La pile AI de Carnegie Mellon au cœur de la modernisation de l’Armée américaine

Titre La pile AI de Carnegie Mellon au cœur de la modernisation de l’Armée américaine La pile AI définie par l Carnegie Mellon University est fondamentale pour l approche adoptée par l US Army dans ses efforts de développement de plateformes AI. C est ce qu a affirmé Isaac Faber Chief Data Scientist au centre d intégration AI de l US Army lors de l événement AI World Government organisé en présentiel et en virtuel depuis Alexandria Va la semaine dernière. Si nous voulons faire passer l Armée des systèmes hérités à la modernisation numérique l un des plus grands défis est la difficulté d abstraire les différences entre les applications a déclaré Faber. La partie la plus importante de la transformation numérique est la couche intermédiaire la plateforme qui facilite le déploiement sur le cloud ou sur un ordinateur local. L objectif est de pouvoir transférer la plateforme logicielle sur une autre plateforme avec la même facilité qu un nouveau smartphone transfère les contacts et l historique de l utilisateur. L éthique traverse toutes les couches de la pile d applications AI qui positionne la phase de planification en haut suivie du soutien à la décision de la modélisation de l apprentissage automatique de la gestion des données massives et de la couche de dispositifs ou de la plateforme en bas. Je préconise que nous pensions à la pile comme une infrastructure centrale et un moyen de déployer des applications sans les cloisonner dans notre approche a déclaré Faber. Nous devons créer un environnement de développement pour une main-d œuvre répartie dans le monde. L Armée travaille depuis 2017 sur une plateforme Common Operating Environment Software Coes un design pour le travail du DOD qui est évolutif agile modulaire portable et ouvert. Elle est adaptée à une large gamme de projets AI a déclaré Faber. Pour exécuter l effort le diable est dans les détails a-t-il ajouté. L Armée collabore avec CMU et des entreprises privées sur une plateforme prototype dont Visimo de Coraopolis Pa qui propose des services de développement AI. Faber préfère collaborer et coordonner avec l industrie privée plutôt que d acheter des produits sur étagère. Le problème avec cela est que vous êtes limité par la valeur fournie par ce fournisseur unique qui n est généralement pas conçu pour les défis des réseaux du DOD a-t-il expliqué. L Armée engage des efforts de développement de la main-d œuvre AI pour plusieurs équipes y compris les dirigeants les professionnels titulaires de diplômes de troisième cycle le personnel technique qui suit une formation pour obtenir une certification et les utilisateurs AI. Les équipes techniques de l Armée ont différents domaines de concentration y compris le développement de logiciels à usage général la science des données opérationnelle le déploiement qui comprend l analyse et une équipe d opérations d apprentissage automatique telle qu une grande équipe nécessaire pour construire un système de vision par ordinateur. À mesure que les gens passent par la main-d œuvre ils ont besoin d un endroit pour collaborer construire et partager a déclaré Faber. Les types de projets incluent le diagnostic qui peut combiner des flux de données historiques le prédictif et le prescriptif qui recommande un cours d action basé sur une prédiction. À l extrémité lointaine se trouve l AI vous ne commencez pas par cela a déclaré Faber. Le développeur doit résoudre trois problèmes l ingénierie des données la plateforme de développement AI qu il a appelée le bulle verte et la plateforme de déploiement qu il a appelée le bulle rouge. Ceux-ci sont mutuellement exclusifs et tous interconnectés. Ces équipes de personnes différentes doivent coordonner programmatiquement. Une bonne équipe de projet aura généralement des personnes de chacune de ces zones de bulles a-t-il déclaré. Si vous ne l avez pas encore fait n essayez pas de résoudre le problème de la bulle verte. Il est inutile de poursuivre l AI tant que vous n avez pas un besoin opérationnel. Interrogé par un participant sur le groupe le plus difficile à atteindre et à former Faber a répondu sans hésitation Les plus difficiles à atteindre sont les dirigeants. Ils doivent apprendre quelle est la valeur à fournir par l écosystème AI. Le plus grand défi est de savoir comment communiquer cette valeur a-t-il déclaré. Lors d un panel sur les fondements de l AI émergente le modérateur Curt Savoie directeur de programme Global Smart Cities Strategies pour IDC le cabinet d études de marché a demandé quel cas d utilisation de l AI émergente avait le plus de potentiel. Jean-Charles Lede conseiller technologique en autonomie pour l US Air Force Office of Scientific Research a déclaré Je soulignerais les avantages décisionnels à la périphérie soutenant les pilotes et les opérateurs et les décisions à l arrière pour la planification