Data para soldados rasos: la inteligencia artificial desde una perspectiva global

Artículo original Data for Grunts: The 10,000-foot View of Artificial Intelligence del capitán Kevin F. Benedict. De nuestros amigos de The Connecting File

Nota del editor:

Este artículo comienza una serie indefinida sobre el uso y aprovechamiento de la tecnología en el nivel de unidades pequeñas. Se ha escrito mucho, y se seguirá escribiendo, sobre el uso de la ciencia de datos en los niveles operacional y estratégico. Todos deberíamos prestar atención a estas capacidades que evolucionan rápidamente y lo que significan para nuestro país y nuestros aliados. Pero no podemos pasar por alto las necesidades de nuestros marines que tienen las botas sucias y están mirando fijamente los últimos cien metros hacia el objetivo.

En la actualidad, los líderes de unidad y los oficiales subalternos enfrentan numerosos desafíos y problemas en la guarnición y el entrenamiento, específicamente la escasez de tiempo, que se puede aliviar con la implementación adecuada del software y la tecnología disponibles. En el futuro, nos enfrentaremos a un campo de batalla cada vez más acelerado y en expansión, lo que pondrá a prueba nuestra carga cognitiva en cada escalón de nuestra fuerza. Ser adaptable y flexible en combate requiere ensayar la fluidez de la guerra en la guarnición y el entrenamiento. Mantenerse en sintonía con los desarrollos de vanguardia tanto en software como en hardware, al mismo tiempo que se mantiene lo suficientemente ágil para emplear rápidamente la tecnología emergente, resultará decisivo. La brillantez en lo básico sigue siendo la base de todo lo que hacemos, pero aumentar la velocidad con la que alcanzamos la maestría o empleamos a nuestros marines es una ventaja fundamental que debemos buscar y dominar. La tecnología nos ayudará en gran medida en esta búsqueda y establecerá las condiciones para el éxito futuro.

Con esto en mente, este artículo marca el humilde intento de Connecting File de ayudar a nuestra comunidad a obtener esta ventaja decisiva. Tenemos la suerte de haber ganado el apoyo de varios oficiales de infantería y reconocimiento que tienen títulos avanzados en estos temas, pero esperamos escuchar de muchos de ustedes. ¿Cuáles son los problemas que enfrentan? ¿Qué problema ha resuelto en su nivel? ¿Dónde se necesita eficiencia? ¿Qué podemos automatizar? ¿Qué debe retener a un humano en el circuito? Envíenos sus observaciones e ideas, incluso si solo son para informar nuestra investigación y exploración. Esperamos avanzar en la línea junto con usted.

Manténgase letal.

Making maximum use of every hour and every minute is as important to speed in combat as simply going fast when we are moving. It is important to every member of a military force whether serving on staffs or in units—aviation, combat service support, ground combat, everyone. A good tactician has a constant sense of urgency. We never waste time, and we are never content with the pace at which events are happening. We are always saying to ourselves and to others, “Faster! Faster!” (MCDP 1-3)

Este artículo le permitirá establecer su perspectiva sobre lo que debe saber al considerar la integración de herramientas que están llegando a la infantería y que se basan en la ciencia de datos y la IA. También servirá como punto de contacto y guía de referencia para las próximas discusiones. En futuros artículos, analizaremos en detalle cómo funcionan los sistemas de IA en desarrollo y las implicaciones de cada uno. Los avances en IA se están produciendo rápidamente y no podemos quedarnos atrás; en 2017, un equipo de investigadores de Google publicó un artículo académico que proponía una nueva estructura de red neuronal. En 2024, ChatGPT y otros modelos similares son conocidos y utilizados comúnmente en la vida diaria y profesional. Esos modelos funcionan de acuerdo con la sugerencia de ese artículo de 2017, lo que ilustra el rápido ritmo de desarrollo en el mundo de la IA.

Para ser claros, la IA no es la solución a todos nuestros problemas de combate. Sin embargo, puede mejorar nuestra capacidad de combate y merece la atención de los combatientes. Al igual que conocemos las capacidades y limitaciones de nuestros sistemas de armas, necesitamos conocer las capacidades y limitaciones de la tecnología digital para utilizarla de manera eficaz e ingeniosa. Tenga en cuenta que todo lo que discutimos aquí se refiere al software, independientemente del hardware (tablet, dron, radar).

