亚洲男人的天堂2018av,欧美草比,久久久久久免费视频精选,国色天香在线看免费,久久久久亚洲av成人片仓井空

北約人為因素與醫學（HFM）研究任務組（RTG）HFM-297 的成立是為了支持 "評估用于提高人體性能的增強技術"。RTG 成員在 2017 年至 2022 年期間舉行了會議。在此期間，小組定期舉行會議（面對面和虛擬會議），以確定其將考慮的增強技術的范圍。這包括制定一個框架，以指導根據一套與人類性能和任務成果相一致的定義指標對增強工具和方法進行受控評估。目標之一是分析增強技術所支持的人類性能的相對優點，并確定跨領域主題，用于建立建議的最佳做法。這包括為繼續應用和研究增強技術以支持人類在軍事環境中的表現提出建議。在開展這些活動的同時，還經常與軍事領域專家和需求持有者以及研究和行業主題專家進行接觸。

為了管理分析中考慮的增強技術范圍，RTG 決定主要關注 "增強 "任務環境和任務過程的技術（如合成環境、界面技術），而不是直接針對操作者的技術（如外骨骼、神經植入）。盡管有這樣的區別，但要嚴格區分 "環境 "和 "操作員 "之間的增強仍具有挑戰性。盡管如此，在確定了范圍之后，RTG 297 著手開發一個框架來分析這些技術，并將研究文獻中的證據與操作要求相結合。這項調查所采用的框架包括應用 "優勢-劣勢-機會-威脅"（SWOT）分析方法。本報告通過正式的 SWOT 分析，按照從部隊組建到行動再到行動后總結經驗教訓的行動時間表，對以下五個性能領域進行了細分：

• 適應性教學和加速準備。
• 任務準備和排練。
• 實時支持和遠程控制
• 認知監控和優化。
• 行動后回顧。

對各性能領域進行 SWOT 分析后，發現所有任務領域和人類性能要求都有一些共同的主題。這些主題包括

• 人類性能前端考慮因素和人為因素原則是成功應用增強技術的核心；

• 在有效實施這些技術的過程中，對數據和信息技術基礎設施的固有依賴性，以及在制定數據標準和總體數據戰略方面持續投資和努力的必要性，以確保互操作性和可擴展性；

• 隨著增強技術越來越多地被軍事組織采用，安全、可靠性、隱私和道德方面的考慮將在增強技術中發揮決定性作用；

• 這些技術本身和可應用這些技術的任務集都具有非常動態（快速發展）的性質，這對系統評估這些技術的有效性和價值提出了重大挑戰，特別是對 RTG 研究中典型的傳統報告形式而言；

• 盡管如此，RTG 審查的證據表明，一些增強技術在培訓（如自適應教學系統、視覺合成環境）和作戰（如增強現實）環境中已經有了良好的記錄；以及

• 一些不斷發展的技術（如機器學習、性能監測、虛擬現實的觸覺界面）在近期和遠期應用中大有可為，可支持軍事人類性能和訓練，但在實際應用之前還需要進一步的研究。

考慮到 RTG 在確定研究范圍、分析框架以及與主題專家合作以確保研究的相關性方面所面臨的挑戰，該小組成員建議北約 STO 考慮采用更具動態性和響應性的流程和格式（例如，利用社區提供的信息進行基于網絡的報告輸出），以便對快速發展的技術領域（如用于人類表現和訓練的增強技術）進行研究。

圖1-2:支持感覺和認知增強的增強模型

人們普遍認為，將機器學習融入軍事決策對于美國在 21 世紀保持軍事主導地位至關重要。機器學習的進步有可能通過提高整個國家安全企業級決策的速度、精確度和效率，極大地改變戰爭的特點。美國國防部的領導者們認識到了這一點，并正在做出大量努力，以在戰爭的戰術、作戰、戰略和機構層面有效整合機器學習工具。

本報告將探討機器學習的一種應用，其重點是在競爭和沖突的作戰層面實現軍事決策。展示了機器學習如何與人類合作，作為決策系統的一部分，用于提高軍事行動和活動的有效性。展示了這種方法如何通過分析原本無法獲取的數據源，為指揮官提供有關作戰環境的新見解。將重點放在從大量基于文本的數據（如報紙報道和情況報告）中獲得的洞察力上，這些數據無處不在，但卻很少以任何系統的方式整合到決策中。

