In de uitgestrekte, veranderlijke wereld van mondiale veiligheid staan inlichtingenanalisten voor een probleem dat even oud is als navigatie zelf: hoe zin te geven aan een chaotische oceaan van informatie. Schepen bewegen, lading wisselt van eigenaar en mensen reizen, waarbij ze een spoor van observaties achterlaten die vaak gefragmenteerd, tegenstrijdig of verborgen in het volle zicht zijn. Decennialang hebben experts geprobeerd dit op te lossen door "semantische tracks" te bouwen, wat in essentie digitale mappen zijn die elke bekende feit over een specifiek schip, persoon of stuk lading verzamelen. Het idee is dat als je een visumaanvraag kunt koppelen aan een vliegroute en een financiële transactie, je een patroon kunt zien dat op gevaar duidt voordat het gebeurt. Deze systemen waren echter historisch gezien te moeilijk in gebruik. Ze vereisten dat menselijke operators een rigide, uitsluitend voor computers bedoelde taal spraken, waarbij ze handmatig complexe regels voor elke observatie moesten uittypen. Deze flessenhals betekende dat hoewel de technologie bestond om de punten te verbinden, de mensen op de grond het niet snel genoeg kon gebruiken om nuttig te zijn in real time.

Een nieuwe aanpak, uiteengezet in een paper door Frederick Roth, stelt een manier voor om deze barrière volledig weg te nemen door mensen natuurlijk te laten spreken terwijl computers het zware werk van de vertaling doen. De kern van deze methode berust op een eenvoudige maar krachtige verschuiving: in plaats van analisten te dwingen gegevens te coderen in strikte logische formaten, kunnen zij nu hun observaties in alledaags Engels typen of spreken. Een groot taalmodel, een type kunstmatige intelligentie dat getraind is op enorme hoeveelheden menselijke tekst, luistert naar deze rapporten en zet ze onmiddellijk om in gestructureerde, georganiseerde records. Deze records, genaamd semantische bewijsrecords (semantic assertion records), fungeren als gelabelde mappen die een volledige gebeurtenis vastleggen—zoals een krat die op een specifiek tijdstip door een specifiek persoon op een schip wordt geladen—in een enkele, compacte eenheid. Dit systeem slaat niet alleen de feiten op; het verbindt ze op een manier die de computer in staat stelt erover te redeneren, waardoor ongebruikelijke combinaties worden opgemerkt die een mens zou kunnen missen.

De onderzoekers testten deze architectuur met twee gedetailleerde scenario's om te zien of dit in de praktijk werkbaar was. In het eerste voorbeeld recreëerden zij een historische situatie waarbij een groep individuen betrokken was die later bekend zouden staan om een grote aanslag. Het systeem ontving afzonderlijke rapporten van verschillende instanties: één die opmerkte dat een student leerde vliegen maar alleen geïnteresseerd was in opstijgen en kruisen, niet in landen; een andere die zijn reisgeschiedenis naar specifieke landen vermeldde; en een derde die signaleerde dat zijn visumstatus niet overeenkwam met zijn langdurige vliegopleiding. Individueel leek elk rapport een minder administratief detail te zijn. Echter, toen het systeem deze natuurlijke taalnotities vertaalde naar zijn gestructureerde records en deze aan elkaar koppelde, herkende het een gevaarlijk patroon. De combinatie van gedeeltelijke vliegtraining, interesse in de brandstofcapaciteit van vliegtuigen en een specifieke reisgeschiedenis wees sterk op een plan om een commercieel vliegtuig als wapen te gebruiken. Het systeem had geen mens nodig om een regel te schrijven die zegt "deze combinatie is slecht"; de kunstmatige intelligentie herkende het patroon omdat het door zijn training had geleerd wat deze specifieke details betekenen wanneer ze samen voorkomen.

In een tweede, meer onmiddellijk scenario pasten het team dezelfde methode toe op een maritiem beveiligingsincident met een vrachtschip. Rapporten kwamen binnen van haveninspecteurs, douaneagenten en financiële monitors. Eén rapport merkte op dat het zegel van een zeecontainer was gemanipuleerd en dat een krat ontbrak. Een ander rapport signaleerde dat een bemanningslid van het schip was verdwenen. Een derde rapport toonde aan dat een persoon onder een alias net meststoffen en elektriciteitsdraad had gekocht bij een bouwmarkt. Opnieuw waren dit afzonderlijke draden van informatie. Het systeem vertaalde elk rapport naar zijn gestructureerde formaat en koppelde de ontbrekende krat aan het ontbrekende bemanningslid, en het bemanningslid aan de verdachte aankoop. Het rangschikte vervolgens de mogelijke verklaringen en concludeerde met een waarschijnlijkheid van 0,68 dat de leidende hypothese correct was: het bemanningslid had de krat tijdens de reis verwijderd om een explosief apparaat te bouwen en bevond zich waarschijnlijk nog in de buurt. Het systeem suggereerde specifieke vervolgstappen, zoals het onmiddellijk opsporen van het individu, omdat die actie de meest waardevolle nieuwe informatie zou bieden om de dreiging te bevestigen of te ontkrachten.

Wat dit werk significant maakt, is niet alleen dat het geavanceerde kunstmatige intelligentie gebruikt, maar hoe het de workflow voor menselijke operators verandert. De onderzoekers stellen dat de eerdere vereiste voor analisten om complexe programmeertalen te leren de belangrijkste reden was dat deze krachtige tracking-systemen nooit volledig werden geadoperd. Door natuurlijke taal als invoer toe te staan, wordt het systeem toegankelijk voor iedereen die een rapport kan schrijven. De kunstmatige intelligentie handelt de vertaling af, wijst betrouwbaarheidsniveaus toe aan elk stuk informatie en voegt verschillende rapporten over dezelfde persoon of hetzelfde object samen, zelfs wanneer de namen of details licht verschillen. Dit creëert een levende kaart van verbindingen die in real time wordt bijgewerkt. Het systeem is ontworpen om routinematige informatie die bevestigt wat al bekend is te filteren, en zich in plaats daarvan te concentreren op de zeldzame, ongebruikelijke verbindingen die een nieuw en gevaarlijk scenario suggereren.

Het paper demonstreert dat deze aanpak technisch haalbaar is met de huidige technologie en geen toekomstige doorbraken vereist. De auteur heeft de specifieke vocabulaire en methoden die zij gebruikten als publieke kennis vrijgegeven, om ervoor te zorgen dat deze manier van het organiseren van inlichtingen niet achter propriëtaire muren wordt opgesloten. Door het systeem te funderen in een theoretisch kader dat deze verbindingen behandelt als geometrische patronen in een hoogdimensionale ruimte, laten de onderzoekers zien hoe de kunstmatige intelligentie anomalieën kan detecteren die buiten het normale gedrag vallen. Het resultaat is een hulpmiddel dat beveiligingsinstanties in staat stelt om informatie effectiever te delen, waardoor een vloedgolf van onsamenhangende rapporten wordt omgezet in een helder, actiegericht beeld van wat er op de grond gebeurt. De barrière voor het gebruik van deze geavanceerde modellen is weggenomen, waardoor het mogelijk is om ze onmiddellijk toe te passen om maritieme routes en andere kritieke infrastructuur te beschermen.