Para aclarar la terminología, comencemos con las definiciones no oficiales.

En este artículo, la ciencia de datos se refiere al uso de datos para obtener información y conocimiento. Según esa definición, calcular el promedio de las puntuaciones PFT de su compañía por pelotón para ver cómo se comparan, o usar un UAS habilitado con IA para clasificar (reconocer y etiquetar) un vehículo que está sobrevolando como un T-72 son ambos ejemplos de ciencia de datos.

Ahora, pasemos a la IA, que es un subconjunto de la ciencia de datos. El Departamento de Defensa define la IA como «la capacidad de las máquinas para realizar tareas que normalmente requieren inteligencia humana» (Department of Defense Data, Analytics, and Artificial Intelligence Adoption Strategy, junio de 2023). Hay más subconjuntos de la IA que explicaremos en artículos posteriores, pero por ahora nos quedaremos en el nivel alto. El diagrama a continuación describe una descripción general de los componentes de la ciencia de datos, donde la IA se considera un subconjunto de otras disciplinas dentro del paraguas de la ciencia de datos:

Así es como funciona toda la IA: hay un modelo base, que no es más que una ecuación matemática. Un usuario toma una entrada, la pasa a través del modelo y recibe una salida, como este ejemplo de un clasificador de imágenes:

Así pues, existen tres características fundamentales para medir la eficacia de la IA: la fiabilidad de los datos de entrada, el tipo y la calidad del modelo, y la utilidad e interpretabilidad de los resultados. Este artículo pretende contextualizar cada uno de esas características.

Control de calidad

En todas las aplicaciones de IA, la calidad de los datos de entrada determina la calidad del resultado. Más allá de los datos de entrada del usuario, algunos modelos de IA requieren que se entrene con datos durante el desarrollo. Para ilustrar la importancia de los datos, supongamos que queremos un software integrado en nuestro UAS que clasifique (reconozca) los vehículos enemigos a partir de la información del UAS. Ahora, supongamos que en lugar de enseñar a un UAS a identificar un T-72, vamos a enseñar a los aspirantes a 0352 a identificar un T-72. La forma natural de hacerlo es mostrarles imágenes de T-72 desde todos los ángulos, durante el día y la noche, y señalar las características de identificación, mientras les decimos «Eso es un T-72». Necesitamos hacer lo mismo con nuestro modelo, lo que significa que necesitamos muchas imágenes de T-72. A medida que los desarrolladores continúan entrenando modelos, están constantemente probando su capacidad para realizar la tarea en cuestión. Una vez que los desarrolladores están satisfechos con el rendimiento del modelo, ahora es una capacidad que podemos usar. Tan pronto como el UAS vuele sobre un T-72, el modelo probablemente reconocerá ese vehículo.

Ese mismo ciclo de entrenamiento se aplica a la tecnología que está a la vanguardia de la IA, incluidos los modelos de chat como ChatGPT. Aunque el proceso de entrenamiento es simple, tener suficientes datos de calidad para entrenar y probar el modelo es el paso más crítico en el desarrollo. Conclusión 1: Los datos impulsan todo en el mundo de la IA. La recopilación de datos y la fiabilidad-seguridad de los datos son de vital importancia. Por lo tanto, a medida que nuestra profesión se centra más en los datos, debemos darnos cuenta de que cosas como los informes de inteligencia, los esquemas de maniobra, los planes de apoyo de fuego, los logstats y los perstats son todos ejemplos de datos que alimentarán los modelos que utilizamos.

