Периферійний ШІ означає запуск інференсу в точці збору даних — на датчику, на платформі або в тактичному вузлі — замість передачі необроблених даних до хмари або центру обробки даних. У комерційному контексті це переважно оптимізація затримки та пропускної здатності. У військовому контексті це часто єдиний можливий варіант.

Сучасна війна постійно деградує або перериває канали зв'язку. UAV, що діє за 40 км від найближчого ретранслятора в умовах РЕБ-протистояння, не може покладатися на 500 мс зворотний шлях до хмарного інференс-ендпоінту. Він повинен класифікувати, виявляти та діяти — або принаймні фільтрувати та стискати дані — використовуючи бортові обчислення. Периферійний ШІ це забезпечує.

Чому периферійний підхід кращий за хмарний у військових застосуваннях

Три оперативних реалії роблять ШІ, що залежить від хмари, непридатним для використання на передньому краю:

Затримка. Модель виявлення цілей, що працює в хмарному центрі обробки даних, вносить щонайменше 200–400 мс мережевої затримки, перш ніж результат стає доступним оператору або системі. Для кінематичних цілей — рухомих транспортних засобів, маневруючих літаків — ця затримка означає десятки метрів невизначеності позиції. Периферійний інференс на NVIDIA Jetson Orin, навпаки, може виробляти виявлення менш ніж за 20 мс від захоплення кадру.

Відсутність зв'язку. Заглушення GPS, заглушення зв'язку та фізичне порушення ліній зв'язку є стандартними тактиками противника в конфліктах між рівними за силою сторонами. Будь-яка система, що вимагає підключення для правильної роботи, є системою, яку можна вивести з ладу без кінетичних засобів. Периферійний інференс продовжує працювати навіть коли радіоканал відключений.

Обмеження пропускної здатності. Тактичний радіоканал може мати 64 кбіт/с у сприятливих умовах. Відеопотік 1080p вимагає приблизно 2 Мбіт/с навіть з агресивним стисненням. Потокова передача необроблених даних датчиків до центру обробки є неможливою; по обмеженому каналу можна передавати лише структуровані результати (виявлення, треки, аномалії). Периферійний ШІ є механізмом, що виробляє ці структуровані результати.

Комп'ютерний зір UAV для виявлення цілей

Найбільш зрілим військовим застосуванням периферійного ШІ є встановлений на UAV комп'ютерний зір для виявлення та класифікації цілей. Модель виявлення об'єктів (як правило, варіант YOLOv8 або RT-DETR, квантований до INT8 для периферійного розгортання) працює на бортовому процесорі UAV над потоком електрооптичної або ІЧ-камери, виробляючи обмежувальні рамки та показники достовірності для виявлених об'єктів інтересу.

Ключові інженерні виклики: управління частотою хибних спрацьовувань (модель, що генерує 50 виявлень на хвилину в захаращеному міському середовищі, перевантажує оператора), термальне та електрооптичне злиття (ІЧ виявляє теплі транспортні засоби крізь маскування; ЕО забезпечує деталі класифікації) та розгортання оновлень моделей (передача вдосконалених моделей до парку UAV, що діє в спірній зоні, без потреби фізичного повернення).

Злиття датчиків піхоти на периферії

Системи датчиків рівня відділення — акустичні детектори, сейсмічні датчики, короткодіючі радари — генерують необроблені дані, які потрібно об'єднати в дієві сповіщення без підключення до бекенду. Солдат не може відстежувати потік необроблених даних акселерометра; йому потрібне сповіщення: "Транспортний засіб наближається зі сходу, приблизно 400 м."

Периферійний ШІ для датчиків піхоти зазвичай працює на низькоенергетичному мікропроцесорі, вбудованому у вузол датчика, виконуючи класифікацію та генерацію сповіщень локально. Вихід — структуроване сповіщення з типом, напрямком, достовірністю та часовою міткою — потім передається по низькоширосмуговому mesh-радіо. Вартість передачі 50-байтного повідомлення-сповіщення на порядки нижча за вартість передачі необроблених даних датчика для хмарної обробки.

