提纲

• 现代战争中的人工智能必要性
  • 人工智能整合的原则性框架
  • 成功整合的最佳实践
  • 跨作战职能的战术应用
  • 道德与作战挑战
  • 联合与跨国层面
• 结论
• 附录A：操作指南：实施国防数据协调框架

未来战场，谁能筛选海量可用数据，理清头绪并有效利用这些信息做出决策，谁就能赢得战争。这一点毋庸置疑……我们正需迈向人工智能赋能的决策优势，这就是未来所在。[1]

——迈克尔·R·卡卢斯蒂安上校（晋升） 美国陆军协会会议指挥与控制跨职能团队主任 2025年

现代战争中的人工智能必要性

陆军正处于一个关键转折点。正如火药和航空技术在过去时代重新定义了战争一样，人工智能正迅速从一个未来概念转变为当下正在积极重塑美军计划、准备、执行和评估军事行动方式的工具。对军和师而言，人工智能提供了一个加速决策、以更高精度整合复杂行动以及增强保障规划与执行的重大机遇。

然而，竞争对手正在重塑战略格局。它们不仅将人工智能视为效率工具，更将其视为未来军事实力的基础。其中最主要的竞争对手是中国，即美国的“步调威胁”。

解放军的既定目标是，在其“智能化战争”中取得决定性优势。[3] 在这种战争中，胜利将属于能更快处理信息并做出决策的一方。从自主作战平台和“智能化”导弹制导，到预测性后勤和人工智能驱动的指挥系统，解放军正在打造一支面向新时代战争的部队。

美国陆军在战略上假定，自己在人工智能竞赛中至多处于持平地位。这一必要的战略假设可防范技术突袭，并希望能鼓励采取行动的倾向。在人工智能的开发与整合方面落后，将意味着在未来战场上交出主动权。因此，本出版物为军、师指挥官及其参谋人员提供了一份路线图。它提供了一个结构化的实施框架、可操作的最佳实践，并对未来的挑战进行了清晰审视。然而，考虑到人工智能发展的快速步伐，本文概述的最佳实践和挑战无法面面俱到，军、师单位在自身的实施过程中必然会学习、发现并在此基础上进行补充。目标是使指挥官掌握克服整合障碍、发挥人工智能全部潜力所需的知识，确保在日益人工智能化的世界中获得决定性的战略优势。

人工智能整合的原则性框架

为将雄心变为现实，部队必须采用一种结构化、可重复且符合条令的人工智能整合方法。依赖临时性的个别士兵或参谋人员努力以及临时性试验，虽然对学习有价值，但对于需要机构承诺和标准化流程的企业级转型而言仍然不足。国防数据协调框架为部队提供了一个清晰的六步路线图，其步骤几乎类似于军事决策过程。正如跳过军事决策过程的某个步骤可能会对后续步骤产生负面影响一样，军、师应按规定顺序遵循国防数据协调框架的每一步。更多详情，请参阅本出版物中的“操作指南：实施国防数据协调框架”，即附录A。

• 第1步：问题界定。问题界定是国防数据协调框架中首要且最关键的一步。在收集任何数据或设计人工智能提示之前，团队必须清晰、准确地定义人工智能将处理的关键任务目标和作战问题。一个界定不清的问题（例如“改善保障”）会导致人工智能（或任何软件开发）产生模糊且无用的输出，从而对人工智能的信任产生负面影响。一个界定良好的问题（例如“通过开发预测性维护模型，为减少我们前沿部署的装甲旅战斗队关键装备故障发生率25%提供建议”）则是具体、可衡量且直接与作战成果挂钩的。有效的问题界定需要在理解并能清晰阐明任务的指挥官与知晓可能性的数据专业人员之间进行协作。

• 第2步：数据提供。数据提供是陆军面临的一大挑战，因为数据通常被隔离在独立的“烟囱”中。独立的系统管理着人员、后勤、情报、作战和其他职能。此步骤涉及创建详细的数据清单、建立访问数据的途径，并确保数据的相关性和准确性。G-6参谋部门和单位的数据团队在应对数据访问和整合的技术障碍方面扮演着关键角色。

• 第3步：数据整理。原始数据通常不适合直接用于分析。所谓数据整理，就是清洗、转换和准备这些原始数据的过程。这可能意味着纠正拼写错误、标准化位置数据，或处理不完整或损坏的数据。这项繁琐但关键的工作确保了数据质量，因为如果没有它，即使是最先进的人工智能模型也会产生有缺陷的输出，进一步损害信任。

