Utilisation de l'IA pour améliorer la signalisation des menaces internes au sein de l'armée américaine
Recherche publiée dans le Journal international des sciences de la décision appliquée Décrit comment l'intelligence artificielle pourrait être utilisée pour éliminer les menaces internes dans l'armée américaine. La recherche se concentre sur le centre des menaces d'initiés de l'armée, une installation qui évalue le danger posé par des individus signalés pour un comportement potentiellement nocif. Il introduit ensuite un outil d'apprentissage en profondeur capable d'améliorer considérablement la façon dont ces cas sont hiérarchisés et traités.
Les menaces d'initiés sont très différentes des menaces externes. Cela est évident, par définition. Les personnes ayant un accès légitime à des systèmes sensibles ou à des informations peuvent faire des ravages s'ils ont un esprit ou même involontairement. Ces personnes peuvent être actuelles ou anciens du personnel ou des entrepreneurs. Dans un contexte militaire, les perturbations des données peuvent être une question de vie ou de mort.
L'armée américaine compte des centaines de milliers de membres du personnel et des rapports de menaces entrants sans fin. Selon les chercheurs, il y a une absence d'un système standardisé pour le triage des rapports de menaces, ce qui complique les efforts pour identifier les risques et donc l'arriéré des cas non résolus continue de s'accumuler.
La recherche offre une nouvelle réponse aux problèmes auxquels l'armée américaine est confrontée: un modèle de classification formé sur les données historiques des cas examinés précédemment qui peuvent déterminer si une personne donnée est une menace négligeable ou un risque élevé. La sortie du système permet alors au personnel de hiérarchiser ses efforts pour gérer d'abord les cas à haut risque.
Le système utilise des traits de personnalité connus, tels que l'impulsivité ou l'agression, et des indicateurs situationnels tels que des pressions financières externes ou des traumatismes personnels pour juger de la menace qu'un individu pourrait représenter. L'interaction de ces éléments donne la perspicacité la plus prédictive.
Les tests avec le modèle formé sur un deuxième ensemble de données historiques ont donné un taux de précision de détection de 96%. Le système a évalué la gravité de la plupart des menaces avec précision ou, si ce n'était pas le cas, elle surestimait légèrement le risque, ce qui est un meilleur résultat que de négliger les personnes dangereuses.