Ganando Eficiencia

El tipo y la calidad del modelo son responsabilidad de los desarrolladores y no necesitan ser el foco de atención del usuario. Sin embargo, comprender los tipos de modelos de IA y cómo funcionan nos aclara directamente el uso de esos modelos. Algunos modelos pueden hacer partes de su trabajo mejor que usted. Augmented Reconnaissance and Estimate of the Situation (ARES), desarrollado por el capitán Ryan Helm, es un gran ejemplo de esto (puede encontrar ARES en la tienda TAK como ARES o Small Unit Mission Planner). Esta herramienta (cuando se le dan los datos correctos) encontrará zonas de aterrizaje, sitios de aterrizaje en la playa, rutas al objetivo y apoyo por posiciones de fuego, con una velocidad y precisión que es imposible de lograr con un 0302, con un MCH, o un 1:50,000 y un Ranger Joe. ARES utiliza la optimización para determinar matemáticamente, en función de datos geoespaciales, TCM que de otro modo requerirían que un líder de unidad los encuentre. Por lo tanto, estoy seguro de decir que ARES puede encontrar mejor rutas cubiertas y ocultas hacia el objetivo que yo.

Comparemos esto con un modelo como ChatGPT, que utiliza una red neuronal para hacer predicciones basadas en la entrada y generar una salida de mejor estimación. Si bien el modelo similar a ChatGPT es mejor que yo para determinar si una imagen tiene un T-72, no va a ser mejor que yo para planificar rutas. Por lo tanto, a medida que se implementan nuevas herramientas, se requiere una comprensión superficial de cómo funciona el modelo. La prueba de fuego para determinar cuándo los modelos de IA se pueden aplicar de manera efectiva a nuestra profesión se encuentra en la línea de la ciencia y el arte de la guerra. Si vive en la ciencia (análisis del terreno, capacidades y limitaciones del equipo, etc.), entonces es probable que las herramientas de IA puedan hacerlo mejor y más rápido que nosotros. Esto nos libera para vivir en el arte. Las herramientas de IA pueden definir rápidamente los límites de lo que es posible y permitirnos concentrarnos en cómo operar dentro de esos límites. Conclusión 2: Necesitamos examinar todo lo que hacemos y determinar dónde la tecnología digital puede mejorar nuestros procesos actuales, que es todo lo que tiene que ver con la ciencia de la guerra.

Inspeccione lo que espera

Entender cómo un modelo genera su resultado es esencial para tomar las decisiones correctas en función de ese resultado. Por ejemplo, tomemos un modelo como el buscador de zonas de aterrizaje (LZ) de ARES. Utiliza un conjunto de reglas y parámetros predefinidos, como el tamaño mínimo, la pendiente máxima y los obstáculos cercanos, para identificar todas las zonas de aterrizaje posibles. El resultado es repetible porque ejecutar el modelo con los mismos datos siempre producirá el mismo resultado. También es explicable porque las reglas y los parámetros utilizados por el modelo son completamente transparentes.

Ahora, compare eso con un modelo que identifica una imagen de un tanque como un T-72. Este tipo de modelo funciona de manera diferente. Compara la imagen del tanque con otras imágenes de las que ha aprendido y selecciona la coincidencia más cercana. En este caso, el resultado es predictivo porque se basa en patrones y es esencialmente una suposición fundamentada. Sin embargo, el resultado es ininterpretable porque no hay forma de comprender completamente cómo el modelo decidió etiquetar la imagen como un T-72.

Estos dos tipos de resultados son fundamentalmente diferentes y deberían influir en la decisión del usuario en consecuencia. La mayoría de estas soluciones de software le brindan una solución inmediata del 70 %, lo que facilita el ritmo, pero no elimina la necesidad de verificar las suposiciones. Conclusión 3: no se puede confiar ciegamente en los resultados del software, pero eso no significa que no agreguen valor.

Tomar la iniciativa

Es fácil descartar las herramientas de IA para aplicaciones militares como responsabilidad de alguien más. Sin embargo, a diferencia del hardware, el software se puede convertir en un sistema utilizable empleado por los soldados de infantería con relativa rapidez y sencillez. La IA puede revolucionar partes del combate de infantería. Considere estos ejemplos de casos de uso de IA aplicados a nivel de batallón de infantería.

Genere automáticamente una matriz ISR recomendada para activos UAS dada una situación enemiga, una misión amiga y activos disponibles que cubran de manera óptima las posibles posiciones enemigas.

Identifique las posiciones de batalla que maximicen el campo de fuego mientras permanecen cubiertas antes de realizar el reconocimiento de un líder de una posición defensiva planificada.

Calcule la composición y disposición completas de las fuerzas enemigas dados todos los datos recopilados sobre las posiciones enemigas.