• 第4步：开发。此步骤涉及构建、训练和完善特定的数据产品和人工智能模型。这些可以包括：

  • 使用历史数据预测未来事件，例如预测敌方行动方案、预测弹药和燃料消耗率，或估计装备故障概率。
  • 创建交互式应用程序，使参谋人员能够探索数据、识别隐藏模式，并对“如果……会怎样”的场景进行兵棋推演，以支持决策。

• 第5步：测试与评估。部队在部署人工智能系统前必须对其进行全面测试。测试与评估阶段验证数据产品是否符合任务目标。这既包括开发测试（例如，工具是否按预期工作？），更重要的是作战测试（例如，该工具是否能在作战或演习期间帮助参谋人员解决问题？）。测试与评估必须涉及将使用该工具的参谋军官和士兵。这是为了确保工具直观、有效，并且其输出准确。必须明确定义成功标准，不仅衡量技术准确性，还要衡量该工具对参谋工作质量和指挥官决策速度的影响。

• 第6步：运行与完善。部署并非过程的终点，而是一个持续反馈和完善周期的开始。随着参谋人员在日常活动中使用人工智能工具，他们将发现该工具的优势、弱点以及其他意外问题。正式的反馈机制收集这些观察结果，并将其反馈给数据团队。这实现了一个迭代过程，数据团队根据实际表现不断更新、重新训练和改进人工智能模型。这确保了人工智能工具能够演进和适应，以满足作战环境不断变化的需求。

成功整合的最佳实践

框架提供了“做什么”，而最佳实践则提供了“怎么做”。成功整合人工智能既是技术和领导力的挑战，也是文化挑战。对于寻求充分发挥人工智能潜力的军、师而言，以下最佳实践至关重要。

1. 指挥驱动的领导力与支持。仅靠基层努力，人工智能整合不会成功。它需要自上而下的指挥重视。[5] 军、师指挥官必须将人工智能整合确立为明确的指挥优先事项，为其整个组织定下基调。当人工智能整合成为真正的指挥优先事项时，时间、人员和资源的必要分配自然会随之而来，指挥官的亲自参与也会如此。 为驱动这一转型，指挥官必须将聚焦人工智能的对话嵌入其作战节奏。在计划会议、指挥官情况更新简报和行动后评估中，指挥官可以通过提出尖锐问题来评估和指导进展。例如：
   • 我们正在接收来自多个情报源和我们建制内情报、监视与侦察资产的报告。我们如何整合这些数据以提供一个单一的综合性通用作战图？还是我们仍在查看三张不同的地图？
   • 我们目前正在使用哪些人工智能赋能工具来识别敌方模式、预测其最可能的行动方案，或用于推荐己方行动方案？我们是否充分利用了这些工具的全部能力？
   • 对于时效性强的决策（例如动态目标打击机会），我们能多快地处理和呈现相关数据？瓶颈是什么？人工智能如何帮助最小化或消除它们？
   • 我们如何训练参谋人员有效使用数据分析和人工智能工具来支持其作战职能？这项训练是否计划并安排在我们的日常活动中？

实现这一目标的关键推动因素是分配一个专门的人工智能整合团队。组织必须在内部组建这个团队。团队应包括数据专业人员、运筹分析人员以及来自各作战职能、积极性高且技术熟练的士兵。这些专家通过将指挥官意图转化为数据和人工智能可以解决的问题，来弥合技术专家与参谋人员之间的差距，帮助参谋部门使用新工具，并维持一个持续的反馈循环以进行完善。由于军、师的作战需求各不相同，指挥官应将团队置于最能满足其司令部特定需求的位置。

最后，领导者必须主动解决人们自然而然的对人工智能将取代人类判断甚至工作岗位的担忧。领导者必须将人工智能定位为旨在增强而非取代参谋人员专业技能的战斗力倍增器。正如布莱尔·威尔科克斯中校在陆军“疯狂科学家”播客关于混合智能和维持对敌优势的讨论中所指出的那样：“[人工智能] 让专业人士做得更好。它并不必然将业余者或无经验者变成专业人士。”[6] 通过将人工智能定位为一种自动化繁琐任务、为批判性思维腾出时间、并为决策（而非做出决策）提供更深入洞察的工具，领导者可以建立起采纳人工智能所必需的信任和信心。

