La Actividad de Proyectos de Investigación Avanzada de Inteligencia de EE. UU. (IARPA) está buscando "desarrollar sistemas capaces de modelar patrones de movimiento de población en todo el mundo" utilizando IA y sensores conectados a Internet de las Cosas (IoT) y ciudades inteligentes.
Según la Oficina del Director de Inteligencia Nacional ( ODNI ), el programa “Caracterización de anomalías de trayectoria y señal de actividad oculta ( HAYSTAC ) de IARPA tiene como objetivo establecer modelos de movimiento 'normales' a través de tiempos, ubicaciones y poblaciones y determinar qué hace que una actividad sea atípica.
“Los datos expansivos de la Internet de las cosas y las infraestructuras de Smart City brindan oportunidades para construir nuevos modelos que comprenden la dinámica humana con una resolución sin precedentes y crean la responsabilidad de comprender las expectativas de privacidad para quienes se mueven a través de este mundo rico en sensores”.
"Esta es una oportunidad sin precedentes para comprender cómo se mueven los humanos, y el objetivo de HAYSTAC será comprender cómo se ve el movimiento normal en un momento y lugar determinados".
Dr. Jack Cooper, IARPA
Al frente del programa de investigación HAYSTAC de cuatro años está el Dr. Jack Cooper , quien se unió a IARPA en 2020 después de un período en la Agencia Nacional de Inteligencia Geoespacial (NGA) en la Dirección de Investigación, donde fue científico sénior de personal para análisis predictivo.
Para el gerente del programa, HAYSTAC representa “ una oportunidad sin precedentes para comprender cómo se mueven los humanos, y el objetivo de HAYSTAC será comprender cómo se ve el movimiento normal en un momento y lugar determinados ”.
“Con HAYSTAC , tenemos la oportunidad de aprovechar el aprendizaje automático y los avances en inteligencia artificial para comprender los patrones de movilidad con una claridad excepcional”, dijo el Dr. Cooper en un comunicado a la ODNI.
“ Cuanto más sólidamente podamos modelar los movimientos normales, más claramente podremos identificar lo que está fuera de lo común y prever una posible emergencia ”, agregó.
Según IARPA , "las técnicas actuales de modelado de movilidad humana pueden proporcionar información de alto nivel sobre el movimiento humano para el estudio de la propagación de enfermedades o la migración de la población".
Sin embargo, "no proporcionan el modelo complejo y detallado que la comunidad de inteligencia (IC) necesita para identificar anomalías más sutiles con confianza".
Ahí es donde entran HAYSTAC y Dr. Cooper.
“Con HAYSTAC, tenemos la oportunidad de aprovechar el aprendizaje automático y los avances en inteligencia artificial para comprender los patrones de movilidad con una claridad excepcional”
Dr. Jack Cooper, IARPA
El Dr. Cooper también es el administrador de programas de al menos otros dos programas de investigación de IARPA centrados en detectar y caracterizar actividades humanas, que incluyen:
“Los dispositivos de Internet de las cosas son una fuente creciente de datos que se pueden recopilar para conocer la intención”
Dra. Catherine Marsh, IARPA
Hablando en la Conferencia Mundial del Sistema de Información de Inteligencia del Departamento de Defensa (DoDIIS) en diciembre de 2021, la directora de IARPA , la Dra. Catherine Marsh, anticipó el próximo programa HAYSTAC cuando dijo:
“Los dispositivos de Internet de las cosas son una fuente creciente de datos que se pueden recopilar para aprender la intención.
“Desarrollar estos nuevos sensores y detectores, además de pensar en formas inteligentes de recopilar datos multimodales para revelar lo que nuestros adversarios intentan ocultarnos, es el núcleo de lo que pretenden nuestros programas de recopilación”.
Para su programa HAYSTAC , IARPA ya ha otorgado varios contratos a grandes contratistas de defensa y firmas consultoras con vínculos con la academia, ONG y empresas tecnológicas.
Estos contratos fueron para:
“A medida que maduren los sistemas HAYSTAC , se evaluarán en función de la probabilidad de detección y el desempeño de falsas alarmas al crear alertas relevantes, buscando en última instancia identificar el 80 % de la actividad anómala mientras se genera una actividad normal que solo es detectable en un 10 %”, según el programa . descripción
Este artículo fue publicado originalmente por Tim Hinchliffe en The Sociable.