Έχουμε αναφέρει –σε βαθμό που γινόμαστε ίσως γραφικοί– ότι η σημερινή εποχή χαρακτηρίζεται ως η εποχή της πληροφορίας. Αν και πλέον αυτή η διαπίστωση μπορεί να ακούγεται κοινότυπη, λίγοι είναι εκείνοι που καταλαβαίνουν τόσο την τεχνολογική πρόοδο που απαιτείται, αλλά και τις προκλήσεις που αυτή δημιουργεί. Η νέα πραγματικότητα αποδεικνύει ότι πλέον είναι εξαιρετικά δύσκολο να διαχειριστούμε τον «βομβαρδισμό» από πληροφορίες που δεχόμαστε καθημερινά, είτε αυτές αφορούν στην προσωπική είτε στην επαγγελματική ζωή. Το ίδιο ισχύει – πολλαπλασιαστικά – και στις ένοπλες δυνάμεις, οι οποίες θα πρέπει να συλλέξουν, κατηγοριοποιήσουν, αναλύσουν, μεταδώσουν και αποθηκεύσουν, έναν τεράστιο όγκο δεδομένων.
Από: defence-point.gr - Γράφει ο Σώζων Α. ΛΕΒΕΝΤΟΠΟΥΛΟΣ
(CISSP, CASP+, CEH, ISO 27k LA, NET+, SEC+)
Τα δεδομένα αυτά συλλέγονται από χιλιάδες διαφορετικούς αισθητήρες, οι οποίοι σύντομα θα ανέρχονται σε εκατομμύρια. Είναι χαρακτηριστικό, ότι κατά την επιχείρηση Enduring Freedom στο Αφγανιστάν, τα Unmanned Aerial Vehicles (UAVs) τύπου RQ-4 Global Hawks ACTDs (ακόμα σε φάση ανάπτυξης) συνέλεγαν δεδομένα τα οποία μπορεί να έφταναν και τα 400GB.
Η όλη κατάσταση οφείλεται στην απαίτηση για εκκαθάριση, αυτού που ο Clausewitz έχει χαρακτηρίσει ως “fog of war”. Αν και πλέον δεν υπάρχει έλλειψη πληροφορίας, η επεξεργασία της και η δημιουργία «προϊόντων» τα οποία να μπορούν να αξιοποιηθούν (η περίπτωση του OODA loop – Observe, Orient, Decide, Act, είναι χαρακτηριστική) απαιτεί εξαιρετικά μεγάλο χρόνο. Αυτό έχει σαν αποτέλεσμα η πληροφορία να καθίσταται μη εκμεταλλεύσιμη και ως εκ τούτου άχρηστη, επαναφέροντας κατά κάποιο τρόπο, το “fog of war”.
Αυτή η «υπερπροσφορά» πληροφοριών κάθε οι οποίες πλέον πασχίζουν να αντιμετωπίσουν αυτό που έχει χαρακτηριστεί ως “information overload”. Περιγράφει μια κατάσταση όπου ένα υποκείμενο έχει δυσκολία να κατανοήσει ένα θέμα και ως εκ τούτου να λάβει και τη σχετική απόφαση, λόγω του ότι η πληροφορία που του δίνεται είναι τεράστια σε όγκο, καταλήγοντας μη διαχειρίσιμη. Επεκτείνοντας το παραπάνω, μπορούμε να διακρίνουμε και την περίπτωση όπου το υποκείμενο λαμβάνει απόφαση, της οποίας όμως η «ποιότητα» και συμπερασματικά και η αποτελεσματικότητά της έχει μειωθεί δραματικά.
Ένας από τους τρόπους με τους οποίους γίνεται προσπάθεια ώστε να αντιμετωπιστεί αυτή η υπερπροσφορά και ο καταιγισμός πληροφοριών είναι και η Τεχνητή Νοημοσύνη (AI – Artificial Intelligence). Η ΑΙ, σαν προσέγγιση βασίζεται στην υπόθεση ότι η ανθρώπινη νοημοσύνη μπορεί να περιγραφεί με τόση λεπτομέρεια, ώστε η αντιγραφή της να είναι δυνατή.