2. 数据就绪状态和数据管理文化。人工智能的有效性仅取决于其训练所基于或所提供的数据。即使是最先进的系统也需要高质量、权威且经过整理的数据作为坚实基础。没有这个基础，它们将产生有缺陷、有偏见或无意义的输出。这些错误的输出虽然看起来非常可信，但最终会摧毁用户的信任。因此，建立严格的数据治理是所有人工智能计划不可或缺的基础。这包括为司令部创建全面的数据清单、实施标准化的清洗流程，并建立验证检查点以确保数据完整性。 像 Palantir Vantage 这样的平台可以帮助部队组织、清理和分析其数据。就像陆军中的任何其他事物一样，士兵必须持续使用这些工具以达到并保持一定程度的熟练度。 幸运的是，以下实践社区资源使任何好奇且有创造力的士兵都能轻松构建数据管道和本体：[7]
   • 合成兵种训练中心数据分析
   • 人工智能实践社区
   • 人工智能作战论坛
   • 用于训练和教育发展的生成式人工智能
   • YouTube教程视频
   • 单位数据团队

本体论是通过定义一组概念、类别及其之间的关系，在特定领域内表示知识的一种方式，有助于组织信息，使人和计算机都能更有效地理解它。[8] 部队应利用现有工作以节省时间和精力。合成兵种训练中心首席数据与分析办公室的数据科学家达斯汀·贝里少校将这些现有工作（在 Vantage 中称为本体论上下文）定义为“将原始数据组织成对象、关系和动作的语义层，允许用户和人工智能（AIP Agent/Logic）[9] 与数据进行交互。” 根据贝里少校的说法，“陆军用户已经建立了一个经过策划的本体对象类型库，范围从陆军经验教训中心的作战经验教训到陆军出版局的权威条令。” 军、师参谋人员可以利用此功能快速提取条令模板或从数以千计的历史行动后报告中分析趋势。然而，他们必须谨慎行事，并验证任何预建本体是否适用于其特定任务。

最终，这需要培养一种数据文化。每名士兵都必须明白，自己是数据的生成者，从简单的现场报告到详细的战损评估，其报告的质量直接影响人工智能工具的准确性和有效性。

3. 分阶段迭代式实施。单一的大规模人工智能整合方法很可能导致糟糕的结果。与任何工具一样，人工智能的有效性取决于使用它的人，而建立广泛的熟练度和信任需要时间。军、师应分阶段实施人工智能，从低风险应用开始，以建立信心和熟悉度。
   • 第1阶段：行政与分析增强。首先将人工智能用于耗时、低风险的任务，在这些任务中人工审查可以在错误影响作战之前发现它们。这包括总结长篇报告、转录会议、识别历史数据趋势或起草日常文书。在这些领域的成功能够建立信心，并将参谋人员的时间解放出来用于更复杂、更高优先级的工作。
   • 第2阶段：关键任务支持。随着参谋人员熟练度提高，将人工智能的使用扩展到关键任务职能。这可能涉及使用人工智能帮助制定和兵棋推演多个行动方案、根据指挥官指导建议优先级，或预测关键作战系统的维护需求。在此阶段，人工智能作为助手，其输出必须始终由领域专家验证。
   • 第3阶段：时效性决策支持。在最先进的阶段，人工智能可以在活跃的作战行动中支持时效性决策，例如识别动态目标并推荐行动。与第2阶段一样，对人工智能输出的人工验证仍然至关重要。

这种分阶段方法使组织能够学习和适应，建立组织信心，并确保与人工智能相关的风险得到审慎管理。有了这些基础实践，军、师就可以开始在特定的作战职能中应用人工智能。

跨作战职能的战术应用

当人工智能成为核心流程的组成部分时，组织才能真正实现其价值。对军、师参谋部门而言，这意味着将人工智能整合到作战职能中：

1. 情报。人工智能可以极大地加速情报准备过程，这是所有作战的基础：
   • 人工智能可以分析历史情报报告、条令模板以及观察到的敌方战术、技术与程序的庞大数据集，以构建高度详细的威胁模型，识别人类分析员可能遗漏的模式。
   • 人工智能可以根据敌方条令和当前部署情况，生成多个合理的敌方行动方案，然后与己方计划进行兵棋推演，以识别潜在的摩擦点和机会。

