Оборонний ШІ має проблему з даними, якої немає в комерційного. Оперативні дані, які зробили б модель справді корисною — ІЧ-знімки техніки противника, повернення SAR з контестованої місцевості, ЕО-захоплення з ISR-вильотів, РЧ-збори спектра з реальних боїв — майже завжди мають гриф FOUO, SECRET або вище. Інженери, що навчають модель, рідко мають допуск, робочу станцію або мережеве підключення, потрібні для їх дотику. Синтетичні дані — це те, як програми все одно постачаються.

Це не обхідний шлях. Це тепер домінуюча стратегія навчання для більшості оборонних програм комп'ютерного зору та сенсорного ШІ, з засекреченими даними, що використовуються лише для фінальної валідації. Дисципліна, що робить цей підхід достовірним, — у інженерії симуляції, sim-to-real-мосту та доказах валідації, а не в архітектурі моделі.

Проблема засекречених даних

Чесна версія обмеження: оборонний програмний офіс має тисячі годин місійних даних на засекречених мережах. Інженерний вендор має допущених осіб — іноді одну чи двох — які можуть отримати до них доступ на робочій станції в SCIF, повільно розмічати їх вручну та нічого не вивозити з анклаву. Хмарне GPU-навчання — не варіант. Інструменти розмітки, що дзвонять додому, — не варіант. Команда отримує, можливо, тридцять репрезентативних прикладів для класу, якому потрібно десять тисяч.

Це і є реальність "30 прикладів", що рухає всю дисципліну синтетичних даних. Сучасному детектору об'єктів потрібні збалансовані класи по освітленню, дальності, ракурсу, оклюзії, сезону та режиму сенсора. Реальні засекречені дані зміщені до того, над чим випадково пролетіли збірні платформи в ті дні, коли вони літали. Навіть коли обсяг існує, розподіл хибний. Синтетичні дані — єдиний спосіб закрити довгий хвіст.

Категорії синтетичних даних

Згенеровані ігровим движком. Unreal Engine 5, Unity та NVIDIA Omniverse Replicator тепер є робочими інструментами для генерації фотореалістичних синтетичних знімків. Програми будують цифрових двійників релевантної місцевості (часто з публічних DTED, Sentinel-2 та Maxar-тайлів), населяють їх високоточними моделями техніки та літаків і рендерять за контрольованого освітлення, погоди та параметрів сенсора. API рандомізації Omniverse Replicator — стандарт для генерації мільйонів розмічених кадрів з ground-truth bounding box'ами, масками сегментації та картами глибини в комплекті.

Згенеровані GAN та дифузією. StyleGAN3, файнтюни Stable Diffusion та цільові умовні дифузійні моделі генерують знімки безпосередньо. Перевага — фотореалізм без зусиль моделювання; недолік — мітки не йдуть безкоштовно, а статистичні артефакти можуть отруїти downstream-моделі. В оборонному використанні GAN-згенеровані знімки найкорисніші для аугментації — пертурбації існуючих кадрів — а не як первинні навчальні дані.

Аугментація з публічних джерел. Публічні датасети (xView, DOTA, FMOW, RarePlanes, SpaceNet) дають базу overhead-знімків з дозвільними ліцензіями. Оборонні програми аугментують їх, композитячи синтетичну техніку, застосовуючи sensor-realistic-деградацію та перемапляючи спектри. Результат — гібридні дані: публічна основа, синтетичний передній план — з аудитованою провенансом.

Гібридні конвеєри. Виробничі програми комбінують усі три. Типовий стек: Omniverse генерує мільйон розмічених ІЧ-кадрів по параметризованому простору сценарію, дифузійна модель пертурбує текстури та атмосферику для різноманіття, а композитинг з публічних джерел заповнює прогалини для конкретних класів, які симуляційні стенди ще не покривають. Вихід — один датасет, з узгодженою розміткою та єдиним реєстром провенансу.

Конвеєри симуляції

Інженерний стек за достовірним конвеєром синтетичних ІЧ/ЕО/SAR має чотири шари. Місцевість. Карти висот зі SRTM або наданих програмою DTED, поверхневі матеріали з класифікацій земного покриву Sentinel-2 та процедурна рослинність, розміщена за екотипом. Cesium ion і Houdini поширені для авторингу місцевості; Omniverse і Unreal приймають результат.