Αν και υπάρχουν αντιδράσεις στην παραπάνω υπόθεση, τόσο στο πρακτικό κομμάτι, ότι δηλαδή δεν μπορούμε ακόμα να περιγράψουμε με σαφήνεια την ανθρώπινη νοημοσύνη, όσο και στο ηθικό, με τις αντιδράσεις να περιστρέφονται γύρω από τη δημιουργία «τεχνητών νοημόνων όντων», τα οποία δυνητικά μπορεί να απειλήσουν την ανθρώπινη ύπαρξη, η πραγματικότητα αυτή τη στιγμή δείχνει ότι η έρευνα πάνω στην ΑΙ αλλά και η ανάπτυξη πρακτικών εφαρμογών (τα αυτόνομα οχήματα της Tesla είναι ένα μόνο από τα πολλαπλά παραδείγματα) βρίσκεται σε έξαρση.
Είναι χαρακτηριστικό ότι η παγκόσμια ΑΙ αγορά το 2020 (λίγο πριν την πανδημία COVID-19) ανερχόταν στα 46,9 δισ. δολάρια, ενώ για το 2027 εκτιμήσεις κάνουν λόγω για αύξηση στα 300+ δισ. δολάρια. Οι ΗΠΑ και οι Κίνα είναι οι δύο χώρες που «οδηγούν την κούρσα» και το 2027 θα «ελέγχουν» συνδυαστικά άνω το 50% της σχετικής αγοράς.
Σε μια ιδεατή κατάσταση, η ΑΙ έχει την ικανότητα να εκλογικεύει μια κατάσταση και να λαμβάνει αποφάσεις η οποίες οδηγούν στην επίτευξη ενός συγκεκριμένου στόχου. Αναλόγως των δυνατοτήτων, η AI διακρίνεται σε δυο τύπους, Weak, η οποία μπορεί να εκτελέσει μόνο μια εργασία, και Strong όταν μπορούν να εκτελεστούν περισσότερες από μια –διαφορετικές– εργασίες.
Ένας –βασικός– τρόπος για να επιτευχθεί κάτι τέτοιο είναι η Μηχανική Μάθηση (ML – Machine Learning), η οποία βασίζεται στην παραδοχή ότι ένα πρόγραμμα μπορεί να διδαχθεί, να αντιδρά και να προσαρμόζεται σε νέα δεδομένα, χωρίς να απαιτείται η ανθρώπινη επέμβαση. Για να πραγματοποιηθεί κάτι τέτοιο απαιτούνται τεχνικές οι οποίες συλλογικά ονομάζονται Βαθιά Μάθηση (Deep Learning) και αφορούν στην εισαγωγή ενός τεράστιου όγκου από δεδομένα, τα οποία συνήθως είναι εικόνες, βίντεο ή κείμενο. Η ΑΙ δεν θα πρέπει να συγχέεται με προγράμματα που εκτελούν βασικές λειτουργίες (π.χ. αναγνώριση χαρακτήρων) καθώς συνδυάζεται με πιο περίπλοκα θέματα, όπως συνδυαστική ικανότητα, αιτιότητα και αντίληψη.
Για να «δημιουργηθεί» ΑΙ απαιτούνται τρεις παράγοντες, υπολογιστική ισχύ, συγκεκριμένοι αλγόριθμοι (οι περισσότεροι εκ των οποίων – αν όχι όλοι –είναι διαθέσιμοι, π.χ., στην πλατφόρμα του Github) και επισημασμένα δεδομένα (labeled data). Αν και πλέον δημιουργούμαι έναν τεράστιο όγκο δεδομένων, τα περισσότερα εκ των οποίων σε ψηφιακή μορφή, αυτά δεν είναι «υποσημειωμένα» – annotated.