在本報告中介紹的方法以人機協作系統的概念為基礎，并證明了現有的機器學習能力需要人在各個階段的參與，才能證明對操作層面的決策有用。因此，機器學習能力的發展與雷達自二戰以來的演變密切相關，而雷達是人機協作用于軍事目的的最早范例之一。如今，與不列顛之戰期間使用的預警系統同樣依賴雷達機器和人類觀察員一樣，機器學習仍然需要人類的參與，以指導這種新傳感器使用正確的數據，正確解釋其輸出結果，并評估其結果對作戰決策的影響。

通過一個基于真實世界數據和真實世界危機的示例研究，將讀者（"您"）置身于一名軍事指揮官的視角，就 2022 年俄羅斯全面入侵烏克蘭之前，美國如何支持烏克蘭兵力應對俄羅斯支持的烏克蘭東部叛亂，展示了這一系統方法的實際應用。在撰寫本案例研究時，把讀者您當成了這位指揮官，因為目標是強調您在未來與機器學習工具的合作中可能扮演的關鍵角色--無論是作為分析師、決策者，甚至是在現實世界的類似背景下應用這些工具的軍事指揮官。

值得注意的是，本案例研究是基于 2014-2020 年間的數據于 2020 年 12 月完成的，僅分析了這一時期與俄羅斯支持的烏克蘭東部叛亂有關的實地情況。本研究尚未更新，以反映自 2022 年 2 月俄羅斯入侵烏克蘭以來所獲得的任何見解。然而，從入侵前的視角來看，機器學習在后來發生的現實世界事件中用于作戰決策的優勢和局限性也就不言而喻了。

在整個案例研究中，將看到為本報告目的而進行的基于機器學習的實際評估結果，該評估分析了來自烏克蘭的 18,000 篇歷史新聞報道，內容涉及從 2014 年沖突起源到 2020 年末的沖突。利用機器學習工具從這些數據中提取相關見解，并與分析結果進行互動，就向烏克蘭兵力提供何種類型的支持以及在俄羅斯入侵前實現美國在該地區的目標做出名義上的決策。在此過程中，人機協作學習的優勢將逐漸顯現，將親眼目睹機器學習工具如何快速、系統地利用以前無法獲取的數據，為復雜問題提供新的見解。但這種方法的局限性也會顯現出來，將親眼目睹機器學習的好壞取決于支持它的可用數據，以及訓練機器學習工具和解釋其結果的人類分析師。

人機協作方法適用于軍事決策者在陸軍和美國防部作戰和機構層面面臨的各種問題集。因此，本研究以具體證據清晰地展示了在軍事決策中使用機器學習所涉及的權衡問題，為機器學習在軍事領域的廣泛應用做出了貢獻。本研究為美國陸軍提出了幾項重要發現和建議。

研究問題

• 指揮官如何利用機器學習進行作戰決策？
• 人類分析師應如何與機器學習工具合作以實現作戰決策？

主要發現

首先，分析展示了機器學習在軍事決策方面的巨大潛力，但只有在與對特定問題背后的背景有詳細了解的人類分析師配對時才能實現。在此提出的機器學習方法不會取代人類分析師。相反，它能使人類分析師更高效、更嚴謹，并能更好地從以前未開發的數據源中提取洞察力。在案例研究中，通過使用機器學習獲得的大多數關鍵見解都需要人類分析師的額外干預。在某些情況下，這需要在模型結果的基礎上有選擇性地疊加額外的數據源。在其他情況下，則需要人工分析師手動審查機器學習工具認為相關和有趣的基礎數據。因此，美國陸軍現有的機器學習能力需要人類在各個階段的參與，才能充分發揮其潛力。

其次，分析表明，通過大幅提高執行重復性任務的效率，人機協作方法可以大規模分析人類分析師無法單獨完成的海量數據集，從而產生以前無法實現的有關作戰環境的新見解。案例研究表明，從分析人員處理大量數據的重復性分析任務所花費的時間來看，機器學習能顯著提高效率，使分析人員更高效、更嚴謹，并能更好地從以前未開發的數據源中提取洞察力。這表明，對于需要大量人工審核相關數據的問題，陸軍領導應優先考慮將機器學習作為一種解決方案。

