兰德报告:技术创新与空军情报分析的未来

美国兰德公司网站发布技术创新与空军情报分析的未来系列报告,报告分两卷:第1卷 结论和建议 和 第2卷 技术分析和支持材料

第1卷 结论和建议

以下是报告要点

对于利用空军分布式通用地面系统(AF DCGS)分析传感器数据的需求越来越大。随着数据量的增长和时间进度的缩短,在正确的时间将正确的情报提供给正确的人变得越来越困难。利用所有收集物的需求限制了分析师解决更高级别情报问题的能力。目前的工具和数据库不便于获取所需信息。

AF/A2(空军参谋部情报、监测与侦察处)要求兰德空军项目(PAF)的研究人员分析新的工具和技术如何帮助满足这些需求,包括如何将人工智能(AI)和机器学习(ML)集成到分析过程中。PAF评估了AF DCGS的工具和流程,调查了AI/ML方法的现状,并研究了鼓励创新和引入新工具的最佳范例。

研究的问题

(1)当前企业面临哪些挑战?

(2)工具和技术(包括AI/ML方法,在今天或可预见的未来)如何帮助AF DCGS发展,以有效和高效地应对合成数据的挑战?

(3)如何使用AI/ML,如何帮助制定一个路线图,以便在技术可行时将它们结合起来?

主要发现

– 许多分析任务可以完全或部分自动化,尽管在更复杂的任务中仍需人工参与。

– AI/ML可解放分析师而使其专注于解决情报问题和开发支持技术,让分析更加高效。

– 分析员需要新的技能来促进AI/ML的使用,并利用各种机遇来进行更高级的分析。

建议

– AF DCGS应该利用现有技术将一些分析和报告任务自动化,并使档案情报更易获得。

– AF DCGS应当利用AI/ML技术(如果有的话)进行早期分析任务(例如,识别和标记图像、发布威胁警告、重新安排收集工作)

– AF DCGS应该组织起来,在3种能力之间平衡人力:支持任务、支持分析和解决情报问题。

– AF DCGS应该招聘和培训具有数据科学、编程和其它技能的分析师。

– AF DCGS应遵循开发、实施和维护新工具的最佳范例。

第2卷 技术分析和支持材料

以下是报告要点

最近20年来,情报收集和需求不断增长,情报分析师需要经常执行例行任务,这使其无法进行更大规模的战略分析,而这些分析是应对《2018年国防战略》中概述的未来威胁所必需的。本报告对相关技术进行了深入分析,这些技术可以帮助空军分布式通用地面系统(AF DCGS)变得更加有效、高效、更好地利用人力资本和达到敏捷性。一个关键点是,单靠人工智能(AI)和机器学习(ML)技术并不能解决这些情报挑战;相反,如果适当地实现它们,并由具备正确技能和训练的人类分析师加以补充,所形成的能力则能让AF DCGS更好地满足作战人员的需求。

本报告是关于AI/ML技术如何帮助AF DCGS应对苛刻情报环境的挑战和《2018年国防战略》设想的未来威胁复杂性的系列报告的第二卷,涉及对项目方法更深入的讨论;AI/ML技术入门;以往行动中分析挑战的案例研究;成功部署新技术的最佳范例;以及专家和利益相关者感兴趣的其它主题。

报告研究了以下问题:

(1)现有情报挑战的近期解决方案是什么?

(2)在未来几年中,AI/ML方法可以在哪些方面集成到分析过程中?

(3)展望未来,AF DCGS如何利用伙伴组织的投资?

(4)AF DCGS如何搭载新的工具和技术?

(5)总的来说,AF DCGS如何促进创新?

兰德报告:技术创新与空军情报分析的未来

上一篇:

下一篇:


标签