Zhiyuan Institute of Strategy and Defense Mu Jian / Compiled
差出人：アメリカ戦略国際研究センターのウェブサイト
[Zhiyuanガイド]この記事の編集者は、インテリジェンスアナリストの戦略的インテリジェンス分析機能を向上させるために新しいテクノロジーを使用する戦略的国際研究センター（CSIS）テクノロジーおよびインテリジェンス特別研究グループによって書かれた記事から選択されます。元のタイトルはThe Analytic Edge：新しいテクノロジーを活用してインテリジェンス分析を変革します。この記事では、最初にテクノロジーをインテリジェンス分析プロセスに統合する新しい方法を研究し、次に人工インテリジェンスやその他のテクノロジーを戦略的分析に統合する際の主な障害と制限について説明し、最後にAIとビッグデータの時代におけるインテリジェンス分析について説明します。担当者はどのように自分の戦略的価値を向上させ、意思決定者にインテリジェンスの最大の価値と、将来のインテリジェンスシステムを構築する意味を提供する必要があります。
米国が現在技術変革に投資している場合、2030年のインテリジェンスアナリストは、2020年の対応するアナリストを、信じられないほど、同情的で思いやりのある目で前後に振り返ります。世界をリードする人工知能、最先端のデータ分析、無制限のクラウドコンピューティング機能により、将来のアナリストはターゲットの戦闘環境をほぼ継続的に把握できるようになります。オープンソースインテリジェンスから機密性の高いインテリジェンスまでのすべての情報分野で、すべての情報内で高品質のデータをすばやくマイニング、統合、視覚化、および使用できるようになります。彼らは、政策立案者に高レベルでデータが豊富なアドバイスを迅速に提供できるようになります。前任者が採用した便利な分析手法と「読む、書く、考える」という時代遅れの分析プロセスに関して、将来のアナリストは、これらが過去の時代の遺産であり、ビッグデータ時代のスピードと規模であると考えて肩をすくめるかもしれません。非互換。
ただし、2020年のインテリジェンスアナリストには、この幻想的な将来のシナリオを検討する時間も関心もありません。データの量が指数関数的に増加すると、データを処理する能力がわずかに増加します。彼らのモニターは、複数のインテリジェンス配置、分離された共有ドライブ、手動で管理されるスプレッドシートとデータベース、エラーが発生しやすいkmzファイルでいっぱいであり、データを合成するためのインターフェイスはありません。彼らは、提供された多くの「新しいツール」と「人工インテリジェンスソリューション」に圧倒され、戦略的分析のための実用性と使いやすさに失望しました。中断のない顧客の要件とスケジュールの場合、アナリストはデフォルトで、情報を収集するために使用される信頼できる分離された情報ソースと実績のあるインテリジェンステクノロジーの小さなセットを使用し、「十分に優れた」を提供します。 「多かれ少なかれ時間通りの情報製品。」
現在の状況は上記ほど暗くはなく、将来は上記ほど明るくはないかもしれませんが、諜報部門のアナリストは確かに2020年の技術レベル曲線に完全に遅れをとっています。データと破壊的なテクノロジーの爆発的な成長、新しいグローバルな脅威の急速な進化と出現、および政策立案者の意思決定サイクルの加速は、インテリジェンス分析プロセスを混乱させる可能性があります。インテリジェンス部門が高度なテクノロジーをフルソースのインテリジェンス分析に迅速に統合する方法は、将来のインテリジェンス環境で競争し、タイムリーで正確で関連性のある分析製品を提供する能力にとって非常に重要です。将来のインテリジェンスアナリストを構想し、形成する一方で、インテリジェンスエージェンシーは、アナリストの能力を強化するために新しいテクノロジーを使用することができ、また使用する必要があります。
インテリジェンス分析作業における新技術の限界
アナリストにとって、人工知能と関連技術の利点は非常に大きいかもしれませんが、情報機関は、これらのツールをフルソース分析に適用する際にいくつかの重要な障害と制限に直面しています。第一段階で研究チームによって特定された技術獲得、デジタルインフラストラクチャ、およびデータアーキテクチャの幅広い課題は、インテリジェンスの収集および処理タスクを妨げ、インテリジェンス分析タスクにも影響を与えます。しかし、構造的な障害は唯一の障害でも主要な障害でもありません。分析のための新しいテクノロジーの採用を妨げる主な理由は、アナリストのインテリジェンスと解釈可能性の基準を満たす上でのテクノロジー自体の制限、およびアナリストと機関の従来のインテリジェンスと分析方法に関する文化的および制度的好みです。
データの取得と融合