除了情报准备之外，人工智能还可以从非结构化文本中识别关键人物和关系，并进行初步模式识别，从而解放人类分析员，使其能够专注于提供必要的背景、判断和预测性分析。

2. 机动与运动。人工智能可以通过识别在手动过程中可能被遗漏的途径，为指挥官提供更多选择。人工智能赋能工具可以快速处理包含情报报告和后勤因素在内的大型数据集，以突出参谋规划人员可能因时间限制或信息过载而忽略的模式、关系和潜在机会。这使参谋人员能够向指挥官提供经过更彻底审查的选择（尽管评估战术风险仍需要人类判断），以评估敌方意图并做出最终决策。

3. 火力。指挥官可以将人工智能整合到“决定、探测、投送、评估”的打击过程中，以加速效果的产生：

   • 决定：人工智能可以通过应用指挥官指导，协助进行目标优先排序，就打击哪些目标以及按何种顺序打击提供快速全面的建议。
   • 探测：人工智能可以快速筛选数百甚至数千份报告，以识别潜在目标。
   • 投送：对于所有致命性交战决策，保留人在回路中的原则是不可妥协的。人工智能可以通过分析目标特性、可用弹药和预期效果来支持武器选配，为每次交战推荐最优的武器-目标配对。
   • 评估：人工智能可以快速分析来自不同来源的战损评估，确定对目标的效果，加速评估阶段，并在必要时允许快速再次打击。

4. 保障。人工智能有潜力将保障转变为更具预测性的过程：

   • 通过分析车辆和装备的维护数据及历史故障率，人工智能算法可以在部件发生故障前进行预测。这使得维护人员能够主动更换零件，从而提高战备水平并减少意外故障。
   • 人工智能可以通过分析历史消耗率、当前作战节奏和计划中的未来行动，优化再补给建议。这确保在正确的时间、正确的地点投送正确的补给品（例如，I、III、V类），减少浪费，并最小化后勤短缺的风险。
   • 对于保障车队，人工智能工具可以分析路况、天气和实时威胁情报，规划出最安全、最有效的路线，从而提高效率和部队防护。

5. 指挥与控制。人工智能可以快速处理数千份基于文本的报告，识别需要指挥官立即关注的关键信息。通过整合报告并突出关键决策点，人工智能帮助指挥官在可用时间内考虑更多选项。这种“人机组队”方法增强了指挥官的决策能力，并使作战得以更高的节奏进行。

道德与作战挑战

军、师必须制定明确的政策来规范人工智能在军事行动中的使用，解决诸如数据共享、算法透明度以及人工智能的道德使用等问题。这些政策必须符合国防部指令，同时提供针对其独特组织需求的具体指导。

1. 问责与武装冲突法。人工智能，特别是自主系统的兴起带来了重大的道德困境。当人工智能赋能或自主系统犯错导致误伤或平民伤亡时，谁应承担责任？国防部第3000.09号指令“武器系统的自主性”在这方面有明确规定。该指令要求所有武器系统必须“允许指挥官和操作员在武力使用上行使适当水平的人类判断”。因此，军法检察官必须帮助完善人工智能模型，纳入优先考虑符合区分和比例原则的法律保障措施。人工智能目标识别工具可以被设计为标记受保护地点（例如医院、宗教场所或学校）附近的任何潜在目标，并要求在目标被验证和打击前获得多级人工确认。

2. 算法偏见。人工智能模型从数据中学习，如果数据有偏见，模型的输出就会有偏见。这可能产生危险且意想不到的后果。例如，如果用于目标识别的图像识别人工智能主要是在沙漠环境中的敌方坦克图像上训练的，那么该人工智能可能无法准确识别森林或极地环境中的坦克。或者，经过重大改装的坦克可能难以识别以应对无人机威胁，从而造成关键的作战漏洞。同样，如果分析员用于预测内部威胁的数据包含无意识的人口统计偏见，由此产生的人工智能可能不公平地针对特定人群。 指挥官和参谋人员必须有意识地持续努力减轻偏见。这包括使用多样化和有代表性的训练数据，定期进行审计以主动寻找偏见，并保持模型工作方式的透明度，以便操作员能够理解模型的潜在局限性。

3. 作战风险：过度依赖与技能退化。一个重大的长期风险是指挥官和参谋人员会变得过度依赖人工智能，从而降低他们在高强度作战行动压力下批判性思考复杂问题和做出决策的能力。这种过度依赖会在部队中造成危险的技能退化。如果没有定期实践，基本的模拟技能（例如，手动情报准备、无数字辅助的地图判读、手工计算的保障计划等）将会退化。如果人工智能系统和其他指挥控制系统因敌方行动而失效或性能下降，军、师将面临部队和任务的重大风险。

