Агентство перспективних оборонних розробок (DARPA) Пентагону уклало з британською компанією BAE Systems контракт на розробку системи, яка могла б самостійно розшифровувати закодовані радіопередачі. Як пише Aviation Week, сума угоди склала 9,2 мільйона доларів. Нова система буде розроблятися із застосуванням технологій машинного навчання - нейромережа, тип якої не уточнюється, буде вчитися на великій кількості записів, зроблених і вже розшифрованих військовими.

Радіоперехоплення і розшифровка повідомлень входить в обов'язки підрозділів радіоелектронної боротьби. Залежно від типу протоколу шифрування аналогових або цифрових передач розшифровка перехопленої інформації може займати від декількох годин до тижнів і місяців. Нова система повинна буде істотно прискорити розшифровку перехоплених радіопередач, що зробить радіорозвідку більш оперативною.

За заявою DARPA, в сучасних умовах в ефірі одночасно ведеться величезна кількість радіопередач - сигнали стільникових телефонів, телебачення, радіо, сигнали різних сенсорів і інформаційна видача безпілотників. Перспективною розумній системі належить займатися розшифровкою і ідентифікацією сигналів. Це дозволить військовим виявляти зловмисні трансляції, покликані, наприклад, «засмітити» ефір або зламати важливі системи обміну даними. Інші подробиці про перспективну розробку не розкриваються.

У жовтні 2017 року стало відомо, що Центр геопросторової розвідки Миссурийского університету за допомогою методів глибокого навчання розробив алгоритм, здатний на супутникових або аерофотознімки знаходити китайські зенітні ракетні комплекси. Передбачається, що використання алгоритму дозволить обробляти розвідувальну зйомку в 80 разів швидше людей. Дослідники використовували для навчання кілька згортальних нейромереж: CaffeNet, GoogLeNet, ResNet-50 і ResNet-101.

Навчання нейромереж застосовувалося по фотографіях відомих китайських зенітних установок і знімках типових і нетипових місць їх розміщення. Після навчання нейромережа GoogLeNet показувала найкращий середній результат розпізнавання для знімків з встановленим рівнем впевненості в кінцевому результаті більше 70 відсотків. У той же час ResNet-101 продемонструвала найкращу швидкодію з високим результатом з рівнем впевненості менше 70 відсотків. Перевірка навчених мереж проводилася на невідомих їм знімках.