Calcule su situación defensiva amiga utilizando modelos como ARES para informar mejor a los posibles COA enemigos.

El tema común que comparten estos ejemplos es que, si la IA se usa de manera efectiva, el tiempo para procesar la información en inteligencia procesable se puede reducir drásticamente. El uso efectivo de la IA puede aumentar la velocidad de la toma de decisiones, lo que significa que puede aumentar directamente nuestro ritmo operativo.

Las herramientas de inteligencia artificial, diseñadas específicamente para el reconocimiento y la selección de objetivos, ya se están empleando en Ucrania y Gaza, y se utilizarán en nuestra próxima batalla. Para asegurarnos de que tenemos las herramientas adecuadas, necesitamos soldados de infantería como usted que comprendan las capacidades y limitaciones de la inteligencia artificial y estén dispuestos a probar y analizar estas herramientas a medida que llegan a la flota.

El capitán Kevin Benedict es oficial de infantería y actualmente se desempeña como analista de investigación de operaciones en Manpower & Reserve Affairs. Puede comunicarse con él en kevin.benedict@usmc.mil.

Glosario de acrónimos y términos militares

1. AI (Artificial Intelligence) / IA (Inteligencia Artificial): La capacidad de las máquinas para realizar tareas que normalmente requieren inteligencia humana, como el reconocimiento de patrones, la toma de decisiones y el aprendizaje.
2. UAS (Unmanned Aerial System) / Sistema Aéreo No Tripulado: Se refiere a drones o vehículos aéreos no tripulados utilizados para diversas misiones, como reconocimiento, vigilancia y ataque.
3. PFT (Physical Fitness Test) / Prueba de Aptitud Física: Una evaluación estándar utilizada en las fuerzas armadas para medir la condición física de los soldados.
4. T-72: Un modelo de tanque de combate soviético ampliamente utilizado en varios países.
5. DoD (Department of Defense) / Departamento de Defensa: El departamento del gobierno de los Estados Unidos responsable de la defensa nacional y las fuerzas armadas.
6. ARES (Augmented Reconnaissance and Estimate of the Situation) / Reconocimiento Aumentado y Estimación de la Situación: Una herramienta de software que utiliza inteligencia artificial para ayudar en la planificación de misiones, como la identificación de zonas de aterrizaje y rutas de aproximación.
7. TAK (Tactical Assault Kit) / Kit de Asalto Táctico: Una plataforma de software utilizada por las fuerzas militares para la planificación y ejecución de misiones tácticas.
8. MCH (Marine Corps Handbook) / Manual del Cuerpo de Marines: Un manual que contiene información táctica, técnicas y procedimientos para los Marines.
9. 0302: Código de designación para un oficial de infantería en el Cuerpo de Marines de los Estados Unidos.
10. 0352: Código de designación para un Marine especializado en el manejo de sistemas de misiles antitanque.
11. TCM (Tactical Combat Maneuvers) / Maniobras de Combate Táctico: Tácticas y técnicas utilizadas en el campo de batalla para ganar ventaja sobre el enemigo.
12. ISR (Intelligence, Surveillance, and Reconnaissance) / Inteligencia, Vigilancia y Reconocimiento: Actividades relacionadas con la recopilación de información sobre el enemigo y el entorno operativo.
13. COA (Course of Action) / Curso de Acción: Un plan o conjunto de acciones propuestas para lograr un objetivo militar.
14. Red Cell: Un equipo que simula ser el enemigo durante ejercicios de entrenamiento o planificación, para probar y desafiar los planes y estrategias de las fuerzas amigas.
15. ChatGPT: Un modelo de lenguaje basado en inteligencia artificial desarrollado por OpenAI, capaz de generar texto similar al humano en respuesta a entradas de texto.
16. Neural Network / Red Neuronal: Un modelo computacional inspirado en el funcionamiento del cerebro humano, utilizado en inteligencia artificial para tareas como el reconocimiento de patrones y la toma de decisiones.
17. Geospatial Data / Datos Geoespaciales: Información relacionada con la ubicación geográfica, como mapas, imágenes satelitales y datos de terreno.
18. Logstats (Logistics Statistics) / Estadísticas de Logística: Datos relacionados con el suministro, mantenimiento y transporte de recursos en operaciones militares.
19. Perstats (Personnel Statistics) / Estadísticas de Personal: Datos relacionados con el personal, como la disponibilidad, ubicación y estado de los soldados.
20. Operational Tempo / Ritmo Operativo: La velocidad a la que se llevan a cabo las operaciones militares, incluyendo la planificación, ejecución y evaluación de misiones.

