Агентство перспективных оборонных разработок (DARPA) Пентагона заключило с британской компанией BAE Systems контракт на разработку системы, которая могла бы самостоятельно расшифровывать закодированные радиопередачи. Как пишет Aviation Week, сумма сделки составила 9,2 миллиона долларов. Новая система будет разрабатываться с применением технологий машинного обучения — нейросеть, тип которой не уточняется, будет учиться на большом количестве записей, сделанных и уже расшифрованных военными.

Радиоперехват и расшифровка сообщений входит в обязанности подразделений радиоэлектронной борьбы. В зависимости от типа протокола шифрования аналоговых или цифровых передач расшифровка перехваченной информации может занимать от нескольких часов до недель и месяцев. Новая система должна будет существенно ускорить расшифровку перехваченных радиопередач, что сделает радиоразведку более оперативной.

По заявлению DARPA, в современных условиях в эфире одновременно ведется огромное количество радиопередач — сигналы сотовых телефонов, телевидение, радио, сигналы различных сенсоров и информационная выдача беспилотников. Перспективной умной системе предстоит заниматься расшифровкой и идентификацией сигналов. Это позволит военным обнаруживать злонамеренные трансляции, призванные, например, «засорить» эфир или взломать важные системы обмена данными. Другие подробности о перспективной разработке не раскрываются.

В октябре 2017 года стало известно, что Центр геопространственной разведки Миссурийского университета с помощью методов глубокого обучения разработал алгоритм, способный на спутниковых или аэрофотоснимках находить китайские зенитные ракетные комплексы. Предполагается, что использование алгоритма позволит обрабатывать разведывательную съемку в 80 раз быстрее людей. Исследователи использовали для обучения несколько сверточных нейросетей: CaffeNet, GoogLeNet, ResNet-50 и ResNet-101.

Обучение нейросетей производилось на фотографиях известных китайских зенитных установок и снимках типичиных и нетипичных мест их размещения. После обучения нейросеть GoogLeNet показывала наилучший средний результат распознавания для снимков с установленным уровнем уверенности в конечном результате более 70 процентов. В то же время ResNet-101 продемонстрировала наилучшее быстродействие с высоким результатом с уровнем уверенности менее 70 процентов. Проверка обученных сетей производилась на неизвестных им снимках.