Alors que les armées européennes s'adaptent à l'utilisation de l'intelligence artificielle et des drones dans la guerre moderne, une startup soutenue par l'OTAN aide à déployer une détection et une sélection de cibles pilotées par l'IA pouvant fonctionner sur de petits drones pour des missions de surveillance et d'attaque.

L'entreprise Scaleout Systems a été fondée à l'origine par des chercheurs de l'Université d' Uppsala en Suède en 2018. Elle s'était initialement concentrée sur l'entraînement et le déploiement de modèles d'apprentissage automatique directement sur le matériel disponible dans les camions commerciaux et autres véhicules.

Mais une fois que la Russie a lancé son invasion à grande échelle de l'Ukraine en 2022, l'entreprise s'est réorientée vers des applications de défense. « Avec la guerre en Ukraine et un monde en mutation, nous avons réalisé que cette technologie peut être très importante pour opérationnaliser les données de périphérie et les données de capteurs pour l'apprentissage automatique afin de s'assurer que les alliés de l'OTAN ont trouvé cet avantage stratégique », a déclaré à Ars Andreas Hellander, cofondateur et PDG de Scaleout Systems.

Au lieu d'utiliser des modèles d'IA de pointe d'OpenAI ou d'Anthropic, Scaleout exploite des modèles plus légers, tels que des modèles d'apprentissage automatique capables d'effectuer des tâches de vision par ordinateur sur le matériel de drones ou d'ordinateurs utilisés dans les bases avancées. « Ils doivent s'adapter au matériel déployé à l'avant et au matériel de périphérie, qui peut varier considérablement, allant de petits appareils embarqués à des stations de travail de périphérie assez puissantes », a expliqué Hellander.

Scaleout a été sélectionnée pour rejoindre le programme du défi de l'Accélérateur d'innovation de défense pour l'Atlantique Nord (DIANA) de l'OTAN en 2025. Là-bas, elle a travaillé sur le projet Federated Aerial Intelligence for Recon pour adapter les modèles d'apprentissage automatique au matériel informatique de calcul en périphérie trouvé dans les drones, les tablettes des pilotes de drones et les postes de commandement sur le terrain.

De tels modèles d'IA peuvent aider les opérateurs de drones dans des tâches telles que l'identification de cibles, même lorsque les caméras et les capteurs du drone collectent des données de l'environnement du champ de bataille environnant. Ils peuvent ensuite partager par intermittence des mises à jour sélectives avec des nœuds de calcul au quartier général local du peloton ou de la compagnie sans transmettre de données brutes sensibles.

Ces nœuds informatiques du quartier général aident à réentraîner les modèles d'IA sur les nouvelles données du champ de bataille agrégées à partir de sources multiples, avant de pousser les capacités mises à jour vers les appareils de périphérie lorsque l'occasion se présente. « Les modèles ont pu être entraînés dans un environnement désertique, et si nous essayons de les déployer dans un environnement urbain, ils ne vont pas bien fonctionner », a déclaré Hellander à Ars.

« Si nous pouvons publier plusieurs nouvelles versions de ce modèle qui, au cours d'une seule journée ou certainement d'une opération, continuent d'apprendre et de s'améliorer à partir de cette énorme quantité de données de capteurs générée à une périphérie pratique, c'est l'avantage durable. »

Tester la technologie lors d'exercices en direct

La technologie signifie que les drones et les appareils militaires pourraient bénéficier de modèles d'IA locaux qui fonctionnent indépendamment sans dépendre de communications continues avec un serveur central hébergeant des modèles d'IA plus grands dans un centre de données.

La dépendance à un emplacement centralisé pour exécuter des modèles d'IA semble plus risquée à un moment où de grands centres de données ont été ciblés et détruits pendant la guerre entre les États-Unis et l'Iran. Cette approche est également incroyablement utile sur les champs de bataille modernes où la guerre électronique et le brouillage ennemi peuvent fréquemment interférer avec les signaux de communication.

Un nombre croissant de drones militaires ukrainiens intègrent déjà des capacités d'IA embarquées dans des drones kamikazes bon marché. « Nous avons construit un concept fonctionnel de la façon dont nous faisons cela pour un système de surveillance et de reconnaissance basé sur un drone », a déclaré Hellander à Ars.

« C'est quelque chose que nous avons également fait lors de manifestations publiques en Suède. » Scaleout participe au projet ALMA (Affordable Loitering Modular Ammunition) dirigé par BAE Systems Bofors qui vise à développer un drone kamikaze autonome à bas coût.

Le concept ALMA a été présenté pour la première fois publiquement lors d'un événement Winter Demo 2026 tenu en Suède en janvier. Cette démonstration a montré comment un drone pouvait « détecter, identifier et géolocaliser toutes les menaces potentielles repérées grâce à l'utilisation de l'IA », selon une présentation de Scaleout Systems sur les capacités d'ALMA.

« Toutes les données sont traitées par un calcul embarqué dédié, ce qui permet au système de fonctionner en temps réel sans aucun traitement externe. »

À l'aide de ses capacités d'IA embarquées, le drone a automatiquement priorisé la cible de plus haute valeur définie par sa mission — dans ce cas, un véhicule blindé du génie — et a volé vers cette cible pour y larguer un explosif. Un opérateur humain pouvait toujours contrôler et diriger le drone, mais le drone a exécuté la mission de lui-même sans commandes humaines directes.

En juin, Scaleout a également testé sa technologie dans une base de l'armée de l'air suédoise à Uppsala, où l'armée suédoise a déjà une licence pour utiliser la principale plateforme logicielle de Scaleout. Cette démonstration a montré comment un nœud informatique déployé à l'avant sur la base militaire pouvait toujours exécuter ses propres processus d'inférence par IA et d'apprentissage actif après avoir perdu la connexion avec un nœud informatique central dans le laboratoire de Scaleout Systems.

Une fois la connexion rétablie, les mises à jour du modèle d'IA local ont été partagées avec le nœud informatique central. Cette stratégie d'apprentissage fédéré, qui permet au réseau décentralisé de modèles d'IA d'apprendre à partir de données agrégées, pourrait éventuellement s'étendre à des régions géographiques entières ou à des pays, a expliqué Hellander.

« En principe, vous pouvez débloquer la collaboration entre les pays membres de l'OTAN », a-t-il déclaré.