Die Optimierung von Edge AI-Modellen macht schwere Modelle leichter, indem beispielsweise neuronale Netzwerke komprimiert werden. Berechnungen werden abgebrochen, sobald ein bestimmtes Vertrauensniveau erreicht ist, was immer noch eine hohe Genauigkeit gewährleistet, dies jedoch mit vierfacher Verarbeitungsgeschwindigkeit. Verteiltes Föderationslernen ist eine weitere Methode zur Beseitigung von Umwelt- und Sicherheitsbedrohungen, bei der Modelle sich nur neu trainieren, nachdem Edge-Knoten wieder verbunden sind und Daten austauschen.
Ein robuster Mesh-Netzwerk kann Nachrichten priorisieren und übertragen, die AI mithilfe von Kettenlernen und generativer KI ableitet, um die Übertragung anhand des Payloads und der Metadaten optimal zu routen. Auf der Sicherheitsseite kann Verschlüsselung auf Datenübertragungen angewendet werden und die Blockchain zum Verifizieren von Sensor-Datenintegrität verwendet werden. Modelle können durch Training mit adversativem Lernen gestärkt werden, um schädliche Einflüsse zu erkennen.
SAIC hat ein Computer Vision-Modell entwickelt, das Satellitenbilder von Schiffen untersucht und gegen verzerrte Bilder gehärtet wurde, indem es ihnen ausgesetzt wurde, bei denen Orientierung und Größe verändert oder Rauschen hinzugefügt wurden. Eine Methode zur Gewährleistung der AI-Nutzung in Umgebungen mit digitaler doppelter Infrastruktur (DDIL) ist die Schulung des “menschlichen Elements”, um Modelle durch Datenwissenschaftsliteratur zu bedienen und zu vertrauen.
Die Entwicklung einer Benutzeroberfläche durch SAIC ermöglicht es Soldaten, Daten zu erkunden, indem sie darauf zeigen und klicken oder sie ziehen und ablegen, um Informationen zu generieren, die erklären, was passiert. Die Zusammenarbeit mit der Marine, dem Marine Corps und Kampfkommandos ermöglicht es den Missionseigentümern, diese Fähigkeiten zu nutzen. Eine erhöhte Vertrauensstufe in die AI führt zu einer erhöhten Akzeptanz und Unterstützung bei der Erreichung der Mission.