Όταν το Facebook ζητά από τους χρήστες να γράψουν κάποια παρατήρηση σε μια φωτογραφία (comment) ή να αναφέρουν το ή τα πρόσωπα που βρίσκονται σε αυτή (ή ακόμα και τα μέρη/περιοχές) ουσιαστικά τους αναθέτει τη διαδικασία της υποσημείωσης των δεδομένων αυτών. Με αυτό τον τρόπο (μια μορφή crowd sourcing ουσιαστικά) το Facebook έχει στη διάθεσή του, μια τεράστια βιβλιοθήκη με πρόσωπα και μέρη, έχοντας πλέον τη δυνατότητα να αναγνωρίσει κάποιον, ακόμα και αν δεν φαίνεται το πρόσωπό του σε μια φωτογραφία!
Τα τελευταία χρόνια στη χώρα μας παρατηρείται μια τάση αντιστροφής του brain drain, το οποίο παρατηρήθηκε έντονα στις αρχές του 2010, και ένας αριθμός επιστημόνων, με εμπειρία σε μεγάλες εταιρίες του εξωτερικού, αποφασίζει όχι μόνο να επιστρέψει στην Ελλάδα αλλά να δημιουργήσει κάτι καινοτόμο και πρωτοποριακό. Σε αυτό το πλαίσιο, υπάρχουν τόσο υφιστάμενες εταιρίες όσο και ένας αριθμός start-up οι οποίες ασχολούνται με θέματα και προϊόντα AI. Ένας μικρότερος αριθμός από αυτές παρουσιάζει προϊόντα τα οποία έχουν και στρατιωτικές εφαρμογές, τα οποία παρουσιάζουν μια σειρά από πλεονεκτήματα έναντι πιο συμβατικών μορφών.
Το θέμα των annotated data είναι από τα πλέον σημαντικά και κρίσιμα αυτή τη στιγμή στον τομέα της ΑΙ. Τα ανοιχτά διαθέσιμα σύνολα τέτοιων δεδομένων (datasets) είναι περιορισμένα, ενώ στο χώρο της άμυνας θα λέγαμε ότι είναι ανύπαρκτα. Τα δεδομένα αυτά είναι εξαιρετικά σημαντικά και στις AI start-ups, καθώς απαιτείται τεράστιο κόστος ή/και προσπάθεια (η οποία μεταφράζεται σε χιλιάδες εργατοώρες), για την απόκτηση ή δημιουργία τους, το οποίο είναι τις περισσότερες (αν όχι όλες) φορές απαγορευτικό.
Εδώ έρχονται οι Ένοπλες Δυνάμεις (ΕΔ), οι οποίες ουσιαστικά «κάθονται» σε ένα τεράστιο «κοίτασμα πετρελαίου»! Πιο συγκεκριμένα, οι ΕΔ διαθέτουν μια ποικιλία αισθητήρων οι οποίοι χρησιμοποιούνται σε ένα από τα πλέον χαρακτηριστικά περιβάλλοντα. Το τελευταίο αποτελείται από βουνά, πεδιάδες, χαράδρες, νησιωτικά συμπλέγματα, μεγάλα νησιά, πυκνοκατοικημένες και μη περιοχές, ανοιχτές θάλασσες.
Επιπρόσθετα, οι ΕΔ έχουν να αντιμετωπίσουν καθημερινά προκλήσεις οι οποίες απουσιάζουν από τις περισσότερες χώρες. Όλα τα παραπάνω, σε συνδυασμό με την πληθώρα των συστημάτων που παρατηρούνται στον ελλαδικό χώρο, κάνουν ιδανική τη δημιουργία συγκεκριμένων και εκτεταμένων dataset.
Τα τελευταία οι ελληνικές ένοπλες δυνάμεις θα μπορούσαν να τα διαθέτουν, έναντι σημαντικής αμοιβής, σε συγκεκριμένες χώρες και εταιρίες. Ακόμα, στα πλαίσια της υποστήριξης της ελληνικής επιχειρηματικότητας, αυτά τα dataset θα μπορούσαν να διατίθενται –έναντι συμβολικού τιμήματος– σε συγκεκριμένες εταιρίες. Κατ’ αυτό τον τρόπο, οι τελευταίες θα μπορούσαν να αναπτύξουν εξαιρετικά ανταγωνιστικά προϊόντα, τα οποία θα ήταν κατά πολύ αποτελεσματικότερα αντίστοιχων του εξωτερικού, λόγω της πρόσβασης στα συγκεκριμένα dataset.