指挥官必须通过坚持对人工智能输出进行批判性参与的文化来防范这种情况。应训练参谋人员批判性地质疑人工智能的建议，理解建议背后的数据和假设，并准备好在不使用人工智能的情况下作战。训练计划必须包含要求部队仅使用手动和模拟方法执行任务的演习，以确保这些关键技能得以保留。

联合与跨国层面

未来的冲突要求美国陆军在联合或跨国部队中作战，这增加了人工智能整合的复杂性。军、师必须确保其人工智能系统能够在联盟伙伴间无缝协作。

这需要协同一致的努力，以开发能在联盟环境中有效运行的人工智能能力。必须解决以下关键的技术和政策挑战：

• 为了使盟国能够共享人工智能驱动的洞察，他们首先必须能够共享数据。这需要建立共同的数据交换格式和标准。
• 人工智能工具通常需要访问多密级的海量数据。开发先进的跨域解决方案和保密防护措施，对于在不泄露敏感信源和方法的情况下共享人工智能输出至关重要。
• 从一开始就以互操作性为目标设计人工智能系统，并定期进行联合和多国整合演习，在现实的作战场景中共同测试不同的系统。
• 各国在人工智能和自主性方面有不同的法律和道德政策。在多国行动和演习期间，必须建立明确的协议，定义哪些决策需要哪些特定国家当局的人工批准。这确保所有行动都保持在每个参与国的法律和政治边界内。

结论

将人工智能整合到军、师作战中不再是可选项，而是赢得现代战争的必要之举。采纳本文概述的框架和最佳实践的指挥官，可以将他们的部队转变为敏捷的智能化力量，能够在决策速度上超越和胜过任何对手。成功需要在积极利用人工智能能力与保持定义美国军事职业的、不可替代的人类判断、直觉和道德领导力之间取得平衡。掌握这种协同作用的部队将在作战节奏、决策质量和作战效能方面获得决定性优势。

最终，未来的冲突将是速度的较量，而不仅仅是武器系统的较量。它将是决策本身的较量。胜利将青睐那些能最快速执行博伊德的“观察、判断、决策、行动”循环[10] 的一方，而人工智能则是将这一循环加速到前几代人认为不可能的程度的关键。军、师可以通过结构化、符合道德且由指挥官驱动的整合，抓住这一决定性优势，主宰未来战场。

附录A：操作指南：实施国防数据协调框架

引言：

本操作手册提供了利用国防数据协调框架的详细“操作”指南。国防数据协调框架是实现国防部数据、分析与人工智能应用战略中两项战略目标的运行机制：1）推进数据、分析与人工智能生态系统；2）为企业业务和联合作战影响提供能力。国防数据协调框架最初由陆军首席数据与分析官办公室构思，旨在实施陆军数据管理与分析战略，将其概念愿景转化为可操作的流程。该框架确保与陆军条令、系统和任务需求相一致的数据产品的有效创建、部署和持续完善。它是一个结构化的迭代生命周期，旨在提供关键任务洞察并实现决策优势。

目前，国防数据协调框架方法正被各军种采纳，并已有多个成功实施的应用案例，如附录A中的表1所示。

国防数据协调框架各阶段概述：

国防数据协调框架包含六个核心阶段：

1. 问题界定：定义问题，并确定达到预期成果所需的分析解决方案。
2. 数据提供：收集和组织解决第1阶段所识别问题所需的必要数据。
3. 数据整理：清理、转换和整合权威数据，以解决问题范围。
4. 开发：在经批准的数据平台中构建任务驱动的数据产品（模型、仪表板等）（参见附录A中的表2，了解国防部批准的数据平台及其用途）。
5. 测试与评估：验证数据产品的准确性、可靠性和适用性。
6. 运行：将数据产品整合到陆军决策流程中以供作战使用。

国防数据协调框架如何支持国防部数据战略？

数据长期以来被认为是国防部的战略资产。然而，利用并最大化其全部潜力需要一个有效的框架来支持我们构建数据驱动决策环境的愿景。国防数据协调框架就是这样一种方法，在陆军、海军、空军、海军陆战队和国民警卫队都有成功实施的记录。国防数据协调框架将数据从其来源转换到所需目的地，通过提供最高质量的数据产品，使国防部高级军官能够做出准确、可靠和明智的决策。

