cipurile video, segmentele audio sau eșantioanele de semnal care au declanșat detecții cu încredere ridicată curg central. Acestea devin date de antrenament viitoare. Selectivitatea este condusă de politică — rata de confirmare a operatorului, detectarea noutăților, eșantionare deliberată pentru exemple dificile.

Feedback de învățare activă. Acolo unde operatorii corectează etichetele de detecție — pozitive false marcate, obiecte ratate adăugate — corecțiile curg înapoi la depozitul de date de antrenament cu proveniență. Aceasta închide bucla între operațiuni și îmbunătățirea modelului.

Monitorizarea derivei. Platforma urmărește performanța modelului în timp. Distribuțiile de încredere, distribuțiile de clasificare și ratele de corecție ale operatorilor aduc la suprafață derivele înainte ca acestea să devină o problemă de implementare. Detectarea derivei declanșează re-antrenamentul, nu degradarea silențioasă.

Modalități Senzori: Senzori Diferiți, AI Diferit

Același model arhitectural se instanțiază diferit pe modalitățile senzorilor.

Imagini electro-optice (EO) și infraroșu (IR) de la UAV-uri. Aplicația canonică edge-AI. Detectarea obiectelor, clasificarea, urmărirea prin video. Ingineria tratată în Viziunea prin Calculator în Sistemele de Apărare.

Radar cu apertura sintetică (SAR). Detectarea din imagini SAR s-a maturizat rapid. Detectoarele de învățare profundă antrenate pe caracteristici specifice SAR (modele de pâlpâire, semnături de dispersie) depășesc metodele clasice la sarcinile de indicator de țintă în mișcare (GMTI) și detectarea schimbărilor.

SIGINT și ELINT. Clasificarea semnalelor, recunoașterea modulației, amprentarea emițătorului. Învățarea profundă a înlocuit sau augmentat ingineria clasică a caracteristicilor pentru multe din aceste sarcini. Consultați Componentele Platformei SIGINT.

Acustic. Detectarea împușcăturilor, clasificarea vehiculelor, detectarea UAV după semnătură acustică. Implementabil la margine pe bugete de putere mici — ML acustic este mai ușor computațional decât ML vizual.

AIS și ADS-B. Detectare anomalii pe urmele difuzate civil. Detectarea AIS falsificat, identificarea anomaliilor comportamentale. Modelul se află în Integrarea AIS și ADS-B într-o Imagine Militară.

Moduri de Eșec în Operațiuni

Modelele edge AI eșuează în operațiuni în moduri modelate. Proiectarea platformei pentru a aduce la suprafață aceste eșecuri mai degrabă decât a le masca este jumătate din disciplina operațională.

Schimbarea distribuției. Senzorii operaționali văd lucruri pe care datele de antrenament nu le-au văzut — tipuri noi de vehicule, modele noi de camuflaj, condiții meteo noi. Modelul returnează clasificări corecte dar cu încredere mare. Atenuare: monitorizarea derivei, detectarea out-of-distribution, calibrarea conservatoare a încrederii, re-antrenament rapid la detectarea derivei.

Intrări adversariale. Manipulare deliberată a intrării senzorului pentru a induce în eroare clasificatorul. Patch-uri adversariale, falsificarea senzorilor, imagini deepfake. Atenuare: antrenament adversarial, metode ensemble, verificări de corectitudine față de prioritare bazate pe fizică. Disciplina de robustețe trebuie construită din sprint-ul unu; retrofitarea este nesigură.

Degradarea senzorului. Blocatoare, ceață, murdărie pe obiectiv, putere intermitentă. Modelul primește intrare degradată și produce ieșire degradată, adesea cu încredere miscalibrat. Atenuare: detectarea explicită a intrărilor degradate, calibrarea încrederii față de exemple degradate în antrenament, căi de degradare grațioasă la revizuire de operator.

Defecțiunea hardware. Jetson-ul se supraîncălzește. NPU-ul pierde sincronizarea. Inferența returnează nonsens sau zero. Atenuare: monitorizarea sănătății, watchdog-uri, fallback la inferență cu fidelitate mai mică, failover rapid la alte noduri.

Staleness model. Modelul implementat are șase luni; tabloul amenințărilor a evoluat. Atenuare: re-antrenament și re-implementare programate, cadence-ul de actualizare condus operațional, conducta de implementare care aduce un model nou pe câmp în zile nu luni.

Când Ajută Învățarea Federată

Învățarea federată este tehnica potrivită când datele de antrenament există pe mai multe situri care nu le pot partaja. În apărare, cazul canonic este datele coaliției multinaționale — urmele radar observate de națiunile aliate, intrările senzorilor de la forțele partenere — care nu pot fi centralizate din motive legale, de clasificare sau de suveranitate.

Modelul: fiecare sit antrenează local pe propriile date; numai gradienții modelului sau actualizările de ponderi părăsesc situl. Un coordonator agregează actualizările într-un model global. Datele clasificate nu se mișcă niciodată. Modelul ingineresc, inclusiv agregarea sigură și considerentele de robustețe byzantină, se află în Învățarea Federată pentru Senzorii Militari.

Învățarea federată este operațional complexă. Timpul de configurare este lung; încrederea între siturile participante este fundamentală; acreditarea coordonatorului este non-trivială. Tehnica se implementează când alternativa de centralizare este imposibilă sau blocată politic. Nu este instrumentul potrivit pentru conductele de antrenament cu o singură națiune, oricât de atractivă ar suna arhitectura pe o diapozitivă.

Ce Urmează

Partea 2 a acoperit AI-ul etapei de găsire. Senzorii produc detecții, inferența la margine le filtrează și ordonează, conducta de date închide bucla cu antrenamentul central. Platforma are acum candidați de încredere care curg înapoi la operatori.

Partea 3 preia candidații și devine operațional la etapa de țintire. AI pentru suport decizional, liste de angajare recomandate, analiza cursurilor de acțiune, instrumente de briefing augmentate cu LLM — și modelele structurale care mențin oamenii în buclă în timp ce AI comprimă cogniția.