Υπό αυτό το πρίσμα, ουσιαστικά η Ελλάδα, θα χρηματοδοτούσε (όπως αναφέρθηκε το κόστος αυτών των dataset είναι τεράστιο) την ελληνική επιχειρηματικότητα, χωρίς ουσιαστικά να ξοδέψει ένα ευρώ. Επεκτείνοντας ακόμη περισσότερο των παραπάνω ισχυρισμό, τα συγκεκριμένα dataset θα μπορούσαν θεωρητικά ακόμα και να «χορηγηθούν» σε συγκεκριμένες χώρες – συμμάχους, ενισχύοντας με αυτό τον τρόπο και τις διπλωματικές σχέσεις, κυρίως όμως ζητώντας συγκεκριμένα ανταλλάγματα.
Είναι φανερό ότι πλέον ζούμε σε μια νέα εποχή. Οι δυνατότητες, οι απειλές, οι προκλήσεις αλλά και οι ευκαιρίες οι οποίες εμφανίζονται απαιτούν μια νέα μορφή αντίληψης και αντίδρασης. Οι Ένοπλες Δυνάμεις θα πρέπει να μπορούν να εκμεταλλεύονται τις εγγενείς δυνατότητες αλλά και την πρόσβαση σε πληροφορία που διαθέτουν. Αυτό αρχικά απαιτεί αλλαγή στην νοοτροπία και ανάληψη πρωτοβουλιών οι οποίες ξεφεύγουν από τα τετριμμένα (κάποιος θα μπορούσε να χρησιμοποιήσεις και τον ορισμό “out of the box”).
Η συλλογή και επεξεργασία των δεδομένων εκτιμάται όχι μόνο ως τεχνικά εφικτή, αλλά και μειωμένου κόστους για έναν οργανισμό όπως οι Ένοπλες Δυνάμεις. Κλείνοντας, ας φανταστούμε ένα ελληνικό εξοπλισμένο UAV, να φέρει έναν υπολογιστή ΑΙ, ο οποίος έχει «μάθει» και γνωρίζει το σύνολο των οπλικών συστημάτων του αντιπάλου, ειδικά για παράδειγμα εκτοξευτήρες του συστήματος BORA, ή χειριστές που φέρουν συγκεκριμένα patch…
(CISSP, CASP+, CEH, ISO 27k LA, NET+, SEC+)
Τα δεδομένα αυτά συλλέγονται από χιλιάδες διαφορετικούς αισθητήρες, οι οποίοι σύντομα θα ανέρχονται σε εκατομμύρια. Είναι χαρακτηριστικό, ότι κατά την επιχείρηση Enduring Freedom στο Αφγανιστάν, τα Unmanned Aerial Vehicles (UAVs) τύπου RQ-4 Global Hawks ACTDs (ακόμα σε φάση ανάπτυξης) συνέλεγαν δεδομένα τα οποία μπορεί να έφταναν και τα 400GB.
Η όλη κατάσταση οφείλεται στην απαίτηση για εκκαθάριση, αυτού που ο Clausewitz έχει χαρακτηρίσει ως “fog of war”. Αν και πλέον δεν υπάρχει έλλειψη πληροφορίας, η επεξεργασία της και η δημιουργία «προϊόντων» τα οποία να μπορούν να αξιοποιηθούν (η περίπτωση του OODA loop – Observe, Orient, Decide, Act, είναι χαρακτηριστική) απαιτεί εξαιρετικά μεγάλο χρόνο. Αυτό έχει σαν αποτέλεσμα η πληροφορία να καθίσταται μη εκμεταλλεύσιμη και ως εκ τούτου άχρηστη, επαναφέροντας κατά κάποιο τρόπο, το “fog of war”.
