Это система, которая изучает маршруты миллионов людей каждый день, запоминает их привычки и поведение, а затем начинает сигнализировать, когда кто-то ведёт себя «не как обычно».
Система собирает информацию из множества источников. Это данные с мобильных телефонов, которые постоянно передают геолокацию. Это камеры видеонаблюдения на улицах, которые следят за передвижениями людей. Это информация о поездках в транспорте, покупках по картам, активности в интернете.
Искусственный интеллект анализирует эти потоки данных и создаёт модель «нормального» поведения для каждого района города, для каждого времени суток. Когда система замечает отклонения от этой нормы — например, группу людей, которые собираются в необычном месте, или автомобиль, который ездит по странному маршруту — она помечает это как потенциальную угрозу.
За программой стоят крупнейшие подрядчики американского военно-промышленного комплекса. Компании Raytheon и L3Harris десятилетиями создают системы слежки для Пентагона. Leidos специализируется на разведывательных технологиях для ЦРУ и АНБ.
В программе участвуют восемь основных подрядчиков и ещё 27 дополнительных организаций. Контроль качества осуществляют три ведущих научных центра США, включая Johns Hopkins Applied Physics Laboratory, который работает с самыми секретными военными проектами.
Руководит программой доктор Джек Купер, который с января 2025 года возглавляет Управление анализа IARPA. Основная миссия, по словам д-ра Купера:
«Сегодня создаётся огромное количество геопространственных данных, и с течением времени их становится ещё больше. Это беспрецедентная возможность понять, как движутся люди, и цель HAYSTAC будет состоять в том, чтобы создать понимание того, как выглядит нормальное движение в любое время и в любом месте».
К августу 2025 года программа находится в середине второй фазы из трёх. Это означает, что базовые алгоритмы уже созданы и система проходит тестирование на реальных данных. До полного завершения программы остаётся около двух лет.
Технология уже работает в экспериментальном режиме. Где именно её тестируют и на чьих данных, остаётся засекреченной информацией.
Система создаёт детальные поведенческие профили на каждого человека. Ежедневные маршруты, время поездок, места встреч становятся частью досье, которое анализируется на предмет «подозрительности». Любое отклонение от установленной алгоритмом нормы может стать основанием для более пристального внимания спецслужб.
HAYSTAC -это часть экосистемы программ предиктивного контроля, которые создаёт разведсообщество США.
Например, ранее была запущена программа EMBERS, (Forecasting Significant Societal Events Using The Embers Streaming Predictive Analytics System)
Developed under the Intelligence Advanced Research Project Activity Open Source Indicators program, Early Model Based Event Recognition using Surrogates (EMBERS) is a large-scale big data analytics system for forecasting significant societal events, such as civil unrest events on the basis of continuous, automated analysis of large volumes of publicly available data. It has been operational since November 2012 and delivers approximately 50 predictions each day for countries. EMBERS is built on a streaming, scalable, loosely coupled, shared-nothing architecture using ZeroMQ as its messaging backbone and JSON as its wire data format. It is deployed on Amazon Web Services using an entirely automated deployment process. We describe the architecture of the system, some of the design tradeoffs encountered during development, and specifics of the machine learning models underlying EMBERS. We also present a detailed prospective evaluation of EMBERS in forecasting significant societal events in the past 2 years.
которая анализирует социальные сети для предсказания протестов, успешно предсказав волнения в Бразилии (2013) и Венесуэле (2014), обрабатывая миллионы сообщений ежедневно.
Cо ссылок в цитаты взяты только абстракты, а не полный текст. Кому надо - тыкайте и читайте целиком на языке оригинала.
Во что такой контроль выльется - каждый решает для себя сам.
Выложил для сохранения новости в копилку.
