Contexte

L’IA est un puissant outil qui pourrait perturber et transformer à la fois la conduite des opérations militaires et la gestion des fonctions organisationnelles. À tous les échelons de commandement, des technologies algorithmiques rendent possibles de nouvelles capacités qui sont plus rapides et plus puissantes que celles réalisables par de seuls agents humains. Activées par des volumes de données toujours croissants, ces technologies peuvent améliorer la connaissance de la situation et l’aide à la décision dans tous les domaines. Sur le plan opérationnel, l’IA et l’utilisation d’outils d’apprentissage automatique (AA) – ou « apprentissage machine » – peuvent accroître les capacités humaines permettant de surveiller, de prévoir, de cibler et d’accélérer l’aptitude à repérer un adversaire et à réagir face à celui-ci. En outre, l’IA peut aussi servir à automatiser la logistique et à prévoir la nécessité de réparations, améliorant ainsi l’état de préparation opérationnelle. Au niveau organisationnel, l’analytique avancée permet aux organisations de mieux se voir et de mieux se comprendre, elles ainsi que leurs processus, en identifiant des économies potentielles de coûts et de temps. L’automatisation augmentée par l’IA peut prendre en charge des tâches répétitives et ainsi libérer le personnel qui peut entreprendre des activités plus complexes et exigeantes.

Tirer parti de l’IA est au cœur des priorités du MDN et des FAC, de leurs alliés et de leurs adversaires. La politique de défense du Canada, Protection, Sécurité, Engagement, et la Stratégie de données du MDN et des FAC décrivent un objectif final souhaité dans laquelle les données seront utilisées pour accroître l’efficacité et pour procurer un avantage en matière d’information sur le plan des opérations militaires et des applications organisationnelles. L’analyse et l’interprétation d’une grande quantité de données dépassent désormais largement la capacité des seuls agents humains et l’atteinte de cette situation finale nécessitera l’aide de l’IA et d’autres systèmes décisionnels automatisés. Les domaines prioritaires en matière de défense, notamment la modernisation du Commandement de la défense aérospatiale de l’Amérique du Nord (NORAD), le Centre des opérations et du renseignement de la Défense nationale (CORDN), la surveillance et la reconnaissance interarmées (RSRI) envisagent l’intégration de l’IA et des technologies connexes dans l’élaboration d’une structure modernisée de Commandement, contrôle, communications, informatique, cyberespace, renseignements, surveillance et reconnaissance (C3ICRSR). Les partenaires de défense du Canada définissent également rapidement leurs propres approches à l’égard de l’IA, tandis que la Chine a annoncé ses plans en vue d’atteindre la domination mondiale en matière d’IA d’ici 2030.

Toutefois, le MDN et les FAC ne sont pas encore en mesure d’adopter l’IA et d’en tirer parti. À l’heure actuelle, les initiatives en matière d’IA au sein du MDN et des FAC sont fragmentées, chaque commandement et environnement abordant l’IA indépendamment. La maturité de l’IA varie à l’échelle du MDN et des FAC, avec d’importants groupes d’experts à certains endroits et de faibles niveaux de compétences et de capacité ailleurs. Il n’existe aucune feuille de route pour faire progresser l’organisation vers une exploitation efficace de l’IA aux fins de coordonner et de gérer convenablement les investissements ou de développer les capacités, l’attitude et les compétences nécessaires à la mise en œuvre efficace, sûre et responsable de l’IA. Sans une telle approche, le MDN et les FAC risquent de manquer de nombreuses occasions appropriées d’utiliser l’IA de manière responsable dans la conduite des opérations des FAC et ainsi de manquer l’occasion de concrétiser de nombreux avantages, y compris l’avantage opérationnel sur des adversaires potentiels. De même, ils risquent de créer ou de perpétuer des préjudices en raison de biais algorithmiques ou liés aux données et aux effets systémiques imprévus ainsi que de causer la perte de possibilités d’améliorer les activités de défense et notre gestion organisationnelle au moyen des capacités basées sur l’IA.

Pour avancer dans le domaine de l’IA, le MDN et les FAC ont besoin d’une Stratégie d’IA afin d’orienter et de coordonner les efforts vers des opérations habilitantes et des activités de défense au moyen de l’IA. La présente Stratégie d’IA établit cinq lignes d’efforts pour accélérer l’adoption d’une IA responsable au sein du MDN et des FAC. Ces lignes d’effort décrites dans le présent document comprennent des activités connexes pour faire avancer la mise en œuvre à court terme, y compris la création d’un Centre d’IA du MDN et des FAC (CIAMF) en tant que centre d’excellence du MDN et des FAC. La Stratégie d’IA sera suivie d’un plan de mise en œuvre établissant les responsabilités et les échéanciers relatifs à la mise en œuvre de la Stratégie.

L’apprentissage automatique peut prédire les défaillances du système à bord des navires de la Marine royale canadienne

Capacité d’IA nécessaire : détecter les défaillances imminentes des systèmes de navires à l’aide de données de capteurs

Techniques d’IA utilisées : apprentissage automatique supervisé et non supervisé, analytique prédictive

Valeur ajoutée par l’IA : prédiction des défaillances de systèmes à l’aide de données de capteurs d’un système de contrôle intégré de plateforme (SCIP)

Les défaillances des machines peuvent entraîner des événements tragiques à bord des navires en compromettant la sécurité des marins et le succès des opérations en mer. Par conséquent, la capacité de prédire des défaillances des systèmes de marine et de remplacer l’équipement avant qu’une défaillance ne survienne offre des avantages opérationnels importants aux utilisateurs pour la Marine royale canadienne (MRC).

C’est pourquoi en 2018, la MRC a communiqué avec le Centre d’analyse et de recherche opérationnelle (CARO) de Recherche et développement pour la défense Canada (RDDC) afin d’examiner si des données fournies par le SCIP pourraient être utilisées pour prédire les défaillances à bord des navires de la MRC. Le SCIP a été installé lors d’un carénage de demi-vie pour aider à surveiller la propulsion, les circuits électriques et les machines de lutte contre les avaries. Ses capteurs en réseau enregistrent des données chaque 0,5 seconde et fournissent des billions de points de données concernant l’état et la performance de chaque navire. 

Le CARO a utilisé les données recueillies sur trois ans à partir de quatre systèmes à bord de navires sélectionnés de la MRC : le moteur diesel de propulsion, le groupe électrogène diesel, la ligne d’arbres et les hélices à pas variable et réversible et la boîte de vitesses. Il a agrégé les données sur une échelle de cinq minutes et les a jugées normales ou précédant une défaillance. Le CARO a ensuite utilisé des journaux de maintenance corrective et des rapports de défaillance opérationnelle pour corroborer les événements de défaillance.

Le CARO a utilisé ces données pour former et entraîner des algorithmes de réseau neuronal auto-encodeur afin de localiser les anomalies du système associées aux événements de défaillance. Les premiers résultats ont montré que les algorithmes pouvaient prédire le besoin en maintenance corrective jusqu’à une semaine à l’avance 75 p. 100 du temps.

La performance du système n’était pas parfaite, des faux positifs ayant été générés, mais les premiers résultats étaient suffisamment prometteurs pour justifier des mises à l’essai plus poussées.

Détails de la page

Date de modification :