最后，這項研究揭示了機器學習的系統方法能夠對作戰級總部已有的大量數據進行標準化、客觀和長期的分析，從而增強其支持有效決策的潛力。在許多情況下，這些數據是戰爭中作戰和機構層面決策的最佳信息來源，但如果沒有機器學習，這些數據就只能以臨時和主觀的方式進行分析。

建議

首先，這項研究表明，陸軍應為各級指揮人員提供頻繁接觸機器學習的機會，讓他們熟悉人類如何利用這些能力作為軍事決策系統的一部分。

其次，本研究強調，陸軍應建立多樣化的機器學習團隊，以充分釋放這一能力的潛力。這些團隊應整合熟悉機器學習工具細節的作戰研究系統分析員、對特定作戰環境有第一手知識的操作員、了解可用數據以分析特定問題的分析員，以及能將機器分析轉化為對作戰決策有實際影響的指揮官。

數字孿生（DT）應用和相關技術有可能提高兵棋推演模擬的準確性，從而提供風險知情的決策支持建議。理論上可以開發作戰環境的 DT，以持續收集來自作戰兵力的數據，并創建計算模型或模擬來測試作戰空間條件。有效實施 DT 可以為指揮官提供及時更新和調整的建議，從而為決策過程提供幫助。如果根據持續運行的模擬結果，先前建議的行動方案不再被認為是最佳方案，那么實時更新將告知指揮官。本論文對將支持 DT 的決策支持系統整合到海軍陸戰隊規劃流程并作為各級指揮領導的有效工具進行了定性評估。研究人員認為，通過將實時數據納入模擬未來沖突，可以增強戰爭博弈過程，從而促進將數據分析納入時效性決策，并有可能改善決策過程中的不確定性管理。提高對資源分配決策的認識和量化協助將使領導者受益。預期的挑戰將是作戰兵力的數字化進程以及讓領導者適應新技術。

圖. 數字孿生賦能在線戰場學習，及在無人作戰中的作戰模式。

引言

美國海軍陸戰隊歷來將兵棋推演作為一種訓練工具，用于培養海軍陸戰隊員的決策技能，并在可控環境中評估領導者的計劃過程，從而提供有用的反饋。兵棋推演還被用于測試不同的作戰概念和發展條令（Bae & Brown，2021 年）。2017 年，海軍陸戰隊司令羅伯特-奈勒將軍建立了海軍陸戰隊戰爭博弈與分析中心。戰爭博弈與分析中心計劃于 2024 年開放，其主要任務是能力開發。該實驗室將設在弗吉尼亞州的匡蒂科，海軍陸戰隊作戰實驗室、海軍陸戰隊大學和海軍陸戰隊系統司令部可利用該實驗室提出有分析支持的建議，以塑造未來的兵力設計和發展活動（岡薩雷斯，2021 年）。

海軍陸戰隊還希望利用大數據分析、人工智能（AI）和機器學習（ML）等新興技術，運行超過 1000 次的模擬，以確定戰斗場景中各種結果的概率（South，2018 年）。這將有助于開發分析決策支持工具，為戰術指揮官提供數據驅動的建議。為使系統能提出可行的建議，模擬必須由準確且最新的數據驅動。創建海軍陸戰隊兵力的數字孿生（DT）以及從物聯網（IOT）中收集的數據，可為海軍陸戰隊提供必要的工具，以建立其希望采用的決策支持設備（Madni 等人，2019 年）。目前，海軍陸戰隊的 DT 計劃主要局限于網絡管理和供應鏈協調。然而，隨著數據傳輸的加快和物聯網的普及，最先進的人工智能/ML 對 DT 的增強可以改善 DT 與指揮、控制、通信、計算機和情報（C4I）各方面的整合，從而推動戰斗空間感知、持續決策支持分析以及在復雜的互聯戰場中保持決策優勢。

A. 問題陳述

只有在數據本身可靠的情況下，利用人工智能和大數據分析進行決策支持才是有益的。例如，當指揮官審查數據并決定行動方案時，為其決策提供支持的建議可能已經過時。基于錯誤或過時數據輸入的錯誤建議可能比沒有數據更具破壞性。即使模擬使用的是準確的最新數據，只要變量保持靜態，系統提供的建議也將一直有效。由于戰術建議需要靈活適應戰場條件的動態性質，因此有必要采用可將實時數據饋送納入決策支持模擬工具的系統。

