В современных условиях искусственный интеллект (ИИ, AI) представляет собой мощный инструментарий обработки полученной информации с целью её многокритериального анализа и выступает как связующее звено между иерархическими уровнями системы поддержки принятия решений в компьютерной автоматизированной системе (СППР КАС) в сложных условиях априорной неопределенности для полного и объективного анализа предметной деятельности (Decision Support System, DSS) с интеграцией разрозненной информации, полученной по различным каналам связи из множества систем [1], [2], [3]. В этом отношении востребованными становятся искусственные когнитивные системы, то есть небиологические системы, присущие машинам с признаками AI, обладающим когнитивной функцией, под которой, в свою очередь, понимается «способность связывания событий во времени, построение интерактивной пространственно-временной модели событий» [4], [5], которые базируются на сочетании нейронных сетей, машинного обучения и предиктивной аналитики в целях построения прогнозов на основе больших объёмов данных.Понятие «когнитивная радиоэлектронная борьба» вошла в обиход относительно недавно, и связано это с тем, что применение систем AI и ML в радиоэлектронном противодействии (радиоэлектронной борьбе) происходит постепенно с учётом отсутствия моделей их полноценного применения в данной области. Радиоэлектронная борьба (РЭБ), в свою очередь – это разновидность вооружённой борьбы, в основе которой лежит воздействие электромагнитного излучения (ЭМИ) и радиосигналов на электронику противника, целью которого является поражение радиоэлектронных систем противника (разведки, связи, навигации, управления оружием) и защита своих систем от аналогичного воздействия и включает два основных компонента ([6], [7], [8]):радиоэлектронное подавление (РЭП) – активное воздействие на системы противника с помощью направленных и широкополосных помех;радиоэлектронная разведка (РЭР) – перехват, анализ и определение источников излучений противника.Лежащие в основе РЭБ технологии, направленные на повышение осведомлённости о ситуации до, в процессе и после инцидента, не менее важны для обеспечения общественной безопасности. Однако коммуникационная среда не всегда может обеспечить необходимый информационный ресурс для принятиярешений из-за несовместимости данных и отсутствия априорных данных о прогнозируемой ситуации. В представленной книге под «когнитивной радиоэлектронной борьбой» (Cognitive electronic warfare, CogEW) понимается способность системы РЭП и РЭР автономно адаптироваться к радиочастотным угрозам (ситуационная осведомленность), включая те, которые не загружены в её библиотеку угроз и должна включать в себя:применение процессов AI и ML для выявления специфических особенностей сигналов радаров, представляющих угрозу с группированием миллионов импульсов, что позволяет выявить летальность сигнала и уязвимые места;анализ сигналов в режиме реального времени (ML), позволяющего идентифицировать, классифицировать, распознавать образы и выявлять намерения, с целью повышения ситуационной осведомлённости, и автономность решений – интеллектуальные платформы РЭБ должны быть способны к обучению и развитию в процессе выполнения задач, даже при работе в условиях ограниченных ресурсов.  Таким образом, CogEW является составной частью концепции информационного противоборства (ИПБ). Как и в любой другой форме конкуренции для реализации указанной концепции, существует политика, которая формирует основу её стратегии и управляет тактическим применением технических методов воздействия. На рисунке 1 представлена концепция системы CogEW из рецензируемой книги (с.3).  Рис.1. Концепция системы CogEW заключается в том, что она может видеть сквозь помехи, анализировать сложную электромагнитную среду и учиться реагировать на новые формы волн в масштабах времени, имеющих отношение к миссииFig. 1. The vision of a CogEW system is one that can see through the clutter, reasonabout the complex electromagnetic environment, and learn how to respond to novel waveformsat mission-relevant timescales. Подготовка к ИПБ и проведение всех фаз информационно-коммуникационных операций требует всеобъемлющей политики, стратегии реализации, а также оперативной доктрины и персонала для осуществления этой политики. Концептуальная разработка ИПБ привела к тому, что многочисленные исследовательские группы, национальные советы и комиссии в США, России и других странах с развивающейся третьей волной информатизации начали разрабатывать политику и стратегии для подготовки к будущим наступательным информационным операциям, которые рассматриваются как операции по массовому деструктивному воздействию или защите, с потенциальными огромными экономическими и социальными последствиями [9], [10]. В исследованиях С.