Contexte et objectifs
Scaleout Systems, startup soutenue par l’OTAN et fondée en 2018 par des chercheurs de l’Université d’Uppsala, a réorienté ses activités vers la défense après l’invasion russe de l’Ukraine en 2022. L’entreprise vise à fournir aux forces de l’OTAN des capacités de reconnaissance et d’engagement autonomes en intégrant des modèles d’apprentissage automatique sur le matériel embarqué des drones et des postes de commandement avancés. Le projet Federated Aerial Intelligence for Recon, développé dans le cadre du programme DIANA 2025, constitue le socle de cette ambition.
Architecture des modèles IA sur le bord
Les modèles utilisés sont volontairement compacts : ils tiennent sur des dispositifs allant de petits microcontrôleurs intégrés aux stations de travail de bord plus puissantes. Cette contrainte matérielle impose des réseaux de vision par ordinateur à faible empreinte, capables d’exécuter l’inférence en temps réel sans recourir à un serveur central. Selon le co‑fondateur Andreas Hellander, les modèles doivent « s’adapter à du matériel embarqué varié », ce qui explique le choix de réseaux de type MobileNet‑V2 et de quantification 8 bits pour réduire la consommation énergétique tout en maintenant une précision suffisante pour identifier des cibles telles que des véhicules blindés.
Apprentissage fédéré et mise à jour en champ
Scaleout mise sur l’apprentissage fédéré : chaque drone collecte des images et des mesures de capteurs, exécute une phase d’inférence locale, puis transmet uniquement les gradients ou les poids mis à jour à un nœud de calcul de niveau compagnie ou bataillon. Ces nœuds agrègent les contributions, ré‑entraînent le modèle avec des données provenant de différents environnements (désert, zone urbaine) et renvoient les versions révisées aux appareils en vol dès qu’une liaison est disponible. Cette approche limite la transmission de données brutes sensibles et garantit que les modèles restent pertinents lorsqu’ils sont déployés dans des contextes géographiques différents.
Tests opérationnels et limites
Le 15 janvier 2026, lors de la démonstration « Winter Demo » en Suède, le projet ALMA (Affordable Loitering Modular Ammunition) a montré qu’un drone pouvait détecter, identifier et géolocaliser automatiquement une cible – un véhicule d’ingénierie blindé – puis s’y diriger pour y déposer une charge explosive, le tout sans commande humaine directe. En juin 2026, un essai à la base aérienne suédoise d’Uppsala a simulé une perte de connexion avec le laboratoire central ; le nœud de terrain a continué l’inférence et l’apprentissage actif, puis a synchronisé les mises à jour une fois le lien rétabli. Ces tests confirment la résilience du système face aux brouillages électroniques, mais soulignent aussi la dépendance à la disponibilité de bande passante suffisante pour les échanges de poids et la nécessité de valider la robustesse des modèles contre les attaques d’adversaires cherchant à manipuler les gradients.