B. 目的說明

本研究的目的是探索數據傳輸應用和相關技術的潛力，以提高戰棋模擬的準確性，從而為指揮官提供風險知情的決策支持建議。理論上可以開發作戰環境 DT，以持續收集來自作戰兵力的數據，并創建計算模型或模擬來測試作戰空間條件。有效實施 DT 可以為指揮官提供及時更新和調整的建議，幫助決策過程。如果根據持續運行的模擬結果，先前建議的行動方案不再被認為是最佳方案，那么實時更新將告知指揮官。我們將研究私營部門和政府的 DT 計劃，以確定此類系統的潛力。

C. 研究問題

1. 融合 DT 能否使兵棋推演受益？

1.1兵棋推演的哪些應用將受益于 DT？

1.2 DT 如何增強海軍陸戰隊規劃流程和快速反應規劃流程？

1.3 DT 能否增強參與者的知識流程？

2.DT 綜合決策支持系統如何改進指揮官的決策周期？

2.1 決策支持系統能否減少戰場上的不確定性？

2.2 需要哪些數據輸入來開發海軍陸戰隊兵力或作戰環境的綜合 DT？

2.3 決策支持系統能否縮短決策所需的時間？

2.4 何時需要自動決策，何時需要人工決策？

3.決策支持系統應納入哪一級指揮系統？

3.1 在戰爭戰術層面整合決策支持系統有何影響？

3.2 在作戰層面整合決策支持系統有何意義？

3.3 在作戰層面整合決策支持系統有哪些影響？

3.3 在戰爭戰略層面整合決策支持系統有何影響？

D. 論文結構

本論文的其余部分由另外四章組成。第二章是對決策科學、兵棋推演和數字孿生應用及相關技術等主題的現有文獻綜述。第 III 章是對所選研究方法的概述。第 IV 章分析了將數字孿生融入兵棋推演和決策支持的可能性，以協助不同戰爭級別的指揮官。第 V 章介紹了由此得出的結論，包括建議以及對未來研究領域的建議。

氣候變化導致自然災害和極端天氣事件的頻率和嚴重程度增加，這是美國空軍（USAF）作戰能源辦公室日益關注的問題。本研究重點是回答美國空軍的兩個問題：

1.進行了一項風險評估，以確定美國空軍航空燃料供應鏈在美國海灣和東海岸氣候相關事件中的風險。

2.基于這些發現，分析了美國空軍在美國海灣和東海岸戰略性開發分散式可持續航空燃料的價值。

通過一系列二手研究、供應鏈建模和分析，本研究分析了當前颶風、洪水和極端溫度事件的風險及其對基礎設施的相關影響，這些基礎設施對從海灣沿岸煉油廠向海灣和大西洋沿岸的九個美國空軍基地運送航空燃料至關重要。

主要發現包括

• 航空燃料供應鏈的總體風險有限。

• 颶風和洪水比極端溫度事件帶來的風險更大。

• 我們發現墨西哥灣沿岸供應鏈中的地理瓶頸對風險的影響非常大。

• 分散的區域性可持續航空燃料生產可進一步降低美國空軍的供應鏈風險。

利用這些發現，本報告模擬了通過將可持續航空燃料戰略性地整合到現有供應鏈中來降低風險的方法。本研究中采用的數據收集和建模技術將使美國空軍能夠在未來開始探索將可持續航空燃料整合到其供應鏈運營中的成本風險分析。此外，美國空軍應將這些結果與其他地區和與氣候無關的威脅進行比較。

