Erfarenhet mot Algoritmer : prediktivt underhåll genom maskininlärning i svenska Försvarsmakten

Sammanfattning

Rapporten utforskar möjligheten till implementering av prediktivt underhåll genom maskininlärning för markfordon i svenska Försvarsmakten. Undersökningen syftade till att finna nya metoder att planera och bedriva underhåll av militära fordon. Detta baserades på en litteraturstudie där civila och militära tillämpningar av maskininlärning granskades. Därefter analyserades empirin utifrån Kent Anderssons teori om militär nytta. Analysen visar att det ur en teknologisk synpunkt skulle vara möjligt att implementera maskininlärning för prediktiva analyser av underhåll i militära fordon. Däremot tillkommer många utmaningar kopplade till datainsamling, interoperabilitet, cybersäkerhet, krav på höga kompetenser och ett behov av avancerade algoritmer. Militär verksamhet präglas även av mycket osäkerhet och fordon nyttjas i väldigt varierande miljöer. Detta försvårar omständigheterna för en AI att förutspå framtida utfall. För att prediktiva analyser skulle kunna nyttjas effektivt skulle Försvarsmakten behöva ändra sitt förhållningssätt till materielunderhåll. Vidare forskning är emellertid nödvändig för att undersöka en faktisk implementering, eller ett maskininlärningssystems fullständiga militära nytta.