И. Макаренко показано, что успехи боевых действий в тактическом звене, а также в процессе управления беспилотными летательными аппаратами (БПЛА) во многом определяются эффективностью ведения РЭБ [11]. При этом внедрение новых технических решений формирует тактику ведение боевых действий на суше, море и воздухе. Помимо апробации и широкого внедрения интернета военных вещей [12], [13], позволяющего принимать решения в режиме реального времени, именно когнитивной РЭБ (или «интеллектуальной РЭБ») является одним из методов военного управления, который во многом будет определять исход будущих военных операций.Основу когнитивных РЭБ, с одной стороны, составляют программно-определяемые радиотехнические средства (так называемые «SDR-технологии»), а с другой стороны, ИИ-системы, которые могут обеспечивать возможность подавления ранее неизвестных радиотехнических средств противника. В плотно связанном информационном пространстве современных боевых действий, представляющем собой «военный интернет вещей», обратная связь может быть известна на протяжении выполнения всей боевой задачи. Благодаря агрегации данных от распределённой сети сенсоров и их интеллектуальной обработки системой РЭБ, она способна адаптироваться на основе этой обратной связи в режиме реального времени. При надлежащем уровне интеллектуализации обучение системы РЭБ могут происходить быстрее, чем люди смогут принимать решения. Такая адаптация во время отдельной боевой задачи или боевого столкновения может позволить внести весомый вклад в выигрыш в бою [14], [15].В работе К.З. Хейг и Ю. Андрусенко показано, что когнитивная система, или интеллектуальный агент воспринимает окружающую среду, анализирует то, что она увидела, и предпринимает действия для достижения своих целей.Когнитивные системы осознают контекст, справляются с неопределённостью и самостоятельно выносят суждения. Когнитивные системы являются С.И. Макаренко [11]:итеративными, потому что они воспринимают, рассуждают и действуют на протяжении всего своего существования;интерактивными, потому что каждое действие меняет их окружение;обдуманными, потому что они направлены на достижение цели;трансформативными, потому что они учатся на своём опыте.Когнитивные системы могут взаимодействовать, обмениваясь информацией между узлами, и могут координировать свои действия при совместном выполнении задач [1].Авторы книги показали, что система с поддержкой ИИ может использовать методы ИИ для выполнения своих адаптивных задач. Например, система РЭБ с поддержкой ИИ может обучиться модели, которая идентифицирует различные модуляции, или сгенерировать план развёртывания ресурсов для выполнения миссии. Система, которая использует методы ИИ для понимания своего окружения или для создания плана действий, но не взаимодействует с окружением напрямую, обладает когнитивными функциями, но не является когнитивной системой. Она становится системой CogEW только тогда, когда мы добавляем ей возможность напрямую взаимодействовать с окружением для обновления собственного процесса принятия решений.Работы отечественных и зарубежных авторов по ИИ и машинному обучению [3], [5], [11], [13], [16] подтверждают, что, как и физика, математика и инженерия, ИИ состоит из многих подразделов. Четыре ключевые области исследований составляют основу деятельности в области ИИ:Управление знаниями организует знания в структурированной системе, которая связывает связанную с событием (событиями) информацию. Оно контекстуализирует информацию для конкретных нужд. Ключевые задачи включают приобретение знаний, организацию неструктурированных данных, обеспечение качества данных, масштабируемость и адаптацию знаний к специальным требованиям.