1. 推进数据、分析与人工智能生态系统：国防数据协调框架通过提供一个结构化流程来推进数据、分析与人工智能生态系统，确保数据被准确定义、收集、清理和整合，从而产生高质量、可靠的数据。然后，这些数据被用于开发任务驱动的数据产品，例如通用作战图中的仪表板，并进行严格的测试和验证。通过将这些数据产品嵌入决策流程，国防数据协调框架培育了一个支持高级分析和人工智能应用、具有凝聚力且稳健的数据生态系统，推动创新并增强国防部的分析能力。
2. 为企业业务和联合作战影响提供能力：国防数据协调框架通过一个系统化、迭代的流程将原始数据转化为可操作的洞察，从而为企业业务和联合作战影响提供能力。通过明确定义问题、提供和整理数据、开发和验证数据产品，国防数据协调框架确保高质量、可靠的数据产品被整合到决策流程中。这使得国防部高级军官能够做出明智的、数据驱动的决策，从而提高作战效率、支持企业业务职能并增强联合作战能力，最终推动任务成功。

国防数据协调框架的范围与界定：

国防数据协调框架是什么：

• 该框架是面向流程的，其最大优势在于实现数据产品开发的迭代过程，从而精准匹配作战目标和任务需求。
• 它遵循《多军种数据协调战术、技术与程序》中强调的数据标准化实践，允许纳入元数据和本体，实现不同系统、工具和网络之间的互操作性。
• 国防数据协调框架旨在将数据（通常由 VAULTIS 等平台驱动）转化为满足需求方消费者需求的产品，同时确保供应方活动充分利用治理、企业服务和国防部数据平台。
• 国防数据协调框架旨在确保数据产品不仅被构建出来，而且在陆军作战中被证明具有价值且可用。

国防数据协调框架不是什么：

• 国防数据协调框架不受任何特定数据平台、网络、工具、能力、功能或资源的限制。
• 国防数据协调框架的设计不受开发数据产品所需任何项目的范围或规模的限制。
• 国防数据协调框架不是一次性的评估或认证。它是贯穿数据产品整个生命周期的持续评估和改进过程。
• 国防数据协调框架不仅仅是技术合规性。虽然遵循标准很重要，但最终目标是任务影响和可用性。
• 国防数据协调框架无意取代现有的数据治理结构。相反，它通过提供一个在现有结构内评估数据产品的结构化框架，来补充和加强这些结构。
• 国防数据协调框架不是“推倒重来”的演练。它旨在与现有系统和数据协同工作，识别优化和集成的机会，而不是进行全面的改变。
• 国防数据协调框架不仅是数据科学家或信息技术专业人员的责任。成功实施需要在整个数据生命周期（从问题界定到运行使用）中进行跨学科利益相关者的协作。

注1：操作指南中对每个国防数据协调框架阶段的描述包括来自陆军平台、系统和企业环境的示例，但同样的原则可适用于任何具备开发数据产品能力的数据平台的军种。 注2：国防数据协调框架方法中的问题界定阶段是数据产品申请表的基础。利用 SMART（具体、可衡量、可实现、相关、有时限）框架，此流程将在陆军数据目录中作为官方表格提供，用于在 Vantage 等陆军数据平台中申请和启动数据产品项目。参见附录B。

国防数据协调框架实践指南——分阶段指南

1. 问题界定 ——定义关键任务问题，并使数据需求与作战目标保持一致

• 分步骤：理解决策、分析方法
• 任务：
  • 清晰阐明需要数据驱动洞察的作战挑战。
  • 定义成功标准：什么构成了成功的解决方案？
  • 职能领域管理者在陆军数据目录上提交问题界定申请单。
  • 指挥与控制数据与分析办公室在陆军数据目录上审查并批准问题陈述和分析方法。
  • 促进对决策背景的理解，收集相关知识，并确保与组织目标保持一致。
  • 进行初步数据探索，以评估与问题相关的数据可用性。
  • 记录问题陈述、成功标准和初步数据评估，以便传达给数据提供团队。
  • 提出可能的分析方法（例如，空间分析、机器学习、时间序列预测）。
  • 基于可用数据和资源评估每种方法的可行性。
  • 制定初步分析计划，概述拟议的方法论。
• 交付成果：批准的问题陈述、分析方法文件、初步数据评估。