正確で洞察に満ちた人工知能アプリケーションは、特定のデータをキャプチャ、整理、および管理する必要があります。分析に使用される潜在的に関連性のあるインテリジェンスとデータの膨大な量は、高度に技術的なアナリストの処理、フィルタリング、および吸収機能を超える可能性があります。データセットの標準化と融合が直面する課題は、データの使用をさらに複雑にします。これらのデータセットは、機密の方法で取得され、公開ソースから収集されます。
データ開発のペースについていく
インテリジェンス部門によるインテリジェンスとデータ処理ツールの融合の速度と規模は、インテリジェンスとデータの増え続ける数と多様化に対応する必要があります。人工知能が最適化および合理化されたとしても、センサー、知能ストリーム、およびオープンソース知能データ（5GネットワークおよびIoTデバイスがこのプロセスを加速する）の急増は、依然としてアナリストの処理能力を圧倒します。リアルタイムデータをキャプチャして分析できないと、インテリジェンスアナリストは、意思決定者に状況認識を提供する際に標準的な曲線の背後に置かれます。
データフュージョン
アナリストにとって、最高の人工知能アプリケーションは、秘密とオープンソースの両方の知能データを使用してアルゴリズムをトレーニングし、洞察を得ることができますが、互換性のないアーキテクチャとセキュリティの障壁が「ローエンド」と「ハイエンド」のデータを妨げる可能性があります融合。データと同様に、機械学習アルゴリズムとオープンソースモデルは、機密システムに移植して分析ワークフローに統合するときに同様の障害に直面する可能性があります。
データラベル
最高の人工知能アプリケーションにも大量のデータが必要であり、このデータには大量のラベルとタグが必要です。これは、時間と時間がかかり、ほとんどが手動のタスクです1。「ギグエコノミー」ラベラーをクラウドソーシングして採用できる民間セクターとは異なり、インテリジェンス部門の機密データセットは社内でマークする必要があり、ほとんどの作業はアナリストが手動で行います。これらのタスクを短期的に達成することは不可能ではありませんが、データは指数関数的に増加し続けるため、手動のラベル付けとマーキングは圧倒されます2。
アルゴリズムの制限
分析は、厳密なインテリジェンス手法と、結論を導き出すために使用される論理、証拠、仮定、および推論の明確な説明/推論に依存しています。戦略的分析の複雑さ、透明性とインテリジェンス保証の標準と要件、およびモデリング分析プロセスと機能の固有の課題は、人工インテリジェンス分析ワークフローの現在の使用に理論的および実際的な制限を課します。
戦略的分析モデリング
複雑なインテリジェンステクノロジーと戦略的分析の認知スキルは、本質的に定義、標準化、および複製が困難であるため、モデル化が困難であり、人工インテリジェンスアプリケーションに実際的な制限を課します。新しいインテリジェンスの意味を環境に置き、それを特定し、データを計量して接続し、インテリジェンスグラフを形成し、インテリジェンスを論理的かつ説得力のある方法で整理して実証および評価します。この分析プロセスは、芸術と科学、および標準化を組み合わせたものです。情報技術の応用とインテリジェンス研究者のインテリジェンスと知識、そしてハードデータ、推論的推論、文化的専門知識、そして長期にわたる研ぎ澄まされた分析的直感から引き出された判断。分析タスクをデジタル化できない場合、人工知能を適用する能力は制限されます3。
偏差
人工知能で生成された洞察には、アルゴリズムとモデルの形成、改善、およびガイドを支援するアナリストが必要ですが、アナリストは、知能の問題の概念化、モデルの設計、および入力データの選択の方法に逸脱があり、偏りがあり、場合によっては不正確になります。結果として。データに内在するバイアスの透明性、モデルの使用方法、結論や信頼度への影響は重要ですが、顧客が理解するのは容易ではないかもしれません4。
解釈可能性
人工知能の結果を適用するために、アナリストは、これらの結果を生成するアルゴリズムとモデルの論理、逸脱、仮定、および推論を理解する必要があります-これらは既知または未知である可能性があります。最も複雑な人工知能アプリケーションとマシンインサイトの多くは、マシンロジックとプロセスを定義するのが難しい「ブラックボックス」アルゴリズムから派生しています（不可能ではないにしても）。エビデンスチェーンの透明性の欠如、人工知能が使用される場所と方法、および有効性条件などは、マシンによって導き出された結論が信頼できず、使用できない可能性があることを意味します5。
信憑性
アナリストは、かつては当たり前とされていた新しい要素である真正性を測定する方法を学びながら、インテリジェンスの品質、正確性、および関連性を常に評価する必要があります。欺瞞アルゴリズムによってデータを誤分類する手法、および生成的敵対ネットワーク6を使用して機密データやオープンソースデータを大幅に改ざんする手法は、アナリストを混乱させ、分析エラーやポリシー決定エラーにつながる可能性があります7。敵対者がデータの改ざんに熟達し、標的を絞った不正な欺瞞操作をより速い速度と規模で開始するにつれて、データとインテリジェンスの信頼性を確保することはますます困難になります。
