Dr. Matthias Sommer, Dr. Michael Rüegsegger, Ricerca operativa e analisi di sistemi (ORSA), armasuisse Scienza e tecnologia

Decisioni migliori con l’intelligenza artificiale

Per l’esercito svizzero, il wargaming è uno strumento indispensabile e poliedrico in cui sono conciliati tantissimi vantaggi. Con il wargaming è possibile simulare e sondare una situazione di conflitto. Da questo metodo trae vantaggio, ad esempio, la pianificazione dell’esercito, che può così sviluppare nuove soluzioni e testarle in un ambiente tattico in poco tempo e senza problemi. L’aspetto più apprezzato dai quadri dirigenti è la possibilità di rivedere le decisioni e di soppesare le conseguenze delle diverse opzioni mettendole a confronto prima di dare gli ordini corrispondenti. Nella lotta contro una pandemia, ad esempio, il wargaming può essere di grande aiuto per stabilire in quale momento, in quale luogo e che tipo di misure dovrebbero essere adottate per assistere in modo ottimale le organizzazioni di primo intervento in Svizzera.

Come qualsiasi altro metodo, però, anche il wargaming presenta delle limitazioni. I wargame, ossia i giochi di guerra, sono pilotati dalle decisioni di chi gioca. Ciascun gioco è unico nel suo genere e non è riproducibile. A differenza dei giochi per i giocatori e le giocatrici virtuali, inoltre, il numero di giochi che possono essere giocati dagli esseri umani è fortemente limitato. Di conseguenza non è possibile effettuare analisi statistiche precise su un determinato risultato di gioco. Ultimo, ma non meno importante, l’esito di un gioco di guerra, come in una partita a scacchi, dipende tantissimo anche dall’abilità dei giocatori.

L’intelligenza artificiale (IA), definita in inglese Artificial Intelligence (AI), ha il potenziale necessario a superare queste limitazioni e consente di effettuare un’analisi statistica dei giochi di guerra. Utilizzando l’intelligenza artificiale, infatti, i wargame digitalizzati, ad esempio, possono essere giocati e analizzati in modo completamente automatico. In questo processo, i cosiddetti «agenti intelligenti» competono l’uno contro l’altro e imparano, nel corso di innumerevoli partite, qual è l’approccio tattico che promette il maggiore successo in base alle capacità militari e ai sistemi tecnici disponibili.

In futuro, quindi, l’intelligenza artificiale potrebbe aiutare le persone aventi funzioni decisionali e di pianificazione a sviluppare nuove tattiche e procedure operative, ad esempio per scoprire quali combinazioni di capacità militari siano maggiormente redditizie e quali requisiti siano fondamentali per l’approvvigionamento di nuovi sistemi militari.

Prima applicazione nel campo della difesa aerea

Per potere meglio valutare il potenziale dell’intelligenza artificiale a supporto del wargaming, i dipendenti di armasuisse Scienza e tecnologia (S+T) hanno condotto alcune prove iniziali nel corso di un progetto di ricerca. A tal fine hanno digitalizzato il gioco da tavolo New Techno War, dopodiché hanno testato i primi algoritmi. I risultati erano promettenti e hanno confermato le previsioni iniziali sulla tattica di gioco ottimale. Questo gioco, tuttavia, è estremamente astratto e, di conseguenza, non è direttamente applicabile a scenari realistici.

Per questo motivo, i risultati ottenuti nel campo della difesa aerea saranno analizzati più dettagliatamente in una seconda fase. A causa degli attuali progetti di acquisizione, l’attenzione è stata rivolta alla difesa aerea. Gli obiettivi principali sono tre: in primo luogo, in corso di attuazione del cosiddetto «Concept Development and Experimentation» è possibile scandagliare lo spazio risolutivo per identificare nuove strategie e tattiche promettenti, aspetto particolarmente interessante nello sviluppo di linee guida per l’acquisizione dei sistemi terra-aria. In secondo luogo, è possibile esaminare gli scenari d’intervento concreti nel dettaglio e ottimizzarli con un’analisi Course of Action (COA), in italiano analisi delle modalità tattiche, un elemento chiave del settore Ricerca operativa. In terzo luogo, questi metodi dovrebbero essere applicati anche in sede di formazione: competendo con l’intelligenza artificiale (Red Teaming), infatti, gli apprendisti possono allenarsi in una varietà di scenari potenziando l’efficacia della formazione.

Per raggiungere questi obiettivi è necessario disporre di un modello informatizzato, ossia virtuale, della situazione di combattimento. Allo stesso modo è necessario disporre di un algoritmo capace di imparare autonomamente a operare decisioni adeguate in questo modello.

L’industria videoludica ha creato numerosi modelli che sono sia estremamente realistici sia capaci di sfruttare efficientemente le capacità di elaborazione esistenti, rendendo i videogiochi dei candidati alquanto interessanti per la simulazione di scenari di combattimento. Il videogame «Command: Modern Operations» è adatto alla simulazione di scenari di combattimento aereo e navale a livello tattico. Il gioco è disponibile in una versione professionale con parametri realistici utilizzati anche dagli Stati della NATO per analizzare e pianificare le missioni degli scenari di difesa aerea.

