Raven Sentry und die Vorhersage von Taliban Angriffen durch KI Technologie in Afghanistan

Analyse von OSINT-Daten

In einem ersten Schritt mussten OSINT-Daten (Open-Source Intelligence), also Daten aus öffentlich zugänglichen Quellen wie Zeitungen oder sozialen Netzwerken, maschinenlesbar gemacht werden. Zusätzlich zerlegten die Analysten historische Ereignisse in einzelne Komponenten und kennzeichneten sie für das System. In einem zweiten Schritt wurden zusätzliche Indikatoren wie Aktivitäten in Moscheen, Madrassas, Aufständischenrouten und bekannten Treffpunkten gesammelt. Einflussfaktoren wie Wetterbedingungen und politische Stabilität wurden ebenfalls berücksichtigt. Beispielsweise waren Angriffe laut Raven Sentry wahrscheinlicher, wenn die Temperatur über 4°C lag, die Mondhelligkeit unter 30 Prozent lag und es nicht regnete.

Training des Prototyps

Der Raven Sentry-Prototyp wurde schließlich mit drei deklassierten Datenbanken historischer Angriffe trainiert und überwachte 17 kommerzielle Geodatenquellen, OSINT-Berichte und GIS (Global Information Systems)-Datensätze. Sobald eine bestimmte Kombination von Faktoren einen Schwellenwert erreichte, löste das System eine Warnung aus. Berichte über politische oder militärische Versammlungen zogen beispielsweise die Aufmerksamkeit des Systems auf sich. Bewegungsmuster entlang historischer Infiltrationsrouten der Aufständischen konnten ebenfalls Warnsignale für die Region auslösen. Mehrere Anomalien waren normalerweise erforderlich, um den Risikoschwellenwert zu überschreiten und eine Warnung auszulösen. Für bestimmte Regionen, bekannt als Warngebiete von Interesse (WNAIs), wurde das Risiko dann erhöht und Maßnahmen konnten in Absprache mit den menschlichen Analysten ergriffen werden.

Leistungsniveau und Genauigkeit

Bis Oktober 2020 hatte das Modell eine Genauigkeit von 70 Prozent erreicht, ähnlich der Leistung menschlicher Analysten, "nur mit einer viel höheren Geschwindigkeit," so Colonel Spahr gegenüber The Economist. Die Analysten betrachteten die Ergebnisse nicht als unfehlbar, sondern nutzten sie, um klassifizierte Systeme wie Spionagesatelliten oder abgefangene Kommunikation präziser einzusetzen. Raven Sentry "lernte von selbst" und "wurde immer besser, je länger es in Betrieb war," sagt Colonel Spahr. In der relativ kurzen Betriebszeit sammelte das System wertvolle Erfahrungen darüber, wie KI-Systeme Analysten bei der Verarbeitung und Überprüfung großer Mengen von Sensordaten unterstützen können.

Zukünftige Anwendungen und Herausforderungen

In den drei Jahren seit der Einstellung von Raven Sentry haben Militär- und Geheimdienste viele Ressourcen in die KI-unterstützte Frühwarnung von Angriffen investiert. "Wenn wir diese Algorithmen im Vorfeld der russischen Invasion in der Ukraine gehabt hätten, wäre vieles einfacher gewesen," sagte eine Quelle des britischen Verteidigungsgeheimdienstes gegenüber The Economist. Colonel Spahr betont jedoch die Grenzen des Systems: "So wie irakische Aufständische lernten, dass brennende Reifen auf den Straßen die Optik der US-Flugzeuge beeinträchtigten, oder wie vietnamesische Guerillas Tunnel gruben, um der Überwachung aus der Luft zu entgehen, werden die Feinde Amerikas lernen, KI-Systeme zu täuschen und Dateninputs zu verfälschen." Schließlich hatten die Taliban trotz der fortschrittlichen Technologie der USA und der NATO in Afghanistan die Oberhand gewonnen.

Schlussfolgerung

"Raven Sentry machte die Analysten effizienter, konnte sie aber nicht ersetzen," fasst Colonel Spahr den Erfolg des Experiments zusammen. Nach den ersten Erfahrungen in der realen Welt stellen sich dringende Fragen zu den zukünftigen Anwendungen von KI in der Kriegsführung: "Da sich die Geschwindigkeit der Kriegsführung erhöht und Gegner KI übernehmen, könnte das US-Militär gezwungen sein, zu einer 'on-the-loop'-Position überzugehen, bei der die Maschine Vorhersagen trifft und möglicherweise Maßnahmen anordnet, während Menschen die Ausgaben überwachen und überprüfen," sagt Colonel Spahr.

Quellen

1. https://www.economist.com/science-and-technology/2024/07/31/how-america-built-an-ai-tool-to-predict-taliban-attacks
2. https://publications.armywarcollege.edu/News/Display/Article/3789950/raven-sentry-employing-ai-for-indications-and-warnings-in-afghanistan/
3. https://www.eurasiantimes.com/raven-sentry-how-us-military-weaponized/
4. https://press.armywarcollege.edu/parameters/vol54/iss2/9/
5. https://media.defense.gov/2024/Jul/30/2003514388/-1/-1/0/DP-5-14-SPAHR-TRANSCRIPT.PDF
6. https://www.visive.ai/news/us-militarys-ai-driven-raven-sentry-transforming-intelligence-operation
7. https://innovation.army.mil/News/Image-Gallery/igphoto/2003475120/
8. https://www.linkedin.com/posts/shashank-joshi-7b792b4_how-america-built-an-ai-tool-to-predict-taliban-activity-7224792540783280128-ury_
9. https://www.foxnews.com/world/how-us-used-ai-take-taliban-amid-drawdown
10. https://www.linkedin.com/posts/international-relations-and-security-network-isn_how-america-built-an-ai-tool-to-predict-taliban-activity-7226537545013055488-u5gv