軍事人員要在惡劣和不理想的條件下長期作戰，這些條件的特點是環境暴露嚴重、資源匱乏以及身心負擔沉重。在這些條件下長期執行軍事行動，會削弱本已有限的感知、認知和情感資源，而這些資源是維持執行任務相關任務所必需的。未來戰場上復雜的多領域作戰行動預計將進一步提高對軍事梯隊最低層的要求。這些需求的特點是，小分隊在補給有限、技術能力下降的艱苦環境中的作戰時間將越來越長。因此，必須確定新的訓練和技術方法，使軍事人員的表現得以持續、優化和/或提高。為實現這一目標，國際國防科學界、學術界和工業界的研究已開發出幾種前景看好的神經科學策略，包括神經調節和神經反饋技術。本最終報告總結了題為 "認知神經強化 "的北約 "人因與醫學 "小組活動的技術活動： Techniques and Technology (HFM-311)）的技術活動，包括對五個參與國在認知神經強化研究和開發方面的最新進展的回顧： 加拿大、德國、荷蘭、英國和美國。該書介紹了六種神經調控技術，包括經顱磁刺激（TMS）、經顱聚焦超聲刺激（tFUS）、經顱電刺激（tES）、經皮周圍神經刺激（tPNS）、光生物調控（PBM）和顱腦電療刺激（CES）。會議考慮了三種神經反饋技術，包括使用腦電圖（EEG）、功能磁共振成像（fMRI）和功能近紅外光譜（fNIRS）監測大腦狀態，并通過機器學習和人工智能實現反饋回路。各參與國的代表總結了利用一種或多種神經調節和神經反饋技術提高作戰人員認知能力的基礎研究和應用研究。報告接著詳細介紹了認知神經強化固有的方法論挑戰，以及在這一領域開展研究、開發和工程的其他注意事項。報告最后討論了神經強化的未來發展方向，包括生物傳感、改進機械和預測建模及軟件工具、開發非侵入式深腦刺激、測試新出現的大腦和行為理論模型，以及開發閉環神經強化和人機協作方法。重點是在作戰人員選拔、訓練、行動和恢復的背景下，規劃、執行和解釋神經增強研發工作的相關概念和方法承諾與挑戰。

關鍵詞： 感知、認知、認知神經科學、神經增強、人類表現、認知表現、經顱磁刺激、經顱電刺激、經皮周圍神經刺激、經顱聚焦超聲、顱腦電療刺激、光生物調制、腦電圖、功能磁共振成像、機器學習、人工智能、生物傳感、人機協作、神經反饋

陸軍分析中心（CAA）開發了戰略競爭和危機（SC2）兵棋，以解決美國陸軍在競爭和危機期間戰略規劃的不足。在兩年的時間里，該頂點項目加強了SC2兵棋。去年，畢業設計開發了一個動態的、基于視角的信譽模型，旨在將其集成到SC2中。今年，頂點計劃將該模型整合到一個更高效、以目標為中心的兵棋中，以優化高級軍事領導人的戰略學習。在前一年工作的基礎上，該畢業設計將系統決策過程的工具與國防和戰略研究部門的理論框架相結合，創建并實施了一個改進的產品。對游戲原始框架的分析發現了三個改進領域，分別涉及游戲的各個組成部分：以戰略為重點的玩家指南、逼真的談判配對過程以及通過玩家控制面板進行的實時反饋。

美國仍然是世界上最突出的軍事和技術力量。在過去十年中，美國認識到人工智能作為力量倍增器的潛力，越來越多地將人工智能（AI）的熟練程度視為美國重要利益和保證美國軍事和經濟實力的機制。特別是，在過去十年中，人工智能已成為美國國防的一項關鍵能力，特別是考慮到2022年美國國防戰略對印度-太平洋地區的關注。

因此，美國國防部（DoD）（以及美國政府和國防機構總體上）對人工智能和相關新興技術表現出越來越大的熱情。然而，雖然美國目前在學術界和私營部門的人工智能研究和開發方面取得了巨大進展，但國防部尚未在廣泛范圍內成功地將商業人工智能的發展轉化為真正的軍事能力。

美國政府在利用國防人工智能和人工智能支持的系統方面通常處于有利地位。然而，在過去的幾年里，各種官僚主義、組織和程序上的障礙減緩了國防部在國防人工智能采用和基于技術的創新方面的進展。最關鍵的是，國防部遭受了復雜的收購過程和廣泛的數據、STEM和AI人才和培訓的短缺。從事人工智能和人工智能相關技術和項目的組織往往是孤立的，而且還存在必要的數據和其他資源相互分離。在美國防部內部存在一種傾向于可靠方法和系統的文化，有時趨向于勒德主義。所有這些因素都導致了人工智能采用的速度出奇的緩慢。美國家安全委員會2021年提交給國會的最終報告總結說，"盡管有令人興奮的實驗和一些小型的人工智能項目，但美國政府離人工智能就緒還有很長的路要走"。

