Trasformazione dei dati nell’US Air Force: i momenti salienti da AFORS

Quello che succede a Las Vegas...

Il mese scorso ho visitato l’US Air Force Operations Research Symposium (AFORS) presso la base aerea di Nellis a Las Vegas. La conferenza è un incontro annuale per la comunità degli analisti dell’Aeronautica, con oltre 200 partecipanti che parlano di ricerca operativa, machine learning e data science.

L’Aeronautica ha investito molto nella modernizzazione degli strumenti e della formazione per lavorare con i dati, e io ero lì per tenere un workshop di code-along su come usare DataCamp Workspace.

Cinque aree chiave per la trasformazione dei dati

La dott.ssa Angela Giddings, Technical Director of Studies, Analyses, and Assessments, ha riassunto l’obiettivo dell’Aeronautica riguardo al suo programma di trasformazione dei dati. Ha affermato che il grande problema è capire come gli analisti di ricerca operativa possano diventare un moltiplicatore di forze per il resto dell’Aeronautica. Tradizionalmente, la ricerca operativa è stata un gruppo molto accademico all’interno dell’Aeronautica, ma quel modello non è più sostenibile nel servizio attuale.

La dott.ssa Giddings ha elencato cinque aree chiave per la trasformazione.

• Garantire che i progetti abbiano un impatto su un problema reale
• Garantire che i risultati vengano consegnati quando sono ancora pertinenti
• Usare i dati giusti per il problema giusto
• Generare insight dalla matematica
• Sfruttare le visualizzazioni

Curiosamente, tutte queste aree rispecchiano le sfide affrontate dalle organizzazioni in tutto il mondo, indipendentemente dal fatto che siano militari o meno.

La sfida del recruiting

Un tema ricorrente da parte degli ufficiali superiori è che assumere e trattenere i migliori talenti data è incredibilmente difficile. Sia il sig. Wayne Schatz, Director for Studies, Analyses and Assessments, sia il colonnello Ron Annaballi, Air Force Chief Analyst, hanno parlato di affrontare questa sfida rendendo lo squadrone un posto eccellente in cui lavorare, e formazione e strumenti sono fattori chiave. L’Aeronautica ha accesso a tre piattaforme di formazione online—DataCamp, Coursera e PluralSight—oltre alla formazione interna. È in fase di sviluppo uno stack dati moderno grazie all’ampio accesso a Python, DataBricks, Tableau, Plotly, Dataiku e Palantir.

Presentazioni tecniche impressionanti

Nelle presentazioni tecniche, mi ha colpito la varietà dei progetti della USAF. L’ottimizzazione dell’addestramento dei piloti è stato un tema ricorrente, e ho visto non una ma due presentazioni che prevedevano di collegare sensori di frequenza cardiaca, eye-tracking e altri sensori ai piloti per cercare di determinare quali manovre di volo fossero le più impegnative dal punto di vista cognitivo o le più spaventose.

Altre presentazioni spaziavano dai classici problemi di business—il sergente maggiore Nathan Shaw ha parlato di usare l’analisi del sentiment per analizzare i feedback dei sondaggi—a problemi strani di cui non conoscevo l’esistenza—il dott. Tyler Danley e il maggiore Brian Morrison hanno parlato di come programmare i voli di addestramento per ridurre il numero di impatti con pipistrelli—fino alla fantascienza—il cadetto Victor Rae ha discusso come ottimizzare dimensioni e posizione delle costellazioni di satelliti per ottenere la migliore copertura per le missioni.

Per me, la migliore presentazione tecnica della conferenza è stata quella del sottotenente Benjamin McCloskey. I velivoli senza pilota usano il machine learning sui dati delle telecamere per rilevare edifici e veicoli nel loro campo visivo. Secondo il sottotenente McCloskey, c’è un problema: la maggior parte dei dati di addestramento dei modelli viene raccolta di giorno e in buone condizioni meteo. Questo significa che le prestazioni nelle missioni reali peggiorano durante le missioni notturne o in caso di maltempo. 

La sua soluzione è stata utilizzare una tecnica di deep learning chiamata "generative adversarial networks" per modificare le immagini della telecamera esistenti in modo che assomigliassero a condizioni notturne o di maltempo. In sostanza, ha creato "deepfake" di dati satellitari per migliorare l’accuratezza dei modelli di rilevamento degli oggetti.

La formazione DataCamp ha portato a nuovi prodotti data

Infine, ho visto un’ottima presentazione del capitano Dominick Speranza sui risultati di un programma di formazione basato su DataCamp. L’obiettivo del programma era diffondere maggiormente le competenze per creare prodotti data a partire dai dati degli strumenti di bordo degli aeromobili. Il programma di formazione consisteva in una serie curata di corsi Python di DataCamp, seguita da formazione interna sui dati degli strumenti di bordo. Il progetto finale per completare la formazione richiedeva ai partecipanti di creare un prodotto data. Esempi di questi prodotti includevano un sistema di rilevamento anomalie per determinare la qualità dei dati provenienti dalla strumentazione dei caccia F-22 e un generatore automatico di report per rendere più semplici i briefing di debriefing dei piloti.

Conclusioni

L’intera conferenza è filata liscia grazie all’eccellente organizzazione del maggiore Bryan Fagan. (Avrei dovuto immaginare che i ricercatori operativi fossero bravi con le operazioni!) Dopo aver sentito tutti questi esempi di grandi progetti data, sono curioso di vedere come progredirà il programma di trasformazione dei dati dell’US Air Force.