des missions et des ressources. Krista Kinnard Chief of Emerging Technology pour le Department of Labor a déclaré Le traitement du langage naturel est une opportunité d ouvrir les portes de l AI dans le Department of Labor. En fin de compte nous traitons des données sur les personnes les programmes et les organisations. Savoie a demandé quels étaient les grands risques et dangers que les panélistes voyaient dans la mise en œuvre de l AI. Anil Chaudhry Directeur des implémentations fédérales de l AI pour la General Services Administration GSA a déclaré Dans une organisation IT traditionnelle utilisant le développement de logiciels traditionnel l impact d une décision d un développeur ne va que jusqu à un certain point. Avec l AI vous devez considérer l impact sur une classe entière de personnes de constituants et de parties prenantes. Avec un simple changement d algorithme vous pourriez retarder les avantages pour des millions de personnes ou tirer des inférences incorrectes à grande échelle. C est le risque le plus important a-t-il déclaré. Il a déclaré qu il demandait à ses partenaires contractuels d avoir des humains dans la boucle et des humains sur la boucle. Kinnard a appuyé cela en disant Nous n avons aucune intention de retirer les humains de la boucle. Il s agit vraiment d autonomiser les personnes pour prendre de meilleures décisions. Elle a souligné l importance de surveiller les modèles AI après leur déploiement. Les modèles peuvent se dégrader à mesure que les données sous-jacentes changent a-t-elle déclaré. Vous avez donc besoin d un niveau de pensée critique pour non seulement effectuer la tâche mais aussi évaluer si ce que fait le modèle AI est acceptable. Elle a ajouté Nous avons mis en place des cas d utilisation et des partenariats dans tout le gouvernement pour nous assurer que nous mettons en œuvre une AI responsable. Nous ne remplacerons jamais les personnes par des algorithmes. Lede de l Air Force a déclaré Nous avons souvent des cas d utilisation où les données n existent pas. Nous ne pouvons pas explorer 50 ans de données de guerre nous utilisons donc la simulation. Le risque est d enseigner à un algorithme qu il existe un écart de simulation à réel qui est un risque réel. Vous n êtes pas sûr de la façon dont les algorithmes vont se transposer dans le monde réel. Chaudhry a souligné l importance d une stratégie de test pour les systèmes AI. Il a mis en garde contre les développeurs qui s enamourent d un outil et oublient le but de l exercice. Il a recommandé que le responsable du développement conçoive une stratégie de vérification et de validation indépendante. Votre test c est là que vous devez concentrer votre énergie en tant que leader. Le leader doit avoir une idée en tête avant d engager des ressources sur la manière dont il justifiera si l investissement était un succès a-t-il déclaré. Lede de l Air Force a parlé de l importance de l explicabilité. Je suis technologue. Je ne fais pas de lois. La capacité de la fonction AI à expliquer d une manière qu un humain peut interagir est importante. L AI est un partenaire avec qui nous avons un dialogue au lieu que l AI arrive à une conclusion que nous n avons aucun moyen de vérifier a-t-il déclaré. Avantages La modernisation numérique de l Armée américaine grâce à l adoption de la pile AI de Carnegie Mellon présente plusieurs avantages significatifs. Tout d abord elle permet une transition plus fluide des systèmes hérités vers des solutions modernes et évolutives. Cela améliore l efficacité opérationnelle et réduit les coûts à long terme. De plus la collaboration avec des entreprises privées et des institutions académiques comme CMU favorise l innovation et l adaptation aux défis spécifiques du DOD. L approche éthique intégrée dans toutes les couches de la pile AI garantit que les décisions prises sont responsables et transparentes. Enfin le développement d une main-d œuvre qualifiée en AI au sein de l Armée renforce la capacité à répondre aux besoins opérationnels futurs. Inconvénients Bien que les avantages soient nombreux certains défis doivent être surmontés. La complexité de l abstraction des différences entre les applications peut poser des obstacles techniques. La dépendance à des partenaires privés pour des solutions sur mesure peut entraîner des coûts élevés et des délais de développement prolongés. L intégration de l éthique dans toutes les couches de la pile AI nécessite une vigilance constante pour éviter les biais et les erreurs. Enfin la formation des dirigeants et du personnel technique pour comprendre et utiliser efficacement les nouvelles technologies est un défi majeur. En conclusion la modernisation numérique de l Armée américaine grâce à l adoption de la pile AI de Carnegie Mellon est une initiative prometteuse mais qui nécessite une attention particulière aux défis techniques éthiques et de formation pour maximiser ses bénéfices.