因此，盡管人工智能有可能增強美國的國家安全并成為一個優勢領域，而且鑒于美國在軍事、創新和技術領導方面的長期傳統，人工智能有可能成為一個薄弱點，擴大 "美國已經進入的脆弱窗口"。 如果美國不加快創新步伐，達到負責任的速度，并奠定必要的制度基礎，以支持一支精通人工智能的軍隊，人工智能將繼續成為一個不安全點。

去年，美國防部在這些挑戰中的一些方面取得了進展，調整了國防人工智能的方法。2022年6月，美國防部發布了《負責任人工智能戰略和實施途徑》，將更有數據依據的、負責任的、可操作的人工智能工作列為優先事項，此后開始執行。最重要的是，美國防部已經啟動了對其人工智能組織結構的重大改革，創建了一個新的首席數字和人工智能辦公室（CDAO），以整合其不同的人工智能項目和利益相關者，并使其與該部門的數據流更好地協調。值得注意的是，美國國防部目前正在對其國防人工智能的整體方法進行重大變革和振興。然而，這些新的人工智能努力是否足以讓美國彌補失去的時間，還有待觀察。

自主系統將塑造戰爭的未來。因此，土耳其的國防人工智能（AI）發展主要側重于提高自主系統、傳感器和決策支持系統的能力。提高自主系統的情報收集和作戰能力，以及實現蜂群作戰，是發展國防人工智能的優先事項。雖然土耳其加強了自主系統的能力，但在可預見的未來，人類仍將是決策的關鍵。

人類參與決策過程提出了一個重要問題：如何有效確保人機互動？目前，自主系統的快速發展和部署使人機互動的問題更加惡化。正如土耳其國防工業代表所爭論的那樣，讓機器相互交談比較容易，但將人類加入其中卻非常困難，因為現有的結構并不適合有效的人機互動。此外，人們認為，人工智能對決策系統的增強將有助于人類做出更快的決定，并緩解人機互動。

土耳其發展人工智能的意圖和計劃可以從官方戰略文件以及研發焦點小組報告中找到。突出的文件包括以下內容：

• 第11個發展計劃，其中規定了土耳其的經濟發展目標和關鍵技術投資。

• 《2021-2025年國家人工智能戰略》，它為土耳其的人工智能發展制定了框架。

• 焦點技術網絡（Odak Teknoloji A??，OTA?）報告，為特定的國防技術制定了技術路線圖。這些文件提供了關于土耳其如何對待人工智能、國防人工智能和相關技術的見解。

土耳其特別關注人工智能相關技術，如機器學習、計算機視覺和自然語言處理，其應用重點是自主車輛和機器人技術。自2011年以來，自主系統，主要是無人駕駛飛行器（UAV），仍然是土耳其人工智能發展的重點。此后，這已擴大到包括所有類型的無機組人員的車輛。同時，用人工智能來增強這些車輛的能力也越來越受到重視。人工智能和相關技術的交織發展構成了土耳其人工智能生態系統的核心。

土耳其的人工智能生態系統剛剛起步，但正在成長。截至2022年10月，有254家人工智能初創企業被列入土耳其人工智能倡議（TRAI）數據庫。土耳其旨在通過各種生態系統倡議在其國防和民用產業、學術機構和政府之間創造協同效應。由于許多組織都參與其中，這些倡議導致了重復和冗余。冗余也來自于人工智能技術本身的性質。由于人工智能是一種通用技術，可以應用于不同的環境，各種公司都有用于民用和國防部門的產品；因此相同的公司參與了不同的生態系統倡議。此外，民用公司與國防公司合作，在國防人工智能研究中合作，并提供產品，這是司空見慣的。

土耳其鼓勵國際人工智能在民用領域的合作，但不鼓勵在國防領域的合作。然而，由于技能是可轉移的，國防人工智能間接地從這種合作中受益。

土耳其非常關注自主系統發展中的互操作性問題，特別是那些具有群集能力的系統。除了蜂群，北約盟國的互操作性也是一個重要問題。因此，土耳其認為北約標準在發展自主系統和基礎技術方面至關重要。