Experimento: Usemos una IA para analizar este texto sobre el uso de IAs a nivel táctico.

Preguntemos a DeepSeek:

Subimos el artículo original en pdf a Deepseek y le preguntamos: ¿Cuales son los puntos del texto más apropiados para un debate sobre el uso de IAs a nivel organizativo básico, es decir unidades operacionales más pequeñas y más cercanas a la accion cotidiana, de cualquier organización , no solo militar ( ejemplos: académico, sindical, corporativo, centro de trabajo pequeño)?

Nos responde:

El texto ofrece varios puntos que pueden ser apropiados para un debate sobre el uso de la inteligencia artificial (IA) a nivel organizativo básico, es decir, en unidades operacionales pequeñas y cercanas a la acción cotidiana, aplicables no solo en contextos militares, sino también en ámbitos académicos, sindicales, corporativos o en pequeños centros de trabajo. Aquí te presento algunos de los puntos más relevantes:

1. La importancia de la calidad de los datos de entrada (Input Data)

• Punto de debate: En cualquier organización, la calidad de los datos que se introducen en un sistema de IA es crucial para obtener resultados confiables. ¿Cómo pueden las pequeñas unidades asegurarse de que los datos que recopilan y utilizan son precisos y relevantes? ¿Qué medidas se pueden tomar para mejorar la recopilación y el manejo de datos en entornos cotidianos?
• Aplicación: En un contexto académico, por ejemplo, ¿cómo pueden los profesores asegurarse de que los datos que utilizan para evaluar el rendimiento de los estudiantes son precisos? En un sindicato, ¿cómo se pueden recopilar datos confiables sobre las necesidades de los trabajadores?

2. Automatización de tareas repetitivas y basadas en reglas (Science of War)

• Punto de debate: La IA puede ser especialmente útil para automatizar tareas repetitivas y basadas en reglas, liberando tiempo para que los miembros de la organización se concentren en tareas más creativas o estratégicas. ¿Qué tareas en su organización podrían ser automatizadas? ¿Cómo podría la IA mejorar la eficiencia en procesos como la planificación, la logística o la toma de decisiones?
• Aplicación: En un centro de trabajo pequeño, ¿podría la IA ayudar a automatizar la gestión de inventarios o la programación de turnos? En un contexto académico, ¿podría la IA ayudar a automatizar la corrección de exámenes o la gestión de horarios?

3. La necesidad de verificar los resultados de la IA (Inspect What You Expect)

• Punto de debate: Aunque la IA puede proporcionar soluciones rápidas, es esencial verificar y validar sus resultados. ¿Cómo pueden las organizaciones asegurarse de que no confían ciegamente en los resultados de la IA? ¿Qué procesos de verificación deben implementarse para garantizar que las decisiones basadas en IA sean correctas?
• Aplicación: En un sindicato, ¿cómo se pueden verificar las recomendaciones de la IA sobre estrategias de negociación colectiva? En una pequeña empresa, ¿cómo se puede validar que las predicciones de la IA sobre la demanda de productos sean precisas?

4. Aumento de la velocidad en la toma de decisiones (Operational Tempo)

• Punto de debate: La IA puede acelerar la toma de decisiones al procesar grandes cantidades de información rápidamente. ¿Cómo puede la IA ayudar a su organización a tomar decisiones más rápidas y efectivas? ¿Qué riesgos podrían surgir al acelerar el proceso de toma de decisiones?
• Aplicación: En un contexto corporativo, ¿cómo podría la IA ayudar a identificar oportunidades de mercado más rápidamente? En un sindicato, ¿cómo podría la IA ayudar a responder más rápidamente a las necesidades de los trabajadores?

