Dowódcy sił zbrojnych są zgodni, że w erze wyścigu zbrojeń wygrywa ten, kto ma lepiej opanowane techniki wykorzystania sztucznej inteligencji, a także potrafi szybko i trafnie wyciągać wnioski z analizowanych danych. Ważną rolę w obronności państwowej odgrywa też umiejętność odparcia ataków skierowanych na infrastrukturę cyfrową.

Myli się ten, kto uważa, że zaawansowana analityka danych to wyłączna domena biznesu czy administracji publicznej. Najłatwiej nam dostrzec efekty jej wykorzystania w tych sektorach, ponieważ korzystamy z towarów i usług przez nie wyprodukowanych. A co z obszarami, o których na co dzień nie myślimy? Jednym z nich jest obronność państwa i instytucje, które dbają o to, aby przeciwdziałać potencjalnym zagrożeniom zewnętrznym i zwiększać poczucie bezpieczeństwa obywateli. W tym celu sektor od lat sięga po wiedzę data scientistów, rozwijając z ich pomocą technologie nie tylko do walki z cyberprzestępstwami.

Nie muskuły, a (sztuczna) inteligencja

Obecny kształt systemu obronnego, a także sposób prowadzenia działań zbrojnych w coraz mniejszym stopniu polegają na sile fizycznej. Dzisiejsze wojsko i służby wywiadowcze to miejsca, gdzie na równi z żołnierzami służbę pełnią również inżynierowie machine learning, analitycy czy architekci danych. Są potrzebni, aby nadać sens danym, które są pozyskiwane z różnych kanałów – np. internetu, satelitów i urządzeń telekomunikacyjnych – zarówno w skali lokalnej, jak i globalnej. Dostarczane przez nich rekomendacje pomagają lepiej rozumieć zachowanie ruchów antypaństwowych, przewidywać potencjalne ataki terrorystyczne, a nawet minimalizować liczbę poniesionych ofiar w wyniku operacji wojennych.

Gdzie zatem data scientist sprawdza się najbardziej, gdy chodzi o zapewnienie bezpieczeństwa zewnętrznego państwa?

Analitycy jako „oczy i uszy” żołnierzy i agentów

Możliwości zaawansowanych czujników, które wykorzystują drony zwiadowcze i aparaty połączonych ze sobą telefonów, mają prawie nieograniczone możliwości w dostarczaniu informacji na temat ruchu interesującego nas obiektu lub sytuacji w określonym terenie. Problemem jest znalezienie wykwalifikowanych specjalistów, którzy mogliby umiejętnie wykorzystać dane pozyskiwane z tych systemów.

Dlatego tak istotne staje się wykorzystanie rozwiązań opartych na uczeniu maszynowym. Dzięki nim specjaliści mogą przefiltrować strumienie danych i zidentyfikować potencjalnie niebezpieczne cele. Z kolei największą trudnością, której doświadczają specjaliści data science zatrudnieni w służbach, jest celowe zakłócanie procesu gromadzenia danych oraz ich fałszowanie przez przeciwnika. W tej chwili czołowe ośrodki badawcze przy siłach zbrojnych opracowują algorytmy, które mają skutecznie rozpoznawać tego typu działania.

Niebagatelne znaczenie w rozwoju technologii zwiadowczych ma Internet Rzeczy (ang. Internet of Things). Przykładowo wraz z pojawieniem się IoT pojazdy wojskowe i broń zyskały wbudowaną inteligencję i zdolności łączenia się w jedną sieć, przesyłając dane zarówno między sobą, jak i do rozproszonych bądź scentralizowanych baz danych. Monitorować działania przeciwnika w terenie pomagają także cywilne źródła: kamery miejskie, sieci komórkowe i bazy rejestrów publicznych. Kluczowym wyzwaniem w tym obszarze pozostaje połączenie automatycznego wykrywania zagrożeń z szybką i dokładną interpretacją przesyłanych danych, której dokonuje data scientist.

Natychmiastowe przesyłanie informacji wciąż wyzwaniem

Gromadzenie i ocena użyteczności danych z urządzeń to dopiero połowa sukcesu. Równie ważne jest dostarczenie w odpowiednim czasie insightów do żołnierzy i agentów działających w terenie. Trudności z podłączeniem jednostek do sieci zewnętrznych dostawców usług bledną w porównaniu ze złożonością szybkiego przesyłania między nimi danych w sytuacjach podwyższonego ryzyka.

Dlatego data science w obronności przykłada coraz większą wagę do projektowania systemów, które w czasie rzeczywistym będą w stanie przekształcać strumienie danych w wartościowe informacje. Celem tego jest doprowadzenie do poprawy świadomości sytuacyjnej osób bezpośrednio zaangażowanych w operacje specjalne.

Lepiej, gdy swoi „zaatakują” testowo

W dyskusji o bezpieczeństwie nie sposób pominąć cyberprzestrzeni. W świecie zdominowanym przez big data kluczowa dla zapewnienia stabilności funkcjonowania instytucji państwowych jest bowiem infrastruktura cyfrowa. Do jednego z najważniejszych zadań uczenia maszynowego, czyli najczęściej stosowanej w tym obszarze technologii, należy wykrywanie anomalii. Sęk w tym, że kod użyty do ataków hakerskich różni się od standardów, według których tworzy się ten „niegroźny”. Specjaliści w resortach obrony stale czuwają nad rozwojem takich modeli.

Kolejnym przykładem wykorzystania data science do wzmocnienia zasobów zapobiegających cyberprzestępczości są testy penetracyjne, albo inaczej pentesty. To symulowane ataki hakerskie na systemy informatyczne instytucji, a nawet całych państw. Rozwój narzędzi automatyzujących procesy oraz sposób, w jaki algorytmy machine learning się uczą, sprawia, że nie ma lepszego sposobu na odparcie potencjalnych zagrożeń, niż przetestowanie i dostosowanie bezpieczników chroniących całe struktury danych.