Lo scenario utilizzato in questo progetto di ricerca prevede un aereo avversario con la missione di penetrare in un settore obiettivo sopra la Svizzera. Un sistema di difesa contraerea separato cerca di impedirlo. La tattica ottimale del velivolo in volo è quella di circumnavigare il campo di rilevamento del radar o di attaccare la protezione antiaerea..

Al classico programma software che esegue passaggi predefiniti va a sostituirsi un algoritmo. Il requisito essenziale per l’algoritmo che deve giocare questo gioco da solo è essenzialmente il seguente: deve essere in grado di imparare autonomamente a vincere il più spesso possibile attraverso l’apprendimento per tentativi ed errori. Possiamo immaginarci questo processo come la capacità di apprendimento dell’essere umano. L’algoritmo accumula esperienze sperimentando svariate strategie e scegliendo quella più appropriata alla situazione. Il termine «Reinforcement Learning» (apprendimento per rinforzo) si applica esattamente a questa tipologia di algoritmi. In questo modo sono stati ottenuti notevoli successi: un software munito di questi algoritmi è capace di battere la maggior parte dei giocatori umani di videogame, per non dire tutti, come, ad esempio, Starcraft, e anche i tradizionali giochi da tavolo come il Go.

Una delle sfide nell’applicazione dell’apprendimento per rinforzo al videogioco «Command: Modern Operations» risiede nelle tantissime possibilità d’azione giocabili che possono essere combinate tra loro a formare un numero di strategie pressoché ingestibile. È una sfida che riguarda l’infrastruttura informatica disponibile. Per ottenere risultati in tempo utile utilizzando l’hardware a disposizione, nel primo anno del progetto di ricerca «Artificial Intelligence for Integrated Air Defense» (AI4IAD) è stato testato l’algoritmo «Monte Carlo Tree Search», con il quale è possibile limitare lo spazio risolutivo alle strategie più ragionevoli e, quindi, risparmiare tempo di elaborazione. Il risultato è stata la strepitosa vittoria contro il giocatore leader mondiale di Go Lee Sedol, sebbene il gioco del Go fosse stato per lungo tempo considerato ingestibile dall’intelligenza artificiale a causa della sua complessità.

Per riuscirci, però, l’algoritmo deve terminare con successo numerosi playthrough. Poiché questo algoritmo è estremamente complesso, l’integrazione nell’ambiente di simulazione si è rivelata inconsistente. Il comportamento di apprendimento è stato soddisfacente per gli scenari più semplici, mentre non lo è stato per gli scenari più impegnativi. Per questi scenari avanzati, quindi, si sta attualmente testando un’altra categoria di algoritmi, le cosiddette reti Q profonde, sono molto più facili da utilizzare, ma con efficienza e stabilità di apprendimento inferiori. In senso figurato, a questi algoritmi vengono idee insolite o irrealizzabili che, in alcuni casi, possono risultare adatte alla preparazione degli apprendisti a situazioni impreviste.

La Figura 4 mostra come l’intelligenza artificiale testi anche tattiche sub-ottimali o addirittura disperate durante la fase cognitoria. Nella cosiddetta fase di convergenza, quindi, basterà apportare solo piccole variazioni per giungere alla tattica ottimale.

Per la programmazione di queste complesse competenze su un computer, armasuisse S+T si è rivolta all’ambiente accademico per una consulenza. L’Istituto Dalle Molle di Studi sull’Intelligenza Artificiale (IDSIA) di Lugano gode di un’eccellente reputazione a livello internazionale nel campo della ricerca IA. armasuisse S+T, inoltre, ha maturato una lunga e ottima esperienza di collaborazione con questo istituto. Questi sono i motivi che hanno spinto armasuisse S+T a rivolgersi all’IDSIA affinché li affiancasse nello sviluppo di un algoritmo capace di ottimizzare la difesa aerea.

E adesso?

armasuisse applicherà concretamente i risultati ottenuti nel settore della difesa aerea con il progetto AI4IAD e porterà in campo l’efficacia bellica dal laboratorio. Questo algoritmo trova già applicazione anche nel settore della cosiddetta guerra ibrida. L’obiettivo consiste nell’analizzare il valore aggiunto delle tecnologie odierne e future in un contesto rilevante per l’esercito svizzero, ad esempio, sciami di droni, munizioni teleguidate di precisione o armi ipersoniche.

Di enorme importanza per l’implementazione operativa sarà se gli algoritmi utilizzati saranno anche in grado di spiegare le decisioni operate, perché per giungere a una decisione sono importanti due cose: sapere quale tattica promette le maggiori possibilità di successo e perché. Per questo motivo, armasuisse S+T analizzerà in futuro anche algoritmi che consentano di comprendere meglio le decisioni dell’intelligenza artificiale e di spiegarle ai manager e agli organi decisionali responsabili. Solo se le decisioni saranno trasparenti, comprensibili e spiegabili ci si potrà fidare di loro. Per spiegare ancora meglio le decisioni, in futuro queste informazioni dovranno essere maggiormente visualizzate, perché gli algoritmi generano enormi quantità di dati che devono essere elaborati e visualizzati per le persone coinvolte (o interessate) nel processo. A tal fine, armasuisse S+T cercherà la soluzione ottimale per l’interazione tra uomo e macchina con ulteriori progetti di ricerca.