5. La importancia de entender las limitaciones de la IA (Capabilities and Limitations)

• Punto de debate: Es crucial entender tanto las capacidades como las limitaciones de la IA. ¿En qué áreas la IA puede ser más efectiva y en cuáles no? ¿Cómo pueden las organizaciones capacitar a sus miembros para que comprendan mejor cómo funciona la IA y cuándo es apropiado usarla?
• Aplicación: En un contexto académico, ¿cómo pueden los profesores y estudiantes aprender a usar la IA de manera efectiva sin depender demasiado de ella? En una pequeña empresa, ¿cómo pueden los empleados entender cuándo es apropiado usar la IA para la toma de decisiones?

6. La IA como herramienta para liberar tiempo y recursos (Gaining Efficiency)

• Punto de debate: La IA puede liberar tiempo y recursos al automatizar tareas que consumen mucho tiempo. ¿Cómo puede su organización aprovechar la IA para mejorar la eficiencia y permitir que los miembros se concentren en tareas de mayor valor? ¿Qué tareas en su organización son las más adecuadas para la automatización?
• Aplicación: En un sindicato, ¿cómo podría la IA ayudar a automatizar la gestión de quejas o la organización de eventos? En un centro de trabajo pequeño, ¿cómo podría la IA ayudar a gestionar la comunicación interna o la planificación de proyectos?

7. La IA como apoyo en la planificación y la toma de decisiones (ARES Example)

• Punto de debate: Herramientas como ARES, que utilizan IA para la planificación táctica, pueden ser adaptadas a otros contextos para ayudar en la toma de decisiones. ¿Cómo podría su organización utilizar herramientas similares para mejorar la planificación y la ejecución de proyectos? ¿Qué tipo de datos serían necesarios para alimentar estas herramientas?
• Aplicación: En un contexto académico, ¿cómo podría una herramienta como ARES ayudar a planificar la distribución de recursos en un campus? En una pequeña empresa, ¿cómo podría ayudar a planificar la logística de entrega de productos?

8. La IA en la identificación de patrones y tendencias (Pattern Recognition)

• Punto de debate: La IA es especialmente buena para identificar patrones y tendencias en grandes conjuntos de datos. ¿Cómo puede su organización utilizar la IA para identificar patrones que no son evidentes a simple vista? ¿Qué tipo de decisiones podrían mejorarse al identificar estas tendencias?
• Aplicación: En un sindicato, ¿cómo podría la IA ayudar a identificar patrones en las quejas de los trabajadores para mejorar las condiciones laborales? En un contexto académico, ¿cómo podría la IA ayudar a identificar tendencias en el rendimiento de los estudiantes?

9. La IA como herramienta para la innovación y la creatividad (Focus on the Art of War)

• Punto de debate: Al liberar a los miembros de la organización de tareas repetitivas, la IA puede permitirles concentrarse en la innovación y la creatividad. ¿Cómo puede su organización fomentar la creatividad y la innovación al integrar la IA en sus procesos? ¿Qué nuevas oportunidades podrían surgir al combinar la IA con el pensamiento creativo?
• Aplicación: En una pequeña empresa, ¿cómo podría la IA ayudar a los empleados a concentrarse en el desarrollo de nuevos productos o servicios? En un contexto académico, ¿cómo podría la IA fomentar la investigación innovadora?

10. La IA como herramienta para la colaboración y la comunicación (Community Engagement)

• Punto de debate: La IA puede facilitar la colaboración y la comunicación dentro de una organización. ¿Cómo puede su organización utilizar la IA para mejorar la comunicación interna y la colaboración entre equipos? ¿Qué herramientas de IA podrían ser útiles para fomentar la participación y el intercambio de ideas?
• Aplicación: En un sindicato, ¿cómo podría la IA ayudar a mejorar la comunicación entre los miembros y los líderes? En un centro de trabajo pequeño, ¿cómo podría la IA facilitar la colaboración entre departamentos?

Estos puntos pueden servir como base para un debate en cualquier organización, ya que abordan temas universales como la eficiencia, la toma de decisiones, la automatización y la innovación, todos ellos relevantes para unidades operacionales pequeñas y cercanas a la acción cotidiana.

No se a ustedes, a mi me ha resultado de gran utilidad el feedbak de esta IA.