玉明 砺道智库 2023-09-26 14:00 发表于北京
美国智库兰德公司9月发布报告称，将机器学习整合到军事决策中是美国在21世纪保持军事优势的关键
首先，兰德的分析显示了机器学习在军事决策方面的巨大潜力，但只有在与对给定问题背后的背景有详细理解的人类分析师配合时才能实现。我们在这里提出的机器学习方法不会取代人类分析师。相反，它使他们更高效、更严谨，并能更好地从以前未开发的数据来源中提取见解。在案例研究中，通过使用机器学习获得的大多数关键见解都需要人类分析师的额外干预。在某些情况下，它需要在模型结果之上选择性地分层附加数据源。在其他情况下，它需要人类分析师手动审查机器学习工具识别为相关和有趣的基础数据。
其次，分析表明，通过在重复任务的执行中实现显著的效率增益，人机协作方法可以分析大规模的数据集，这对于人类分析师来说是不切实际的，并产生关于操作环境的新见解，这在以前是无法实现的。我们的案例研究展示了机器学习可以产生的巨大效率收益，这体现在分析师在涉及处理大量数据的重复分析任务上花费的时间，使分析师更高效、更严谨，并能够更好地从以前未利用的数据源中提取洞察力。这表明军队领导人应该优先考虑将机器学习作为需要大量人工审查相关数据的问题的解决方案。
最后，这项研究表明，机器学习的系统方法能够对操作层面的总部已经可用的大量数据进行标准化、客观和长期的分析，从而增强其支持有效决策的潜力。在许多情况下，这些数据是在战争的作战和制度层面做出决策的最佳信息来源，但如果没有机器学习，这些数据只能以临时和主观的方式进行分析。
机器学习开辟了新的研究领域，用来分析乌克兰冲突，这可能是将机器学习用于作战决策的最令人信服的理由。如果没有机器学习作为一个选项，手动编码所有18，000条新闻报道所需的86小时时间几乎肯定会让繁忙的运营级总部的工作人员望而却步。总部将无法从新闻数据中获得洞察力，也无法从机器学习结果之上的二级数据源中获得额外的背景信息。
机器学习创造的不仅仅是时间的节省，它开辟了利用新数据源的新的研究路线。事实上，非结构化文本数据是由决策者不定期地分析的，主要是一次一个，并随着时间的推移以不同的间隔进行分析。机器学习可以帮助作战指挥系统地、严格地、客观地分析这些数据，以获得新的见解。
机器学习可以帮助人类分析师利用海量数据集来提高效率，而仅靠人类来检查这些数据集是不切实际的。作者发现，机器学习在战争作战层面具有实现军事决策的巨大潜力，但前提是与对给定问题背后的背景有详细了解的人类分析师配合使用。
主要发现
当机器学习方法作为人机协作系统的一部分时，可以产生新的见解，为竞争和冲突中的军事决策提供信息。
人类的参与——来自对给定问题背后的背景有详细了解的分析师——对于从当前可用的机器学习能力中获得军事决策的有用见解至关重要。
通过显着提高重复性任务的执行效率，人机系统方法可以分析海量数据集，其规模仅靠人类分析师是不切实际的，从而产生以前无法实现的有关操作环境的新见解。
机器学习可以对运营级总部已有的大量数据流进行标准化、客观和长期的分析。
建议
目 录
·第一章
介绍
·第二章
机器学习作为一个系统
·第三章
展示工作中的系统：机器学习和乌克兰冲突
·第四章
机器学习的优点和局限性
·第五章
对美国陆军的影响
·附录
训练机器阅读新闻