Атмосферика. Об'ємні хмари, серпанок, опади та освітлення часу доби. Для ІЧ конкретно це означає моделювання атмосферного пропускання по смугах за допомогою MODTRAN або швидшого сурогату, а не просто додавання туману як візуального ефекту. Програми, що пропускають фізичну атмосферику, постачають моделі, які працюють у ясну погоду й зазнають невдачі на світанку.

Моделі сенсорів. Внутрішні параметри камери, фокусна відстань, експозиція, шумова підлога, MTF та band-specific криві відгуку. Для SAR це означає повний електромагнітний симулятор (RaySAR, SARviz або комерційні інструменти на кшталт CohRaS), що виробляє speckle-correct повернення, а не рендерені "SAR-подібні" grayscale. Модель сенсора — це те, що відрізняє навчальні дані, які переносяться, від тих, що ні.

Каталоги цілей. 3D-моделі релевантної техніки, літаків та інфраструктури, з пластинами теплових сигнатур для ІЧ та електромагнітними властивостями матеріалів для SAR. Публічні CAD-репозиторії покривають комерційні класи; специфічні оборонні моделі замовляються в постачальників на кшталт TurboSquid Pro, RocketBox, або будуються внутрішньо з фотограмметрії. Кожна модель несе клас точності — geometry-only, geometry-plus-materials, geometry-plus-materials-plus-signatures — а датасет записує, який клас використовувався для кожного кадру.

Sim-to-real-доменний розрив

Модель, навчена суто на синтетичних даних і протестована на реальних, майже завжди зазнає невдачі. Розрив — це "sim-to-real"-проблема, і її закриття — єдина найважча інженерна проблема в цій дисципліні.

Доменна рандомізація — перший і найнадійніший інструмент. Замість того, щоб намагатися зробити синтетичні знімки реалістичними, агресивно рандомізуйте текстури, освітлення, параметри камери та атмосферику, щоб реальний домен виглядав як просто ще один зразок. Дослідження NVIDIA з доменної рандомізації для виявлення об'єктів — і раніша робота Tesla з водіння — обидва продемонстрували, що рандомізація б'є фотореалізм для переносу.

Доменна адаптація — другий інструмент. Image translation у стилі CycleGAN зрушує синтетичні кадри до реального розподілу; методи адаптації на рівні ознак (DANN, ADDA, CDAN) вирівнюють вивчені представлення. Для оборонного використання обмеження в тому, що "реальна" сторона адаптації має бути несекретною або доступною за тих самих контролів, що й модель — що зазвичай означає використання маленького, releasable реального референсного набору, а не повного засекреченого корпусу.

Розрив валідації. Наївні конвеєри звітують про synthetic-test-точність, бачать дев'яносто-плюс відсотків і постачають. Потім модель зустрічає реальні дані й колапсує. Єдина метрика, що має значення, — точність, виміряна на реальних, in-distribution даних. Synthetic-test-точність — це sanity check, а не реліз-ворота.

Ключовий висновок: Програми синтетичних даних, що досягають успіху, трактують симулятор як код під контролем змін — версіонований, ревьюваний і з реліз-нотами. Програми, що зазнають невдачі, трактують його як одноразовий рендер арт-конвеєра. Перше — це інженерія; друге — продакшн контенту.

Валідація проти реальних даних

Валідація проти реальних засекречених даних — це те, де дисципліна синтетичних даних або заробляє довіру, або втрачає її. Патерн, що працює: інженерна команда навчається виключно на несекретному синтетичному корпусі, постачає модель в засекречений анклав як запечатаний артефакт, а допущена команда валідації проганяє оцінку проти невеликого утриманого реального датасету на засекреченій стороні. Метрики — precision, recall, криві калібрування, per-class confusion — повертаються інженерній команді як числа, а не як знімки.

Калібрування важить так само, як і точність. Модель, що передбачає "танк" з 99% впевненості на цілі, яку вона ніколи надійно не бачила, небезпечна. Оборонні конвеєри валідації включають reliability-діаграми та expected calibration error (ECE) поряд з top-line-точністю. Програми, що працюють downstream від аналітичного триажу, потребують, щоб числа впевненості щось означали.