Прогностичне обслуговування військових транспортних засобів

Технічне обслуговування транспортних засобів є критичною логістичною проблемою у тривалих операціях. Бронетранспортер, що виходить з ладу за 20 км від ремонтного підрозділу на спірному маршруті, створює непропорційний оперативний вплив відносно механічної несправності, що його спричинила. ШІ прогностичного обслуговування, що працює на периферійному обладнанні, підключеному до шини CAN транспортного засобу та масиву датчиків, відстежує параметри двигуна, сигнатури вібрації та рівні рідин для виявлення аномалій до того, як вони стануть відмовами.

Обмеження периферійного розгортання тут відрізняється: транспортний засіб має періодичне підключення (в точках технічного обслуговування), але постійне хмарне підключення неможливе. Модель працює локально та веде журнал прогнозів. Коли транспортний засіб підключається, журнал синхронізується з системою управління парком, яка агрегує прогнози по всьому парку та визначає пріоритети планування технічного обслуговування.

Виявлення РЧ-аномалій

Системи радіоелектронної боротьби використовують ML-моделі для виявлення аномальних РЧ-випромінювань — нових випромінювачів, змін частоти, несподіваних схем передачі — практично в реальному часі. Запуск цих моделей безпосередньо на збиральному обладнанні (вбудованому в ланцюжок обробки SDR) дозволяє негайно сповіщати без передачі необробленого потоку IQ-даних. Це особливо цінно для пасивних SIGINT-датчиків, розгорнутих на передових позиціях без захищеного широкосмугового бекхолу.

Апаратні обмеження: Jetson, FPGA та бюджет потужності

Стандартний вибір периферійного ШІ-обладнання для військових застосувань: модулі NVIDIA Jetson (Orin NX, Orin AGX) для задач комп'ютерного зору, FPGA (Xilinx Versal, Intel Agilex) для обробки сигналів у реальному часі та спеціалізовані AI-акселератори (Hailo-8, Myriad X) для вузлів датчиків з наднизьким споживанням. Визначальним обмеженням є бюджет потужності: ємність батареї спішеного солдата обмежує обчислення приблизно до 5–10 Вт. Система, встановлена на транспортному засобі, може підтримувати 50–200 Вт.

Квантування моделей (з FP32 до INT8 або INT4) та прунінг є стандартними техніками для вписання інференсу в ці бюджети потужності без неприйнятних втрат точності. Модель YOLOv8-nano, квантована до INT8 та запущена на Hailo-8, забезпечує приблизно 25 кадрів на секунду виявлення об'єктів при споживанні менше 3 Вт — прийнятно для вузла датчика на батарейному живленні.

Ключовий висновок: Федеративне навчання дозволяє вдосконалювати моделі периферійного ШІ без централізації необроблених даних датчиків — кожен вузол навчається локально на своїх спостереженнях і передає лише оновлення градієнтів до глобальної моделі. Для оборонних застосувань, де необроблені дані є секретними або чутливими, це часто єдиний відповідний шлях до безперервного вдосконалення моделі.

Федеративне навчання для розподіленого розгортання

Традиційне вдосконалення ML-моделей вимагає централізації навчальних даних. В оборонних контекстах необроблені дані датчиків — зображення, перехоплення сигналів, акустичні записи — можуть бути секретними, недоступними для передачі або просто занадто великими для переміщення. Федеративне навчання вирішує це шляхом навчання моделей локально на кожному периферійному вузлі та агрегування лише оновлень ваг моделі (градієнтів) на центральному сервері.

Для розгорнутого парку UAV це означає, що модель виявлення кожного UAV вдосконалюється завдяки власним оперативним спостереженням, а ці вдосконалення (без базових зображень) агрегуються у глобально вдосконалену модель, що повертається до парку в наступне вікно підключення. Точність класифікації безперервно покращується в процесі розгортання, без того, щоб будь-які необроблені зображення залишали периферійні вузли.