Dicari: AI Yang Bisa Memata-matai
 |
| An image from IARPA’s AI challenge shows a burial site. Photos: DigitalGlobe/IARPA |
Sejak Juli, para pesaing telah melatih algoritma pembelajaran mesin di salah satu set data publik terbesar di dunia yang tersedia untuk citra satelit yang mengandung 1 juta objek berlabel, seperti bangunan dan fasilitas. Data disediakan oleh Kegiatan Penelitian Lanjutan Intelijen A.S. (IARPA). Ke-10 finalis akan melihat algoritma AI mereka berhasil mencetak data tersembunyi dari citra satelit saat tantangan tersebut ditutup pada akhir Desember.
Tujuan agensi dalam mensponsori Fungsional Map of the World Challenge sejalan dengan pernyataan yang dibuat oleh Robert Cardillo, direktur Badan Intelijen Nasional Geospasial AS, yang telah mendorong solusi AI yang dapat mengotomatisasi 75 persen beban kerja yang saat ini dilakukan oleh manusia yang menganalisis satelit. gambar
"Tampaknya bagi saya seperti badan-badan ini ingin menghasilkan peta secara otomatis," kata Mark Pritt, seorang ilmuwan riset di Lockheed Martin, "tanpa harus melihat manusia secara langsung pada citra satelit dan berkata, 'Oh, ada cerobong asap di sana, izinkan saya menandainya di peta. 'Peta hari ini dibuat secara manual. "
Pritt dan rekan-rekannya di Lockheed membentuk salah satu dari banyak tim dari akademisi, laboratorium pemerintah, dan sektor swasta yang bersaing dengan total hadiah uang sebesar US $ 100.000. Mereka dan kontestan lainnya sangat ingin menyebarkan algoritma pembelajaran mendalam yang dapat mengenali pola tertentu dan mengidentifikasi objek yang diminati dalam citra Bumi. Gambar seperti itu biasanya dikumpulkan melalui teknologi penginderaan jauh di atas satelit, pesawat terbang, dan pesawat tak berawak.
Gambar satelit menyajikan tantangan penyortiran yang jauh lebih besar untuk algoritma pembelajaran mendalam daripada foto online wajah, tengara, atau objek manusia. Citra satelit ditembak dari berbagai sudut, di mana benda-benda seperti bangunan mungkin tampak terbalik. Dan penutup awan bisa mengubah bagaimana gambar dari area yang sama muncul dari satu jam ke jam berikutnya.
Citra satelit juga memiliki variasi resolusi yang jauh lebih besar. Itu mempersulit masalah algoritma belajar mendalam, yang biasanya bekerja paling baik dengan ukuran gambar tetap. Insinyur manusia menghadapi trade-off saat memutuskan apakah akan mengubah ukuran keseluruhan gambar dan kehilangan beberapa detail dalam resolusi lebih rendah, atau memotong gambar dan fokus hanya pada satu bagian. Selanjutnya, banyak satelit dapat menangkap gambar Bumi di luar spektrum cahaya yang terlihat, di pita inframerah atau pada panjang gelombang lainnya.
Individu atau tim yang berpengalaman dalam bekerja dengan citra satelit mungkin memiliki kelebihan dibandingkan peneliti dalam pembelajaran lainnya dalam tantangan IARPA. Tapi semua orang masih menghadapi hambatan besar dalam melakukan penelitian mendalam dalam kondisi tidak sempurna citra satelit dunia nyata. Dan para ahli sepakat bahwa algoritma pembelajaran mendalam tidak siap untuk melakukan keseluruhan pekerjaan mereka sendiri, bahkan jika mereka mencapai akurasi 80 atau 90 persen. "Saya pikir keadaan teknologi saat ini memungkinkan kombinasi pria dan mesin untuk benar-benar mendapatkan jawabannya," kata Mike Warren, CTO dan salah satu pendiri Descartes Labs.
Sebuah putaran dari Laboratorium Nasional Los Alamos Departemen Energi AS, Laboratorium Descartes telah menggunakan pembelajaran mendalam untuk secara otomatis menganalisis citra satelit untuk tujuan komersial, seperti memperkirakan panen jagung dan kedelai A.S. Aplikasi ini mewakili "solusi 80 persen untuk 10 persen usaha," kata Warren.
Perusahaan telah mengembangkan banyak kegunaan yang paling menarik untuk pembelajaran mendalam dan citra satelit, kata Grant Scott, seorang ilmuwan data di University of Missouri yang memimpin tim lain yang berpartisipasi dalam tantangan IARPA. Sebagai perbandingan, badan intelijen A.S. jauh lebih tenang tentang kemampuan dan rencana mereka. Namun, tantangan IARPA membuat jelas bahwa lembaga-lembaga ini ingin membangun alat pembelajaran mendalam yang lebih baik untuk analisis citra satelit.
"Saat ini ada program yang ada di dalam kantong komunitas intelijen A.S. Namun, selalu ada ruang untuk perbaikan dalam kecepatan dan pendekatan," kata Hakjae Kim, manajer program untuk IARPA.
Scott dan rekan-rekannya dari Universitas Missouri telah mulai menunjukkan kekuatan untuk menggabungkan citra satelit komersial yang tersedia untuk publik dan kecerdasan sumber terbuka. Dalam sebuah makalah yang diterbitkan pada bulan Oktober di Journal of Applied Remote Sensing, mereka menjelaskan bagaimana algoritma pembelajaran mendalam dapat secara akurat mengidentifikasi lokasi rudal permukaan-ke-udara yang diketahui di China pada area seluas hampir 90.000 kilometer persegi.
Algoritma terbaik mereka menghasilkan hasil yang diverifikasi oleh manusia sebagai 98 persen akurat. Algoritma mengambil hanya 42 menit untuk memberikan pembacaan yang sesuai dengan akurasi analis manusia, sedangkan pencarian visual tradisional oleh manusia membutuhkan rata-rata 60 jam.
Hasil seperti pertanda baik untuk tujuan tantangan IARPA dan dapat membantu membangun pembelajaran yang mendalam sebagai alat yang diperlukan. Baik pemerintah maupun perusahaan terus meluncurkan kawanan satelit pencitraan untuk bergabung dengan konstelasi yang ada saat mengintip di Bumi. Operator satelit komersial A.S. DigitalGlobe - yang memberikan citra untuk tantangan IARPA - telah menangkap lebih dari 70 terabyte citra mentah setiap hari. Lebih cepat, daripada nanti, analis manusia akan membutuhkan semua bantuan AI yang bisa mereka dapatkan.
Versi artikel ini dimuat di majalah cetak Desember 2017 sebagai "Wanted: AI That Can Spy."
No comments: