30 września US Army poinformowała o opracowaniu Autoregresyjnej Mieszaniny Liniowej (ang. Autoregressive Linear Mixture). Jest to nowatorski model analizy danych, opracowany przez Laboratorium Badawczym Dowództwa Rozwoju Możliwości Bojowych Wojsk Lądowych Stanów Zjednoczonych (US Army Combat Capabilities Development Command’s Army Research Laboratory) we współpracy z Uniwersytetem Maryland w College Park.

Model ten ma umożliwiać systemowi adaptacyjnemu opartemu na sztucznej inteligencji zrównoważenie obciążenia żołnierzy (np. załogi wozu bojowego) podczas realizacji misji o największym znaczeniu. Korzystając z ostatnich postępów w optymizacji problemów niewypukłych, uczeni zaadaptowali proksymalny algorytm gradientu i zweryfikowali proponowany model na zestawie danych z badań wykonanych za pomocą encefalografu, pochodzących ze źródeł otwartych. Dotychczas stosowane podczas testów US Army modele znajdowały zastosowanie w neurobiologii, ekonomii czy edycji obrazu. Prostota modeli umożliwia także opisywanie bardziej złożonych danych, choć wiąże się to z pewnymi ograniczeniami – zostaną one poddane analizie przez uczonych pracujących na rzecz US Army nad tym zagadnieniem.

Nawiązanie współpracy sztucznej inteligencji z ludzkim mózgiem ma w tym przypadku opierać się na hipotezie, zgodnie z którą procesy poznawcze składają się lub mogą się składać z niezależnych procesów neurologicznych, a te można zaobserwować w zapisie EEG. Zbieranie danych o stanie fizycznym załogi przez pojazd i ich analiza w czasie rzeczywistym lub zbliżonym do rzeczywistego miałaby pozwolić na dopasowanie poziomu autonomii, w jakim w danym momencie powinny pracować poszczególne systemy wozu. Na przykład użytkownik skoncentrowany na wymagającym zadaniu, np. planowaniu trasy, mógłby otrzymać wsparcie w szerszym zakresie aniżeli użytkownik zajmujący się czymś mniej zajmującym – ten pierwszy byłby w większym stopniu wyręczany przez sztuczną inteligencję.