安全性
アナリストはまた、敵対国の諜報機関による積極的かつ的を絞った人工諜報対策に直面します。これらの諜報機関は、人工諜報システムに侵入して混乱させ、それによって人工諜報ツールと結果に対するアナリストの信頼に影響を与えるように設計されています。人工知能の採用を急ぐと、一連の「反人工知能」の脅威に脆弱性がもたらされる可能性がありますが、厳格な人工知能のセキュリティ基準、プロトコル、およびテスト要件が犠牲になります。これらの脅威には、人工知能モデルに注入された「有毒な」データが含まれます。システムが完全にハッキングされ、操作された8。敵がこのレベルへのアクセスを取得できず、アナリストに人工知能システムが損傷して使用できないことを納得させることができなくても、同じ効果を達成できます9。
分析的に改革を嫌う
技術的な障害は巨大で現実的ですが、人工知能の適用に対する最大の障害はアナリスト自身かもしれません。インテリジェンス分析の分野では、制度的、官僚的、文化的な好みに加えて、彼らが世界的なゴールドスタンダードと見なしている実証済みのインテリジェンス技術とスキルに対する好みが深く根付いています。デジタルインテリジェンスへの投資不足、人工インテリジェンスとオープンソースインテリジェンスタスクの価値の不確実性、リスクと変化に対する文化的嫌悪感により、最も革新的なアナリストや部門が新しいテクノロジーをタスクに組み込むことができなくなる可能性があります。
デジタルリテラシー
アナリストは、人工知能と分析ツールを効果的に分析に使用し、人工知能から得られた洞察をデジタル技術にさらに精通していない政策顧客に説明するために、基本的なデジタルスキルを持っている必要があります。これらのスキルを開発するには、アナリストは専門的なトレーニングだけでなく、リーダーシップと管理のサポートも必要です。ただし、機関のリーダーは、デジタルスキルへの投資と、従来のインテリジェンステクノロジー、言語、その他の地域トレーニングとのバランスを取る必要があります。これは、インテリジェンス機関の分析機能にとっても重要です。
事務局の障害
AI投資には、実装と統合への長年の取り組み、制度的支援を得るための社会資本管理支出、およびリスクと時折の失敗に対するリーダーシップの受容が必要です。ただし、中堅および高レベルのマネージャーは、多くの場合2〜3年間しかポジションに留まりません。特に、タスクのリターンが不確実で失敗のリスクがある新しいテクノロジーに、すでにタイトな時間とリソースを費やすことをいとわない場合があります。彼らの諜報機関の指導者と監督機関は、この種の冒険的な言葉を思いとどまらせます。
タスク値
アナリストやマネージャーがテクノロジーからの明確で実質的な「ミッションのメリット」を認識していない場合でも、トレーニング、モチベーション、リーダーシップのサポートは、テクノロジー採用への熱意を刺激するのに十分ではない可能性があります。洞察と生産性のわずかな利点は、人工的なインテリジェンスと分析機能を取得するために必要な時間、費用、および機会のコストを正当化しない場合があります。アナリストには、ツールの価値を確認するにはあまりにも多くの技術ツールが提供される場合があります。特に、独自の分析ニーズを満たすように特別に設計およびカスタマイズされていないツールはそうです。従来のインテリジェンステクノロジーに自信と信頼を持っているアナリストは、適応できない新しいテクノロジーをあきらめ、採用しない可能性が高くなります。
非伝統的な方法への信頼
人工的なインテリジェンス機能を使用するには、分析の重要なソースとしてオープンソースインテリジェンスが必要であり、マシンから得られた結果を信頼する方法を学ぶ必要があります。新しいテクノロジーの採用の障害は、判断を構成する秘密のレポートに対する諜報機関の好み、診断データとしてのオープンソースインテリジェンスの疑い（この疑惑は、深い偽造と虚偽によってのみ増加します）、人工的なインテリジェンスのセキュリティに関する懸念です。ブラックボックスの手順ではなく、実績のあるインテリジェンステクノロジーを信頼してください。信号インテリジェンスまたは人間のインテリジェンスのソースの傍受が計画と意図を区別する唯一の方法である可能性があるため、秘密のレポートの好みは理解できるかもしれません。ただし、機密情報が収集および処理されるのを待っている間、タイムリーで実用的なオープンソースインテリジェンスの洞察を無視すると、アナリストは情報のニーズと意思決定者の意思決定サイクルに遅れをとることになります。
新技術時代におけるプロフェッショナルインテリジェンスアナリストの戦略的価値