Αυτή η «υπερπροσφορά» πληροφοριών κάθε οι οποίες πλέον πασχίζουν να αντιμετωπίσουν αυτό που έχει χαρακτηριστεί ως “information overload”. Περιγράφει μια κατάσταση όπου ένα υποκείμενο έχει δυσκολία να κατανοήσει ένα θέμα και ως εκ τούτου να λάβει και τη σχετική απόφαση, λόγω του ότι η πληροφορία που του δίνεται είναι τεράστια σε όγκο, καταλήγοντας μη διαχειρίσιμη. Επεκτείνοντας το παραπάνω, μπορούμε να διακρίνουμε και την περίπτωση όπου το υποκείμενο λαμβάνει απόφαση, της οποίας όμως η «ποιότητα» και συμπερασματικά και η αποτελεσματικότητά της έχει μειωθεί δραματικά.
Ένας από τους τρόπους με τους οποίους γίνεται προσπάθεια ώστε να αντιμετωπιστεί αυτή η υπερπροσφορά και ο καταιγισμός πληροφοριών είναι και η Τεχνητή Νοημοσύνη (AI – Artificial Intelligence). Η ΑΙ, σαν προσέγγιση βασίζεται στην υπόθεση ότι η ανθρώπινη νοημοσύνη μπορεί να περιγραφεί με τόση λεπτομέρεια, ώστε η αντιγραφή της να είναι δυνατή.
Αν και υπάρχουν αντιδράσεις στην παραπάνω υπόθεση, τόσο στο πρακτικό κομμάτι, ότι δηλαδή δεν μπορούμε ακόμα να περιγράψουμε με σαφήνεια την ανθρώπινη νοημοσύνη, όσο και στο ηθικό, με τις αντιδράσεις να περιστρέφονται γύρω από τη δημιουργία «τεχνητών νοημόνων όντων», τα οποία δυνητικά μπορεί να απειλήσουν την ανθρώπινη ύπαρξη, η πραγματικότητα αυτή τη στιγμή δείχνει ότι η έρευνα πάνω στην ΑΙ αλλά και η ανάπτυξη πρακτικών εφαρμογών (τα αυτόνομα οχήματα της Tesla είναι ένα μόνο από τα πολλαπλά παραδείγματα) βρίσκεται σε έξαρση.
Είναι χαρακτηριστικό ότι η παγκόσμια ΑΙ αγορά το 2020 (λίγο πριν την πανδημία COVID-19) ανερχόταν στα 46,9 δισ. δολάρια, ενώ για το 2027 εκτιμήσεις κάνουν λόγω για αύξηση στα 300+ δισ. δολάρια. Οι ΗΠΑ και οι Κίνα είναι οι δύο χώρες που «οδηγούν την κούρσα» και το 2027 θα «ελέγχουν» συνδυαστικά άνω το 50% της σχετικής αγοράς.
Σε μια ιδεατή κατάσταση, η ΑΙ έχει την ικανότητα να εκλογικεύει μια κατάσταση και να λαμβάνει αποφάσεις η οποίες οδηγούν στην επίτευξη ενός συγκεκριμένου στόχου. Αναλόγως των δυνατοτήτων, η AI διακρίνεται σε δυο τύπους, Weak, η οποία μπορεί να εκτελέσει μόνο μια εργασία, και Strong όταν μπορούν να εκτελεστούν περισσότερες από μια –διαφορετικές– εργασίες.
