En profundidad
Tabla 1. Resumen de Métodos de AI y aplicación a distintas etapas de procesado IR. (Fuente: Indra)
identificadas y coordinadas con las
detecciones previas correspondien-tes.
Se utilizan algoritmos de Ma-chine
Learning como Fast Library
for Approximate Nearest Neigh-bors
(FLANN). En el seguimiento se
emplean filtros Kalman, y algoritmos
de Deep Learning como Siamese
Neural Networks.
La tabla “Resumen de Métodos de AI
y aplicación a distintas etapas de pro-cesado
IR” resume los métodos de IA
que son de aplicación a las distintas
etapas del procesado IR.
Construcción de Modelos basados
en IA
Hay dos dificultades principales a la
hora de construir un Modelo de IA:
disponibilidad de datos reales y nece-sidad
elevada de recursos computa-ciones.
Los Modelos basados en Machine
Learning, y especialmente los ba-sados
en Deep Learning, requieren
de una cantidad masiva de datos de
entrenamiento para que el ajuste de
los Modelos sea de calidad. En el
caso de sistemas de autoprotección
aeroportados, a la escasez de datos
se une la asimetría, es decir, es difí-cil
disponer de escenarios con ame-nazas
reales en distintas situaciones.
Las técnicas de IA pueden contribuir,
a su vez, a solucionar este problema
de la escasez de datos. Así, las téc-nicas
de Synthetic data generation
(Autoencoders y Generative Adver-sial
Networks), Data Augmentation y
Pre-trained models son adecuadas
para simular imágenes, series tempo-rales
de imágenes y ajustar Modelos.
La necesidad de recursos computa-cionales
es otra dificultad en la ela-boración
de Modelos basados en IA.
Para resolverla, se recurre al ajuste
offline de los Modelos mediante equi-pos
de procesado general (GPUs).
Una vez conseguido el Modelo habrá
que invertir un esfuerzo hasta conse-guir
una implementación eficiente en
el sistema de procesado embebido
que funcionará en tiempo real.
Los procesos de detección y de cla-sificación
son más demandantes, por
lo general, en sistemas de autopro-tección
pasivos, dado que traban con
una mayor cobertura angular en la que
aparecen efectos de clutter y falsos
blancos. Los sistemas activos se cen-tran
en campos de visión más ajusta-dos,
tomando como punto de partida
la designación de un sistema pasivo.
Finalmente hay que mencionar que,
en una aplicación crítica de defensa
como son los sistemas de autopro-tección,
se requiere que los Modelos
sean interpretables y predecibles
para determinar cuándo una decisión
ha sido correcta o podría haber sido
dudosa. Los Modelos basados en IA
son todavía percibidos como cajas
negras, lo que significa que será ne-cesario
combinar técnicas modernas
de IA con mecanismos más clásicos
para elaborar y asegurar la robustez
de los Modelos.
Conclusiones
El procesado IR, asistido por algorit-mos
de Inteligencia Artificial (IA), es
de enorme relevancia en los sistemas
de autoprotección aeroportados. La
calidad del procesado IR está fuerte-mente
condicionada por la selección
de la técnica de IA, el ajuste del Mo-delo
y los procesos de entrenamiento
con datos reales. El Modelo, basado
en IA, debe ser entrenado de forma
iterativa hasta alcanzar un comporta-miento
fiable y robusto.
En los próximos años veremos una
evolución y aplicación de técnicas
de IA al procesado IR. Las técnicas
clásicas complementarán a los algo-ritmos
más avanzados para conseguir
que los Modelos sean interpretables y
predecibles.
Boletín de Observación Tecnológica en Defensa n.º 64. Primer trimestre 2020 23