2. 数据提供 ——从内部和外部来源收集、验证并组织数据

• 分步骤：数据需求、数据选择
• 任务：
  • 验证数据来源的权威性和谱系。
  • 确保数据符合陆军数据治理政策（例如，数据安全分类、隐私法规）。
  • 识别潜在数据源，包括学术机构和外部主题专家，并促进数据访问。
  • 将“分析方法”步骤中概述的数据需求转化为具体的数据要求。
  • 构建并维护ETL（提取、转换、加载）流水线，将已识别来源的数据摄取到数据平台，确保数据的新鲜度和可靠性。
  • 提供相关数据源和数据元素的主题专业知识。
  • 协助验证权威数据的准确性和完整性。
  • 识别与问题相关的关键数据源（例如，后勤数据库、传感器数据、人员记录），记录其访问方法和限制。
  • 评估潜在数据源的质量和完整性，确定其是否适合用于构建稳健的数据模型以解决问题。
  • 从数据分析师处获取关于数据质量检查的数据验证见解，以便就可用数据集成的可行性做出明智决策。
  • 记录数据质量指标和限制。
• 交付成果：数据需求文档、数据源清单、数据访问计划。

3. 数据整理 ——清洗、转换和整合数据，确保其在给定陆军数据平台中的可用性

• 分步骤：数据理解、数据准备
• 任务：
  • 执行探索性数据分析，以了解数据特征、识别异常并评估趋势。
  • 定义数据清洗和转换规则。
  • 开发并实施数据整理脚本（例如，Python、SQL）。
  • 为数据工程师和分析师提供指导，确保数据得到适当的转换、整合和利用。
  • 知识经理帮助整合来自不同来源的数据，并提供背景和文档，以帮助数据工程师理解数据及其与问题的相关性。
  • 构建并维护数据流水线，以实现数据整理过程的自动化。
  • 实施数据质量检查和验证规则。
  • 确保数据被转换为一致且可用的格式。
  • 对可用数据源进行全面质量保证。
• 交付成果：已整合、可靠、质量有保证、经过验证且准确的数据源，可供产品建模使用。

4. 开发 ——构建数据产品，包括预测模型、仪表板和分析工具

• 分步骤：数据产品建模
• 任务：
  • 确保架构以安全且可扩展的方式支持数据存储和可用性。
  • 实施数据治理政策和标准。
  • 提供背景和洞察，以增强数据产品的可解释性。
  • 在陆军批准的数据平台（例如，Palantir、Advana、Gabriel Nimbus等）上开发和部署数据产品。
  • 实施用户界面和数据可视化工具。
  • 确保数据产品的可扩展性和性能。
  • 使用适当的算法（例如，机器学习、统计建模）开发和训练预测模型。
  • 评估模型性能并根据评估结果优化模型。
  • 将模型集成到数据产品中。
  • 构建API，使数据产品能够与现有陆军系统集成。
  • 开发数据产品文档和用户指南。
  • 与软件工程师协作，确保无缝集成。
• 交付成果：可运行的数据产品（数据可视化仪表板、数据集、回归输出）、模型文档、API文档。

5. 测试与评估 ——在部署前验证数据产品的有效性和可靠性

• 分步骤：评估
• 任务：
  • 制定并执行测试计划，以验证数据产品的功能、准确性和性能。
  • 识别并记录缺陷。
  • 跟踪缺陷解决情况。
  • 促进反馈循环，以提高数据质量和相关性。
  • 协助数据科学家和运筹与系统分析师对数据产品输出进行数据质量检查。
  • 根据历史数据验证模型预测。
  • 数据工程师：
    • 使用监控解决方案评估数据产品，对数据流水线中的性能和生产问题进行故障排除和解决。
    • 确保数据产品足够稳健，可以部署到数据生态系统中。
  • 运筹与系统分析师和数据科学家：
    • 通过对照问题框架进行评估，评估数据产品的可用性和准确性。
    • 参与用户验收测试，评估数据产品的相关性和有效性。
    • 提供关于数据产品可用性和功能的反馈。
• 交付成果：测试计划、测试结果、缺陷报告、用户验收测试反馈报告。