Ένας –βασικός– τρόπος για να επιτευχθεί κάτι τέτοιο είναι η Μηχανική Μάθηση (ML – Machine Learning), η οποία βασίζεται στην παραδοχή ότι ένα πρόγραμμα μπορεί να διδαχθεί, να αντιδρά και να προσαρμόζεται σε νέα δεδομένα, χωρίς να απαιτείται η ανθρώπινη επέμβαση. Για να πραγματοποιηθεί κάτι τέτοιο απαιτούνται τεχνικές οι οποίες συλλογικά ονομάζονται Βαθιά Μάθηση (Deep Learning) και αφορούν στην εισαγωγή ενός τεράστιου όγκου από δεδομένα, τα οποία συνήθως είναι εικόνες, βίντεο ή κείμενο. Η ΑΙ δεν θα πρέπει να συγχέεται με προγράμματα που εκτελούν βασικές λειτουργίες (π.χ. αναγνώριση χαρακτήρων) καθώς συνδυάζεται με πιο περίπλοκα θέματα, όπως συνδυαστική ικανότητα, αιτιότητα και αντίληψη.
Για να «δημιουργηθεί» ΑΙ απαιτούνται τρεις παράγοντες, υπολογιστική ισχύ, συγκεκριμένοι αλγόριθμοι (οι περισσότεροι εκ των οποίων – αν όχι όλοι –είναι διαθέσιμοι, π.χ., στην πλατφόρμα του Github) και επισημασμένα δεδομένα (labeled data). Αν και πλέον δημιουργούμαι έναν τεράστιο όγκο δεδομένων, τα περισσότερα εκ των οποίων σε ψηφιακή μορφή, αυτά δεν είναι «υποσημειωμένα» – annotated.
Όταν το Facebook ζητά από τους χρήστες να γράψουν κάποια παρατήρηση σε μια φωτογραφία (comment) ή να αναφέρουν το ή τα πρόσωπα που βρίσκονται σε αυτή (ή ακόμα και τα μέρη/περιοχές) ουσιαστικά τους αναθέτει τη διαδικασία της υποσημείωσης των δεδομένων αυτών. Με αυτό τον τρόπο (μια μορφή crowd sourcing ουσιαστικά) το Facebook έχει στη διάθεσή του, μια τεράστια βιβλιοθήκη με πρόσωπα και μέρη, έχοντας πλέον τη δυνατότητα να αναγνωρίσει κάποιον, ακόμα και αν δεν φαίνεται το πρόσωπό του σε μια φωτογραφία!
Τα τελευταία χρόνια στη χώρα μας παρατηρείται μια τάση αντιστροφής του brain drain, το οποίο παρατηρήθηκε έντονα στις αρχές του 2010, και ένας αριθμός επιστημόνων, με εμπειρία σε μεγάλες εταιρίες του εξωτερικού, αποφασίζει όχι μόνο να επιστρέψει στην Ελλάδα αλλά να δημιουργήσει κάτι καινοτόμο και πρωτοποριακό. Σε αυτό το πλαίσιο, υπάρχουν τόσο υφιστάμενες εταιρίες όσο και ένας αριθμός start-up οι οποίες ασχολούνται με θέματα και προϊόντα AI. Ένας μικρότερος αριθμός από αυτές παρουσιάζει προϊόντα τα οποία έχουν και στρατιωτικές εφαρμογές, τα οποία παρουσιάζουν μια σειρά από πλεονεκτήματα έναντι πιο συμβατικών μορφών.
Το θέμα των annotated data είναι από τα πλέον σημαντικά και κρίσιμα αυτή τη στιγμή στον τομέα της ΑΙ. Τα ανοιχτά διαθέσιμα σύνολα τέτοιων δεδομένων (datasets) είναι περιορισμένα, ενώ στο χώρο της άμυνας θα λέγαμε ότι είναι ανύπαρκτα. Τα δεδομένα αυτά είναι εξαιρετικά σημαντικά και στις AI start-ups, καθώς απαιτείται τεράστιο κόστος ή/και προσπάθεια (η οποία μεταφράζεται σε χιλιάδες εργατοώρες), για την απόκτηση ή δημιουργία τους, το οποίο είναι τις περισσότερες (αν όχι όλες) φορές απαγορευτικό.
