3784
Європейські військові дедалі активніше переносять машинне навчання безпосередньо на дрони й польові комп’ютери. Шведська Scaleout Systems, яка бере участь у програмі НАТО DIANA, створює компактні моделі, здатні виявляти, розпізнавати й геолокувати цілі на борту безпілотника без постійного зв’язку з великим сервером.
Компанія виникла не як оборонний стартап. Її заснували дослідники Уппсальського університету ще у 2018 році, а перші продукти були пов’язані з навчанням і запуском моделей машинного навчання безпосередньо на апаратному забезпеченні комерційних вантажівок та інших транспортних засобів.
Після повномасштабного вторгнення Росії в Україну Scaleout змінила фокус. За словами співзасновника й керівника Андреаса Хелландера, війна показала, наскільки важливо швидко обробляти дані сенсорів на місці, не покладаючись на стабільний канал до хмарного дата-центру.
Замість великих універсальних моделей на кшталт GPT або Claude компанія використовує компактні системи комп’ютерного зору. Вони повинні працювати на дуже різному обладнанні — від невеликих вбудованих плат у дронах до потужніших польових станцій у штабі.
У 2025 році Scaleout приєдналася до програми НАТО DIANA. У межах проєкту Federated Aerial Intelligence for Recon компанія адаптує моделі до апаратури, яку реально можна встановити на дрон, планшет оператора або польовий командний пункт.
Такий дрон може в реальному часі аналізувати відео, розпізнавати потенційні об’єкти та допомагати оператору визначати цілі. Важливо, що необов’язково передавати сирий відеопотік назад до центру — система може надсилати лише вибрані оновлення та результати аналізу.
Польові вузли здатні перенавчати модель на нових даних і повертати оновлену версію назад на дрони. Це критично для бойових умов, де модель, навчена на пустельному ландшафті, може різко втратити точність у міській забудові або лісистій місцевості.
Підхід називається federated learning. Різні пристрої навчаються на власних даних, але не обов’язково передають самі чутливі записи. Натомість вони обмінюються параметрами та оновленнями моделі, що дозволяє покращувати систему без централізованого збору всього масиву.
Локальна обробка особливо важлива під час втрати зв’язку. У сучасній війні канали активно глушаться засобами РЕБ, тому модель, залежна від постійного доступу до хмари, може стати марною саме в момент, коли вона найбільше потрібна.
Під час демонстрації проєкту ALMA безпілотник автономно виявляв потенційні загрози, визначав їхній тип і координати. Уся обробка виконувалася безпосередньо бортовим комп’ютером у реальному часі, без зовнішнього процесингу.
Далі система автоматично пріоритезувала цілі відповідно до місії. У демонстраційному сценарії найціннішою виявилася броньована інженерна машина. Після вибору дрон самостійно полетів до неї й скинув вибуховий заряд. Людина могла втрутитися, але безпосередніх команд під час виконання демонстрації не було.
У червні Scaleout також тестувала технологію на базі ВПС Швеції в Уппсалі. Навіть після розриву зв’язку з центральним вузлом локальна система продовжувала inference і active learning, а після відновлення каналу синхронізувала оновлення.
За задумом розробників, така децентралізована модель може масштабуватися від однієї бази до цілих регіонів. Хелландер вважає, що в перспективі federated learning може дозволити союзникам НАТО ділитися корисними оновленнями моделей, не обмінюючись усім масивом сирих сенсорних даних.
