La empresa española Kallisto AI, responsable del sistema de camuflaje, ocultación y engaño Kallisto Shield, diseñado para la era de la Inteligencia Artificial (Artificial Intelligence o AI) ha realizado la simulación de su sistema en condiciones reales del campo de batalla ucraniano.
Como paso previo la empresa lleva trabajando desde comienzos de este año con la startup ucraniana QuData, especialista en resolver retos complejos de IA, visión artificial y procesamiento del lenguaje natural con la que Kallisto AI ha firmado un acuerdo de colaboración estratégica.
Ahora ambas empresas han publicado los primeros resultados de un estudio conjunto sobre la evaluación de sistemas de camuflaje, ocultamiento y engaño. Este estudio evalúa las arquitecturas de Artificial Intelligence y Machine Learning (AI/ML) en la generación de conjuntos de datos sintéticos de activos militares tomados por los sensores electroópticos de aeronaves no tripulados y en el diseño y puesta a punto de algoritmos de visión artificial.
El estudio
En esta primera simulación se han captado imágenes tomadas por las cámaras electroópticas de UAVs como los que se están empleando en combate. Se han tomado imágenes de diversos vehículos militares sin y con el sistema de ocultamiento Kallisto Shield instalado además de todo el entorno.
Con esta información se han generado los modelos 3D con los que QuData ha modelado las aeronaves no tripuladas, las cámaras o el entorno, incluyendo aspectos complejos como sombras, reflexiones o diferentes resoluciones de las cámaras. Una vez está todo en el entorno de simulación se genera un vídeo como el que podemos ver en este artículo, del que se pueden seleccionar fotogramas para extraer imágenes con las que entrenar los algoritmos de IA y obtener conclusiones, comparando los resultados de la detección con o sin Kallisto Shield.
.jpg)
UAVs detectan vehículos con y sin camuflaje (Kallisto AI)
Los resultados
Los resultados de la prueba incluyeron una estimación cuantitativa de cómo empeora la detección e identificación de vehículos militares y se midieron varios KPI (indicadores clave de rendimiento) del espacio de batalla como Falsos Positivos (el algoritmo se confunde e identifica erróneamente los vehículos haciendo que el enemigo gaste tiempo y munición para destruir un señuelo), Falsos Negativos que es el caso en el que el algoritmo de IA no es capaz de identificar los vehículos, y la tasa de errores o clasificación errónea, que mide en general el porcentaje de casos en los que el algoritmo de IA se equivocó (falsos positivos más falsos negativos).
Los resultados específicos mostraron que la tasa de error (ER) aumenta debido al uso de Kallisto Shield en un 15% en promedio, lo que mejora significativamente la ocultación, el engaño y la capacidad de supervivencia de los vehículos militares en un escenario no tan lejano donde los drones autónomos serán utilizados por adversarios y terceros. Estos resultados fueron consistentes a lo largo de una amplia gama de alturas, resolución de la imagen, ángulos de visión desde el dron, tamaño del kit Kallisto Shield y en diversos escenarios del campo de batalla.
Otros resultados incluyeron la medición de las tasas de error para diferentes ángulos de visión (nadir, 30º, 60º) de la cámara del UAV, el entrenamiento de los algoritmos con y sin firmas visuales previamente recopiladas de los vehículos militares, y el uso de diferentes estrategias de entrenamiento y ajuste para los algoritmos de visión artificial.
Se desarrolló conjuntamente un detallado estudio económico centrado en los costes de los señuelos y los sistemas Kallisto Shield en vehículos frente a los ahorros conseguidos por el aumento de la capacidad de supervivencia de los vehículos militares, en lo que podríamos definir como la primera de una nueva ola de soluciones eficientes en coste desarrolladas en los países de la OTAN para minimizar los riesgos de la carrera armamentística en sistemas de IA y sistemas autónomos.
Esta primera parte permitió a QuData entrenar, evaluar y probar diferentes algoritmos y soluciones de visión artificial de última generación, como YOLO-8 y YOLO-10 para evaluar cuantitativamente el empeoramiento de los algoritmos de identificación debido al uso de Kallisto Shield en vehículos militares. Pruebas como esta demuestran que es posible "hackear" y engañar a los algoritmos de IA y muestran desde un punto de vista técnico y financiero la viabilidad del uso de Kallisto Shield.
Acuerdos empresariales
QuData, el socio de Kallisto AI, ha desarrollado un entorno avanzado de IA denominado QuDrone con el que generar datos sintéticos para entrenar los algoritmos de detección e identificación más avanzados del entorno militar. Además, la empresa participa en Brave1, el clúster de desarrollo de tecnología militar innovadora de Ucrania.
Kallisto AI ha firmado en fechas recientes varios acuerdos con empresas internacionales para poder emplear las bases de datos generadas durante estos estudios con los que entrenar sus propios algoritmos, información de alto valor tecnológico y al alcance de pocas empresas. En próximas fechas la empresa realizará estudios similares a estos, pero incorporando datos obtenidos por otros sensores como cámaras térmicas, infrarrojas o radares de apertura sintética. (José Mª Navarro García)
