IMWTS26 SAA tu 1350

Présentation de Maum AI par Moon Wan Kim

Introduction à Maum AI et à son fondateur

• Moon Wan Kim, ingénieur électronique et ancien officier de la marine sud-coréenne, présente Maum AI.

• Il a déjà présenté des tendances sur le développement des AUV en Corée du Sud lors d'une conférence précédente.

Développement des systèmes AUV

• Kim a dirigé plusieurs programmes AUV pour le développement d'armes sous-marines, soulignant les défis liés à l'intelligence artificielle (IA).

• La détection automatique des mines est un défi majeur dans les opérations sous-marines, nécessitant une coopération avec l'Australie pour améliorer la communication entre AUV et USB.

Problèmes rencontrés dans la détection des mines

• Les opérations manuelles sont trop lentes; il est crucial d'automatiser le processus de détection des mines.

• Un article sur leur recherche a été accepté au CBPR workshop, où ils présentent un nouveau logiciel d'IA pour la classification des mines.

Approche basée sur l'IA pour la classification

• L'équipe distingue trois types d'objets : les vraies mines, les débris marins et le fond marin propre.

• Les méthodes existantes souffrent de limitations dues aux règles handicapantes et au manque de données suffisantes pour entraîner efficacement l'IA.

Collecte de données et défis associés

• La collecte de données sous-marines est coûteuse et difficile en raison des différentes caractéristiques environnementales en Corée du Sud.

• Le gouvernement coréen tente de lancer un projet ambitieux pour collecter davantage de données afin d'améliorer les performances des modèles IA.

Méthodes d'apprentissage non supervisées

• L'approche Mind Fight utilise un apprentissage non supervisé suivi d'un ajustement fin supervisé avec un petit ensemble de données étiquetées.

• L'apprentissage semi-supervisé (SSL) permet à l'IA d'apprendre sans nécessiter une grande quantité de données étiquetées.

Architecture JAPA (Joint Embedded Predictive Architecture)

• JAPA est une nouvelle architecture développée récemment qui améliore la capacité prédictive dans le domaine sonar.

• Cette architecture aide à restaurer un ensemble partiel de données en générant une distribution générale plus robuste.

Performances du modèle IA développé

• Le modèle formé sur 1.7 milliard d'images montre une performance impressionnante avec 90% de précision dans la détection.

• Comparativement aux modèles précédents, ce modèle offre une meilleure distinction entre différents types d'objets sous-marins.

Impact opérationnel et applications pratiques

• Le système réduit considérablement le temps nécessaire pour détecter et identifier les menaces sous-marines.

• Des modèles plus légers ont été développés permettant une exécution rapide même sur des systèmes embarqués limités en ressources.

Conclusion et perspectives futures

• MAI travaille également sur divers projets liés à l'allocation autonome des missions militaires utilisant l'intelligence artificielle.

• En plus du développement AUV, MAI participe à plusieurs programmes innovants intégrant fusion sensorielle et visualisation 3D.

Questions & Réponses

• Une question porte sur la proportion exacte entre images contenant des mines versus celles contenant du désordre ou arrière-plan.

• Kim confirme que près de 500 images étaient dédiées aux mines tandis que le reste était constitué principalement par du désordre ou arrière-plan.