Le défi

Historique et contexte

Les opérations des FAC génèrent d'énormes flux de données hétérogènes, tels que des rapports textuels, des images, des vidéos, des enregistrements audios, des renseignements sur les fréquences radio (RF) et les signaux, des données de télémétrie provenant de capteurs, ainsi que des modalités émergentes comme les mesures issues de la physique quantique et les informations recueillies par des drones. Ces sources de données restent cloisonnées, ce qui limite la connaissance de la situation en temps réel et la prise de décision. 

Cette capacité soutient directement le plan de campagne numérique des Forces armées canadiennes et la stratégie du MDN/FAC en matière d’intelligence artificielle (IA) en permettant une fusion adaptative et basée sur l’apprentissage entre différentes modalités, plutôt qu’une simple agrégation statique. Elle s’inscrit dans les priorités du Plan de capacités des forces en matière de renseignement, de surveillance et de reconnaissance (ISR), de commandement et de contrôle (C2) et de résilience opérationnelle. Cette capacité renforcera l’aptitude des FAC à intégrer les renseignements à travers les différents domaines et niveaux de classification, garantissant ainsi l’interopérabilité avec les alliés et la sécurité des opérations dans des environnements contestés. 

Contrairement à la fusion traditionnelle fondée sur des règles, cette initiative s'appuie sur des architectures basées sur l'IA pour apprendre des relations complexes entre des modalités hétérogènes, propager l'incertitude et fournir des résultats explicables et adaptés aux politiques, afin de prendre des décisions critiques dans des environnements dynamiques et dégradés. 

Ces solutions seront intégrées aux plateformes ISR des Forces armées canadiennes, aux systèmes de commandement et de contrôle, ainsi qu'aux déploiements tactiques de première ligne. Les résultats serviront à éclairer la doctrine des Forces armées canadiennes en matière d'opérations multi-domaines, alimenteront les environnements d'expérimentation et de simulation de guerre, et appuieront les stratégies d'acquisition de systèmes d'aide à la décision de nouvelle génération. 

Le MDN et les FAC organisent ce défi afin d'observer les progrès réalisés dans le domaine de l'intelligence artificielle pour résoudre ce problème. 

Voici quelques exemples d'applications, sans que cette liste soit exhaustive :

• Fusion interarmées des données ISR pour les opérations dans l'Arctique : alignement spatio-temporel, basé sur l'IA, des images satellites, des signaux RF et des données de télémétrie pour une connaissance permanente du domaine arctique. 
• Évaluation des menaces en temps réel dans un espace de combat multi-domaine : fusion, basée sur l'apprentissage profond, de données vidéo électro-optiques (EO), de renseignements d'origine électromagnétique (SIGINT) et de renseignements textuels pour le ciblage dynamique et la protection des forces.
• Fusion en périphérie pour les unités tactiques : déployer des modèles d'IA tenant compte des contraintes sur des systèmes portables afin d'intégrer les données audio, vidéo et issues des capteurs pour améliorer la connaissance de la situation des soldats dans des conditions de connectivité réduite.
• Opérations des groupes opérationnels maritimes : détection des anomalies assistée par l'IA à partir de données sonar, radiofréquence et visuelles, avec évaluation du degré d'incertitude et résultats explicables.
• Plates-formes multi-capteurs aéroportées : combiner radar, systèmes électro-optiques/infrarouges (EO/IR) et télémétrie pour améliorer la détection et le suivi des éléments ennemis furtifs ou simulés.

Résultats essentiels

Les solutions proposées doivent répondre au critère suivant :

• Fournir un modèle d'IA capable d'agréger, d'ingérer, de fusionner et de générer des résultats à partir d'au moins deux (2) types de données hétérogènes (par exemple, données de capteurs, texte, RF) afin de produire des indicateurs et des mesures (par exemple, classifications, détection, corrélations)

Résultats souhaités

Les solutions proposées doivent inclure des fonctionnalités et des éléments à prendre en considération tels que, sans s'y limiter, les suivants :

• Architectures avancées d'apprentissage profond pour l'alignement spatio-temporel, la propagation de l'incertitude et l'évaluation de la confiance entre les différentes modalités
• Résolution d'entités et intégration dynamique de graphes de connaissances pour le suivi persistant d'objets entre différents domaines
• Fusion tenant compte des politiques, s'appuyant sur un suivi de la provenance basé sur l'IA pour une intégration sécurisée entre les différents niveaux de classification, avec une traçabilité complète
• Une architecture évolutive pour des pipelines de fusion en temps réel basés sur l'IA dans des environnements opérationnels, incluant des résultats explicables afin de gagner la confiance des opérateurs
• Intégrer les contraintes liées à la taille, au poids et à la puissance (SWaP) ainsi que les limites de calcul dans les pipelines de fusion destinés au déploiement en périphérie