6. 运行 ——将数据产品整合到陆军决策流程中，供作战使用。

• 关键角色：决策者、知识经理、数据工程师、数据分析师、数据科学家、数据架构师、软件工程师、网络/系统管理员。
  • 决策者：
    • 利用输出的数据产品做出关键任务决策以解决问题。
    • 就其对于作战目标的实用性、准确性和相关性提供可操作的反馈。
  • 知识经理：
    • 确保持续监控和反馈机制，以维持数据的相关性和准确性。
  • 运筹与系统分析师/数据科学家：
    • 根据用户输入和观察到的性能差距，评估并优化底层算法和分析模型。
    • 基于作战单位的反馈，优化机器学习模型，以提供更准确、更完善的预测。
    • 收集用户反馈并确定需要改进的领域。
  • 数据分析师：
    • 分析数据产品的性能，识别可用性问题，并为反馈报告整理用户见解。
    • 为最终用户提供培训和支持。
  • 数据架构师：
    • 设计可扩展和可互操作的数据目录结构及元数据框架，以增强数据的可发现性和集成性。
  • 数据工程师：
    • 将数据产品部署到作战环境。
    • 监控数据产品性能和稳定性。
  • 对运行问题进行故障排除和解决。
  • 实现数据产品部署和维护过程的自动化。
  • 实施持续集成和持续交付流水线。
  • 确保数据产品的安全性和合规性。
  • 监控网络性能和安全协议，以支持在分布式环境中不间断地访问数据产品。
  • 管理数据访问控制。
  • 更新数据文档。
  • 配置和管理系统环境，以确保数据访问平台的安全可靠托管。
  • 将数据产品集成到现有的作战工作流程中。
  • 收集用户反馈并确定需要改进的领域。 参考：国防部数据、分析与人工智能应用战略

附录A

表1：国防数据协调框架应用案例
贡献单位	应用案例名称
陆军部，首席数据与分析官办公室	陆军高级领导仪表板
陆军部，第十八空降军	基于决策的战损评估工具
海军部，首席数据与分析官办公室	数据驱动的IT合理化
美国海军陆战队	美国海军陆战队国防数据协调框架应用案例
陆军国民警卫队	Power平台开发

A.1：使用国防数据协调框架将新数据摄取到数据平台的业务流程模型与标注法工作流

图3中将新数据集成到数据平台的业务流程模型与标注法工作流，始于识别和记录新数据源，通过捕获元数据和评估可访问性来启动数据提供阶段。工作流的关键是数据整理，在该阶段，输入的数据要经过严格的验证、转换和整合，以确保与数据模式和数据治理规则的兼容。在建立摄取流水线后，数据被加载到平台（开发阶段），启动进一步的分析建模。工作流以全面的质量保证（测试与评估）和持续监控（运行）结束，确保摄取的数据保持可靠、可访问，并有效集成在数据驱动的流程中，完全符合国防数据协调框架的结构化方法。

图3：新数据摄取到数据平台的业务流程模型与标注法表示

A.2：使用国防数据协调框架进行数据治理项目的业务流程模型与标注法工作流

图4中数据治理项目的业务流程模型与标注法工作流始于由决策者明确定义的任务目标和分析方法，这与国防数据协调框架中的问题界定紧密契合。随后是数据提供阶段，在此阶段识别、注册关键数据源并确保访问权限，以保证稳健的数据治理。此过程的核心是数据整理，涉及由数据工程师和科学家执行的严格清洗、转换和元数据标记任务，确保数据集的标准化和高质量。这些经过治理的数据经过严格的质量评估（测试与评估），如有必要，会返回进行额外完善。最后，在获得批准后，数据集被发布。

图4：数据治理项目的业务流程模型与标注法表示

A.3：使用国防数据协调框架进行仪表板/应用程序开发的业务流程模型与标注法工作流

图5中仪表板/应用程序开发的业务流程模型与标注法工作流始于明确定义用例和分析目标，该目标由决策者和数据分析师在国防数据协调框架的问题界定步骤下协作确定。接下来，进行需求收集和数据源选择（数据提供），为准确、相关的分析奠定基础。然后，数据工程师、科学家和运筹与系统分析师执行必要的数据整理任务，包括清洗和转换，确保数据质量和一致性。开发阶段侧重于通过迭代设计、编码和以用户为导向的原型制作，创建分析工具——仪表板或应用程序。进行严格的测试和验证（测试与评估），如果未获批准，该过程会返回进行进一步（完善）。

图5：仪表板/应用程序开发的业务流程模型与标注法（BPMN）表示