Εδώ έρχονται οι Ένοπλες Δυνάμεις (ΕΔ), οι οποίες ουσιαστικά «κάθονται» σε ένα τεράστιο «κοίτασμα πετρελαίου»! Πιο συγκεκριμένα, οι ΕΔ διαθέτουν μια ποικιλία αισθητήρων οι οποίοι χρησιμοποιούνται σε ένα από τα πλέον χαρακτηριστικά περιβάλλοντα. Το τελευταίο αποτελείται από βουνά, πεδιάδες, χαράδρες, νησιωτικά συμπλέγματα, μεγάλα νησιά, πυκνοκατοικημένες και μη περιοχές, ανοιχτές θάλασσες.
Επιπρόσθετα, οι ΕΔ έχουν να αντιμετωπίσουν καθημερινά προκλήσεις οι οποίες απουσιάζουν από τις περισσότερες χώρες. Όλα τα παραπάνω, σε συνδυασμό με την πληθώρα των συστημάτων που παρατηρούνται στον ελλαδικό χώρο, κάνουν ιδανική τη δημιουργία συγκεκριμένων και εκτεταμένων dataset.
Τα τελευταία οι ελληνικές ένοπλες δυνάμεις θα μπορούσαν να τα διαθέτουν, έναντι σημαντικής αμοιβής, σε συγκεκριμένες χώρες και εταιρίες. Ακόμα, στα πλαίσια της υποστήριξης της ελληνικής επιχειρηματικότητας, αυτά τα dataset θα μπορούσαν να διατίθενται –έναντι συμβολικού τιμήματος– σε συγκεκριμένες εταιρίες. Κατ’ αυτό τον τρόπο, οι τελευταίες θα μπορούσαν να αναπτύξουν εξαιρετικά ανταγωνιστικά προϊόντα, τα οποία θα ήταν κατά πολύ αποτελεσματικότερα αντίστοιχων του εξωτερικού, λόγω της πρόσβασης στα συγκεκριμένα dataset.
Υπό αυτό το πρίσμα, ουσιαστικά η Ελλάδα, θα χρηματοδοτούσε (όπως αναφέρθηκε το κόστος αυτών των dataset είναι τεράστιο) την ελληνική επιχειρηματικότητα, χωρίς ουσιαστικά να ξοδέψει ένα ευρώ. Επεκτείνοντας ακόμη περισσότερο των παραπάνω ισχυρισμό, τα συγκεκριμένα dataset θα μπορούσαν θεωρητικά ακόμα και να «χορηγηθούν» σε συγκεκριμένες χώρες – συμμάχους, ενισχύοντας με αυτό τον τρόπο και τις διπλωματικές σχέσεις, κυρίως όμως ζητώντας συγκεκριμένα ανταλλάγματα.
Είναι φανερό ότι πλέον ζούμε σε μια νέα εποχή. Οι δυνατότητες, οι απειλές, οι προκλήσεις αλλά και οι ευκαιρίες οι οποίες εμφανίζονται απαιτούν μια νέα μορφή αντίληψης και αντίδρασης. Οι Ένοπλες Δυνάμεις θα πρέπει να μπορούν να εκμεταλλεύονται τις εγγενείς δυνατότητες αλλά και την πρόσβαση σε πληροφορία που διαθέτουν. Αυτό αρχικά απαιτεί αλλαγή στην νοοτροπία και ανάληψη πρωτοβουλιών οι οποίες ξεφεύγουν από τα τετριμμένα (κάποιος θα μπορούσε να χρησιμοποιήσεις και τον ορισμό “out of the box”).
Η συλλογή και επεξεργασία των δεδομένων εκτιμάται όχι μόνο ως τεχνικά εφικτή, αλλά και μειωμένου κόστους για έναν οργανισμό όπως οι Ένοπλες Δυνάμεις. Κλείνοντας, ας φανταστούμε ένα ελληνικό εξοπλισμένο UAV, να φέρει έναν υπολογιστή ΑΙ, ο οποίος έχει «μάθει» και γνωρίζει το σύνολο των οπλικών συστημάτων του αντιπάλου, ειδικά για παράδειγμα εκτοξευτήρες του συστήματος BORA, ή χειριστές που φέρουν συγκεκριμένα patch…