Сам набір валідації трактується як керований актив. Він повинен бути репрезентативним для розподілу розгортання, замороженим по версіях моделі для порівняння та періодично оновлюваним, коли оперативне середовище змінюється. Надто малий або застарілий набір валідації виробляє хибну впевненість; надто динамічний — робить виявлення регресії неможливим.

Провенанс та аудитованість

Кожен кадр в оборонному синтетичному датасеті має бути трасованим. Реєстр провенансу записує: яка версія симулятора його виробила, які параметри сценарію, який клас точності моделі цілі, яка атмосферна модель, яке зерно генератора випадкових чисел і який профіль сенсора. Коли модель пізніше зазнає невдачі в розгортанні, команда повинна мати можливість запитати: "чи навчались ми колись на чомусь подібному до цієї сцени?" — і відповісти доказами, а не здогадками.

Картки моделей — шар документації. Картка оборонної моделі розкриває склад навчальних даних — відсоток синтетичних по категорії, відсоток публічних, відсоток гібридних, відсоток реальних — поряд з доказами валідації на реальному наборі. Це дедалі більше вимога акредитації, а не nice-to-have. Керівництво з відповідального ШІ DoD, NATO STO TR-IST-178 та кілька національних режимів акредитації ШІ — усі очікують задокументоване походження даних як передумову для постачання.

Юридичні та етичні обмеження

Синтетичні не означають необмежені. Права на зображення мають значення для гібридних конвеєрів: публічні датасети несуть ліцензії, фотограмметрія реальних об'єктів має наслідки для авторських прав, а комерційні маркетплейси 3D-моделей мають конкретні пункти, що забороняють використання в системах озброєння. Програми, що ігнорують ліцензійні умови, створюють downstream-юридичну експозицію, що випливає під час акредитаційного огляду, а не під час розробки.

Гриф синтетичних виходів. Синтетичний знімок реальної, чутливої системи — навіть рендерений з публічного CAD — може сам стати засекреченим, як тільки він точно відтворює сигнатури, що були засекречені. Програмам потрібен керівний документ із грифу для своїх синтетичних виходів, перевірений офіцером безпеки замовника, до початку генерації. Ретроактивне засекречення — дороге.

Міркування подвійного використання. Конвеєри синтетичних даних, що навчають моделі розпізнавання цілей, є подвійного використання за конструкцією. Експортний контроль (ITAR, EAR, EU 2021/821) застосовується до інструментів симуляції, моделей цілей і навчених ваг. Інженерній команді потрібен огляд експортного контролю в трьох точках: вибір інструменту, збірка каталогу цілей та реліз моделі.

Що працює у виробництві

Патерн, що виник у достовірних оборонних програмах ШІ у 2025–2026 — це федеративне навчання: попереднє навчання на синтетичних даних у масштабі на несекретній інфраструктурі, файнтюнинг на засекреченій межі на реальних даних, які інженерна команда ніколи не бачить. Попередньо навчена модель несе дев'яносто-плюс відсотків можливостей; засекречений файнтюн закриває останній розрив. Архітектура природно вирівнюється з патернами федеративного навчання, що вже використовуються для сенсорних мереж.

Безперервне оновлення синтетичних даних — оперативна звичка, що відокремлює серйозні програми від one-shot-поставок. Коли оперативна картина змінюється — нові варіанти техніки противника, нові операційні середовища, нові сенсорні навантаження — симуляційний стенд виробляє нові навчальні транші щомісячно або щоквартально. Модель повторно навчається, повторно валідується проти засекреченого набору та повторно розгортається. Програми, що трактують навчання як разову подію, бачать, як їхня точність невидимо деградує.

Для повного контексту того, як синтетичні дані вписуються в ширший оборонний ШІ-стек, див. наш повний посібник з ШІ в обороні та обговорення того, де живуть моделі в рівні sensor-edge. Дисципліна синтетичних даних — це не дослідницька тема; це тепер дефолтний патерн постачання, і програми, що трактують її з інженерною суворістю, — це ті, чиї моделі реально працюють, коли реальні дані нарешті прибувають.