Машинное обучение в разведке: ускорение цикла и рост рисков

По данным исследования швейцарского ведомства armasuisse S+T, технологии машинного обучения (ML) существенно трансформируют разведывательный цикл — от сбора данных до их анализа и распространения, повышая скорость и масштаб обработки информации. Автоматизация анализа текстов, изображений, сигналов и сетевых данных позволяет частично заменить традиционные методы агентурной разведки и улучшить качество аналитики.

Ключевые области применения включают анализ спутниковых изображений, информации из открытых источников, сигналов связи и киберугроз, где машинное обучение используется для выявления аномалий, классификации угроз и прогнозирования атак. При этом наблюдается размывание границ между методами разведки и рост значения мультимодального анализа, объединяющего данные из разных источников.

Одновременно технологии несут системные риски: от недостоверных или предвзятых данных и «галлюцинаций» генеративных моделей до проблем интерпретируемости и прозрачности решений. Отдельное внимание уделяется эффекту «дрейфа данных», когда модели теряют актуальность в меняющейся среде, а также влиянию когнитивных искажений при использовании AI в поддержке принятия решений.

Исследование подчёркивает, что эффективность машинного обучения в разведке напрямую зависит от качества управления данными, а также от интеграции технологий в процессы управления рисками. Крупные модели, обученные заранее на больших массивах данных, характеризуются ограниченной применимостью и не могут выступать полноценной альтернативой специализированным решениям, основанным на верифицированных данных.

В долгосрочной перспективе ожидается усиление «гонки технологий» между государствами и негосударственными акторами, где AI будет использоваться как в оборонительных, так и в наступательных целях. Авторы отмечают необходимость баланса между регулированием, безопасностью и оперативной гибкостью, а также ключевую роль модели «человек–AI» как основы принятия решений в сфере национальной безопасности.