آژانس پروژههای تحقیقاتی پیشرفته دفاعی آمریکا (DARPA) برنامه تحقیقاتی جدیدی با عنوان «Art of Novel Signals: Predicting and Forecasting with High Confidence» را معرفی کرده است. هدف این برنامه توسعه سامانهای مبتنی بر هوش مصنوعی است که با استفاده از گرافهای دانش زمانی، یادگیری درونمتنی (In-Context Learning) و دادههای چندزبانه و چندوجهی، بتواند رویدادهای سیاسی، امنیتی و درگیریها را با دقت حدود ۹۰ درصد و تا دو هفته پیش از وقوع پیشبینی کند. این برنامه بر استخراج سیگنالهای جدید از منابعی مانند رادیوهای محلی، اخبار بومی و رسانههای اجتماعی در مناطق کمداده تمرکز دارد.
هدف برنامه
برنامه جدید DARPA با این فرض آغاز شده است که مدلهای پیشبینی کنونی به دلیل محدود بودن دادههای متنی باکیفیت موجود در اینترنت به سقف عملکرد خود نزدیک شدهاند. هدف پروژه، یافتن منابع اطلاعاتی جدیدی است که تاکنون وارد فرآیند آموزش مدلهای هوش مصنوعی نشدهاند و بتوانند نشانههای اولیه بیثباتی، درگیری یا بحران را بسیار زودتر آشکار کنند. این برنامه به دنبال افزایش بازه زمانی پیشبینی از چند روز به حدود دو هفته و ارتقای دقت پیشبینی از حدود ۸۰ درصد به نزدیک ۹۰ درصد است.
منابع داده جدید
مهمترین نوآوری این برنامه، استفاده از دادههایی است که معمولاً در سامانههای پیشبینی سنتی وجود ندارند. این منابع شامل برنامههای رادیویی محلی، اخبار منطقهای، گزارشهای جامعه محلی و محتوای صوتی منتشرشده در شبکههایی مانند Telegram و WhatsApp هستند. DARPA معتقد است بسیاری از نشانههای اولیه ناآرامیها، درگیریها یا بحرانهای انسانی ابتدا در همین منابع ظاهر میشوند، بهویژه در مناطقی که دسترسی به اینترنت محدود است یا رسانههای رسمی پوشش مناسبی ندارند.
معماری هوش مصنوعی
معماری پیشنهادی بر چهار مؤلفه اصلی استوار است: موتور جمعآوری دادههای رادیویی، سامانه تشخیص گفتار چندزبانه (ASR)، استفاده از دادههای مصنوعی برای گسترش پوشش زبانی و یک سامانه پیشبینی مبتنی بر Temporal Knowledge Graph Forecasting همراه با In-Context Learning. پس از تبدیل گفتار به متن، اطلاعات استخراجشده به گراف دانش زمانی وارد میشود تا روابط میان افراد، مکانها، رویدادها و روندهای زمانی مدلسازی شده و احتمال وقوع رویدادهای آینده برآورد شود.
تمرکز بر زبانهای کممنبع
یکی از چالشهای اصلی برنامه، توسعه سامانههای تشخیص گفتار برای زبانهایی است که داده آموزشی بسیار محدودی دارند. DARPA پیشنهاد میکند از مدل Whisper Large-v3 بهعنوان نقطه شروع استفاده شود و سپس خروجیها توسط گویشوران بومی یا اعضای جوامع مهاجر اصلاح شوند. همچنین استفاده از دادههای مصنوعی برای کاهش هزینه توسعه مدلهای زبانی و افزایش پوشش زبانها بخش مهمی از برنامه محسوب میشود.
شاخصهای ارزیابی
پروژه تنها بر معیار Precision تکیه نمیکند، زیرا دقت بالا ممکن است با از دست دادن تعداد زیادی از رویدادهای واقعی همراه باشد. علاوه بر Precision، معیار Accuracy نیز پس از جمعآوری دادههای کافی اندازهگیری خواهد شد. همچنین عملکرد سامانه تشخیص گفتار با استفاده از نرخ خطای واژه (Word Error Rate)، میزان داده آموزشی موردنیاز، کیفیت دادههای مصنوعی و مقاومت در برابر نویز ارزیابی میشود.
برنامه زمانی پروژه
DARPA برای پروژه مجموعهای از نقاط عطف تعریف کرده است. در سه ماه نخست، جمعآوری دادههای رادیویی و توسعه اولیه مدلهای تشخیص گفتار انجام میشود. در ماه ششم، سامانه باید بتواند رویدادها را تا ۱۰ روز قبل پیشبینی کرده و نرخ هشدارهای اشتباه را تقریباً به نصف کاهش دهد. در ماه نهم، هدف دستیابی به افق پیشبینی دو هفتهای است. در ماه دوازدهم، سامانه باید در یک سناریوی واقعی بهبود حدود ۳۰ درصدی Accuracy نسبت به خط پایه نشان دهد. در ماه پانزدهم، تحلیل ویژگیهای فرازبانی مانند شدت صدا، آهنگ گفتار، سرعت صحبت و شاخصهای هیجانی به مدل افزوده میشود و در پایان ماه هجدهم نقش این ویژگیها در افزایش توان پیشبینی ارزیابی خواهد شد.
کاربردهای عملیاتی
DARPA پیشبینی میکند خروجی این پروژه در حوزههای هشدار زودهنگام نظامی، حفاظت از نیروهای مستقر، امنیت سفارتخانهها، تحلیل محیط اطلاعاتی، برنامهریزی عملیات امدادرسانی، مدیریت بحران، پایش بیثباتی سیاسی و پشتیبانی از تصمیمگیری فرماندهان نظامی و نهادهای اطلاعاتی مورد استفاده قرار گیرد. همچنین این فناوری قابلیت تجاریسازی در حوزههای مدیریت ریسک، تحلیل ژئوپلیتیک، بیمه، لجستیک و مدیریت بحران را خواهد داشت.
اهمیت راهبردی
این برنامه نشاندهنده تغییر رویکرد DARPA از اتکا به دادههای متنی اینترنتی به سمت استفاده از سیگنالهای چندوجهی و محلی است. استفاده همزمان از گرافهای دانش زمانی، مدلهای زبانی، تشخیص گفتار چندزبانه و تحلیل ویژگیهای احساسی گفتار میتواند نسل جدیدی از سامانههای هشدار زودهنگام ایجاد کند که قادر باشند تحولات سیاسی، امنیتی و اجتماعی را پیش از آشکار شدن در رسانههای رسمی شناسایی کنند. در صورت موفقیت، این فناوری میتواند یکی از پیشرفتهترین سامانههای پیشبینی ژئوپلیتیکی مبتنی بر هوش مصنوعی در جهان باشد.