Оценка ситуации – это понимание элементов и событий окружающей среды с учётом времени или пространства, осознания их значения и прогнозирование их будущего состояния. Это важнейшая основа для успешного принятия решений. Ключевыми этапами являются сбор исходных данных, проверка наблюдений, объединение данных в концепции более высокого уровня, анализ воздействия ситуации и вывод о намерениях пользователей (как дружественных, так и враждебных). Мониторинг выполнения – это деятельность в рамках оценки ситуации, которая сосредоточена на оценке того, насколько хорошо запланированные действия увенчались успехом. Ключевые проблемы для модуля оценки ситуации включают разнообразие данных, задержку при получении данных и степень наблюдаемости окружающей среды.Принятие решений включает в себя постановку целей и определение возможных методов их достижения. Когнитивная система должна расставлять приоритеты между целями, понимать выгоды и издержки различных действий и разрешать конфликты. Ключевые задачи включают управление ресурсами, множеством участников и недетерминированными действиями, особенно в областях решения проблем, где окружающая среда постоянно меняется.Машинное обучение (ML) извлекает информацию из предыдущего опыта для улучшения будущих результатов. Методы ML могут извлекать правила интерпретации наблюдений или поведения, а также создавать функции, которые приближают результаты к данным, а также обновляет статические модели, извлекая информацию из наблюдений динамичной среды. Ключевые задачи включают неоднородность данных, отсутствующие данные и управление смещением.Книга Карен Зита Хейг и Юлии Андрусенко будет полезна в рамках оказания помощи в выборе решений с использованием AI и ML применительно к практике ведения РЭБ в современных условиях. Авторы расширяют список наборов данных для радиочастотной идентификации, на основе включения в них семантики, метаданных и схем, что позволяет системам оптимизировать стратегии создания помех и перехвата в режиме реального времени. В этом контексте, представленная в работе интегрированная модель CogEW, предусматривает сотрудничество в военной, гражданской, а также в частных сферах с применением технологии осведомленности о ситуации в реальном времени (Real-Time Situation Awareness, RTSA), основанной на пространственном контексте, временном масштабе и визуальном подтверждении  – сборе и анализ данных (видеоданные, доступ как к статическим, так и к динамическим датчикам, а также состоянию коммуникационных сетей) об оперативной обстановке, их объединение и преобразование в полезную информацию в конкретный момент времени с использованием адаптивных, автономных технологий, способных воспринимать, обучаться и динамически реагировать на сложные электромагнитные условия. В книге дано базовое понимание AI и ML, которое служит основой для дальнейшего подробного изучения целевых функций CogEW, каждая из которой уникальна.По мере изложения материала всё более очевидным становится потенциал CogEW при его работе со спектрами неизвестных сигналов на основе интеграции адаптивности AI, ускорения с помощью программных логических интегральных схемах (ПЛИС) и программно-определяемых архитектур (software-defined architectures, SDA), открывает новые возможности для более интеллектуальной и эффективной обработки сигналов и механизмов защиты. Это позволит создавать более устойчивые, интеллектуальные и адаптивные решения в области спектроскопии, уделяя особое внимание скорости, надёжности и обоснованности принятия верных, в том числе децентрализованных (автономных), решений с учётом ситуационной спектральной осведомлённости и классификации сигналов и будет способствовать развитию безопасности связи, отказоустойчивости сетевых операций и адаптивному управлению радиочастотным спектром в будущем. Научная терминология, представленная в книге, соответствует общепринятой. Списки литературы, представленные после каждого раздела, показывают глубину проработки научного материала, однако авторы не включили в материалы своей книги важные результаты патентной аналитики НАТО по проблеме [12], [16].Книга К.З. Хейг и Ю. Андрусенко содержит актуальную и важную информацию о когнитивной РЭБ для экспертов из различных секторов, включая значительные обновления по технологиям на базе AI/ML и адаптивным системам, которые были продемонстрированы во время военных действий на Украине. Эта основополагающая работа подчёркивает важную роль когнитивной РЭБ в современных и будущих сценариях боевых действий против вероятных противников. Актуальная, важная и обязательная к прочтению информация для специалистов в области РЭБ и когнитивного моделирования.