土耳其目前對人工智能采取了分布式的組織方式。每個政府機構都設立了自己的人工智能組織，職責重疊。目前，盡管國防工業局（Savunma Sanayi Ba?kanl???，SSB）還沒有建立專門的人工智能組織，但SSB的研發部管理一些人工智能項目，而SSB的無人駕駛和智能系統部管理平臺級項目。目前，根據現有信息，還不清楚這些組織結構如何實現國防創新或組織改革。

土耳其尋求增加其在人工智能方面的研發支出，旨在增加就業和發展生態系統。SSB將在未來授予更多基于人工智能的項目，并愿意購買更多的自主系統，鼓勵研發支出的上升趨勢。然而，盡管土耳其希望增加支出，但金融危機可能會阻礙目前的努力。

培訓和管理一支熟練的勞動力對于建立土耳其正在尋找的本土人工智能開發能力至關重要。這包括兩個部分。首先是培養能夠開發和生產國防人工智能的人力資源。因此，土耳其正在投資于新的大學課程、研究人員培訓、開源平臺和就業，同時支持技術競賽。第二是培訓將使用國防人工智能的軍事人員。國防人工智能也正在慢慢成為土耳其武裝部隊（Türk Silahl? Kuvvetleri，TSK）培訓活動的一部分。目前，關于土耳其打算如何培訓軍事人員使用國防人工智能的公開信息非常少。

在美國國防部，人工智能（AI）/機器學習（ML）的整合目前是以現有項目的升級或新項目的收購形式進行的。怎么知道這些AI/ML支持的系統會按照預期的方式運行？為了做出這個判斷，與其他傳統的軟件開發/采購項目相比，AI/ML產品開發/采購需要一個獨特的評估過程。作為回應，美海軍軍械安全和保障活動（NOSSA）資助了以下研究，以調查獨特的政策、指導方針、工具和技術，以評估AI/ML關鍵功能中的安全問題。在這項工作中，開發了14項關鍵的嚴謹度（LOR）任務，并在五個階段中應用：（1）需求，（2）架構，（3）算法設計，（4）算法代碼，以及（5）測試和評估（T&E）。14項LOR任務涉及最佳實踐討論、定義、測量、論證文件和AI/ML系統特有的危險分析格式。這14項LOR任務還明確了為什么AI/ML軟件開發需要采購界的特別考慮。此外，這項研究有可能影響采購界如何定義需求、創建架構、產生AI/ML算法設計、開發AI/ML算法代碼以及執行T&E。在開發 "采購沙盒"的過程中，跨越五個發展階段的14項LOR任務的需求變得很明顯，該沙盒研究了部署AI/ML自主系統的路線規劃者，以及讓這些系統交付軟件包，重點是評估關鍵功能行為的安全性。該沙盒是使用國防部架構框架（DoDAF）和統一建模語言（UML）圖設計的，其中包含了各種AI/ML技術。當面臨這種程度的復雜性和/或不確定性時，14項LOR任務代表了一組有凝聚力的問題/考慮因素，為應對當前海軍AI/ML的采購問題提供了重點。這些指南還為涉及安全的組織，如NOSSA和適航性，以及包括項目經理和系統工程師在內的采購專業人員提供了一個分步驟的 "如何 "評估方法，以確保創造高質量的人工智能嵌入式產品。

該報告為包含人工智能功能的系統的采購和開發提供了詳細的指導方針。該準則允許用戶在作戰部署的挑戰中對人工智能功能的行為建立不同程度的信心。信心的程度決定了14個LOR任務中的哪一個在五個階段中被應用。每個LOR任務提供了問題和/或考慮因素，使開發人員能夠客觀地評估人工智能/ML功能的安全性和可靠性。當審查每個LOR任務時，LOR任務編號（和相關階段）后面的 "參考編號 "是指用于開發問題和/或考慮因素的文件中的相應標識（ID）。這四份文件的標題分別是：（1）操作視圖（OV），（2）系統視圖（SV），（3）數據集設計，和（4）算法設計。LOR任務 "參考ID "命名法的例子是Ops1、Sys1、Alg1和Dat1。在這些例子中，每個ID與四個文件中的一個有關，其中數字 "1 "表示文件中描述的第一個LOR任務。在每個文件中使用 "Ref ID "支持對研究的可追溯性，包括數學。