来源：防务快讯 作者：李晓文
2021年1月27日，美国兰德公司发布《美国空军情报分析的技术创新与未来》报告，分析了新的技术与工具如何实现在数据量激增、时间线压缩的背景下将正确的情报传递给正确的人员，以及如何将人工智能和机器学习融入分析流程。报告评估了美国空军分布式通用地面系统的工具与流程，调查了人工智能和机器学习的使用现状，提出了鼓励创新和融入新工具的最佳实践。本文编译了该报告的主要内容。
1
报告聚焦的问题
美国空军分布式通用地面系统（AF DCGS）是全球情报、监视与侦察（ISR）武器系统，负责生成并分发MQ-1“捕食者”、MQ-9“死神”、U-2S、RQ-4“全球鹰”和其他空军平台收集的传感器数据。AF DCGS也能够基于收集的情报为这些平台提供威胁告警。
随着传感器性能与数量的不断提升和增加，AF DCGS需要处理的传感器数据量越来越大，而且作战人员也需要越来越多的近实时情报以支撑作战行动。然而，情报问题却变得益加复杂。例如，如果有的话，中国正在采取哪些举动将南中国海军事化？伊拉克和叙利亚还存在哪些恐怖网络并构成威胁？俄罗斯是否直接支持了乌克兰暴乱行动？为了回答这些问题，分析人员必须对长时间、多地区收集的许多不同类型的数据进行综合。随着数据量的激增和时间线的压缩，在正确的时间将正确的情报传递给正确的人员变得越来越困难。而所有这些挑战随着美国将其战略重心转向均势竞争对手而变得益加尖锐。
本报告将研究如何使用人工智能/机器学习（AI/ML）来协助AF DCGS应对上述挑战，具体到哪些地方可以应用AI/ML并提出了相应的技术发展和应用路线图。本报告提出的建议为AF DCGS从传统的“处理、利用和分发（PED）”方法向2018年美国空军飞行计划中提出的“感知、识别、归因和共享”（SIAS）模式转变提供了可行路径。不同于聚焦解决机载传感器基本情报问题的传统“烟囱式”分析模式，SIAS强调融合所有来源的数据来回答更高级别的情报问题并将信息在更加广泛的范围内发布。
2
可应用于AF DCGS的AI/ML技术清单
基于对现有成熟AI/ML技术的调查，报告提出了能够在AF DCGS行动中发挥作用的AI/ML技术清单，包括机器视觉、语音识别、语言翻译、波形现象学、文本总结和叙述合成技术。例如，机器视觉可能会造成地理空间情报的变革，由机器完成目标识别、高海拔图像和全动态视频的场景字幕等主要的利用任务。机器视觉能够极大地减少人类分析员的投入，在对大批量数据进行处理时能够采用比人类分析员更加一致的方法。
3
调查结论与建议
经过调查，报告提出如下结论：
许多分析任务能够全部或部分自动化，但在复杂任务中，人类的介入还是有必要的；
人工智能/机器学习能够将分析人员解放出来，聚焦解决情报问题并开发使分析更加高效的支撑技术；
分析人员需要掌握新的技能来更好地使用人工智能/机器学习技术并利用机会来开展更高级别的分析。
针对以上结论，报告建议AF DCGS在未来应该采取如下发展路径：
利用现有技术来将部分分析和报告工作自动化，使已归档的情报更易获取；
如可能，利用人工智能/机器学习技术来开展早期分析任务，例如，识别图像并标记、发布威胁告警和为收集器重新分配任务；
通过有效组织来平衡在支持性任务、支持性分析和解决情报问题这三个职能之间的人力投入；
招聘并训练具备数据科学、编程和其他技能的分析人员；
遵照执行开发、实施和维护新工具的最佳实践。
表 1 主要建议
图 1 采用报告建议之后的AF DCGS流程
李晓文编译自互联网
李皓昱审定
2021年1月27日
热门跟贴