明らかに、その利点と制限を比較検討する場合、人工知能、クラウドコンピューティング、高度な分析などの新しいテクノロジーは、主要な分析タスクを自動化し、アナリストにとってより戦略的な帯域幅を作成できます。しかし、テクノロジーは分析自体にどのような価値をもたらしますか？高レベルの分析は意思決定者の複雑な質問に答える必要があります（たとえば、同盟国と敵対勢力の間の対立の見通しは何ですか？X国での大規模な抗議は内戦）？これらの質問に答えるには、相互に関連する一連のサブ質問に答える必要があります。これらのサブ質問は、一貫した分析ストーリー、つまり、何が起こったのか、なぜ、その影響、その見通し、そして米国にとってどのようなメリットがあるのかということにリンクする必要があります。影響。では、新しいテクノロジーはどのようにしてこれらの問題の解決に役立つのでしょうか。
テクノロジーの直接的な価値は、大量のインテリジェンスとデータストリームをキャプチャ、整理、相関、および理解する方法の問題を解決する能力にあります。これらのデータは、アナリストの国、問題、または関心のある目標に関連しています。テクノロジーは、アナリストが影響を評価するのにも役立ちます。つまり、問題やアクターが戦闘環境に与える影響を検出して測定します。人工知能と関連技術の遅れがその理由に答えています。外国人俳優の原動力、意図、動機、そして彼らの行動を形作る歴史、背景、性格を理解することは、主に人類学の専門家の領域です。人工知能技術が進歩するにつれて、これらの推進要因を特定する能力がますます高まり、それによって問題の見通しを予測するのに役立つ可能性があります。しかし今のところ、インテリジェンスがアメリカの政策立案者に与える影響を説明することは、依然として人間のアナリストのユニークな利点です。
新たなテクノロジーは諜報機関の分析に計り知れない価値を提供しますが、今後数年間で別の疑問が生じます。諜報機関の分析は米国の政策にとってどれほど価値があるのでしょうか。諜報機関は依然として次のような多くの利点を享受します。インテリジェンスの収集については知っていますが、高品質のオープンソースインテリジェンス、地理空間インテリジェンス、商用チャネルから取得できる信号インテリジェンス、およびデータ分析の組み合わせにより、インテリジェンス分析の競争がさらに激しくなります。十分に訓練され、設備の整った組織であれば、現在のイベントのフルソース分析をより高速かつ低コストで実行でき、品質はインテリジェンス部門のアナリストと同等です。将来ますます一般的になるセンサーおよび継続的なセンシング情報環境では、ビジネスセクターのより速いテクノロジー採用率と優れたオープンソースインテリジェンス機能により、急速に変化するグローバルイベントの評価においてインテリジェンスセクターよりも有利になります。
インテリジェンスアナリストの競争上の優位性は、今後数年間で米国の政策立案者に脅威やイベントに関するインテリジェンスを提供することで減少する可能性があります。ただし、諜報機関の目標はオープンソースの諜報機関と区別することであるため、米国の政策に対するその価値は、CNNによるわずかに優れた時事分析からは得られません。インテリジェンス部門は、政策立案者との関連性を維持するためにタイムリーな分析を提供でき、提供する必要がありますが、インテリジェンス部門の強みは、経験豊富なアナリストの専門知識と、政策立案者だけに提供できる分析である必要があります。 、つまり、彼らは世界的な出来事の原因と見通し、そしてアメリカの利益と新たな脅威への影響について、ユニークで比類のない洞察を持っています。
もちろん、新しいテクノロジーは依然として非常に重要です。人工インテリジェンスとオープンソースインテリジェンスのスキルを習得したインテリジェンス部門のアナリストは、何が起こっているのかをすばやく理解し、秘密のインテリジェンスと歴史的背景を理解し、理由を理解し、世界的な脅威、将来のシナリオ、および米国の政策への影響に関する情報を提供できます。洞察。新たなテクノロジー、人類学の専門知識、インテリジェンステクノロジーの組み合わせにより、インテリジェンス部門のアナリストは、意思決定者が今後数年間に提起する可能性のあるさまざまなトリッキーな、通常はテクノロジー指向の質問に答えることができます。 ：
どれが新しいですか？
米国の競合他社が戦略的優位性を獲得するために型破りで間接的で秘密の方法をますます使用するようになるにつれて、アナリストは政治、民兵、情報、および経済の分野で新しく増加しているものを発見できなければなりません。灰色の領域」アクティビティ10。人工知能信号検出、パターン発見および視覚化ツール、ならびに敵の戦略、キャンペーン、および運用原則の専門知識を持つアナリストは、新しいアクションを発見し、戦闘環境で増加しているが意味のあるものを区別するのに最適な立場にあります変更により、米国の政策立案者に早期警告が提供され、戦略的な驚きのリスクが軽減されます。
どれが本当ですか？
外国の情報提供と影響力の活動が加速するにつれて（より速く、より大きく、より複雑になり、より現実的に見える）、米国の政策立案者は「現実の」を区別するのを助けるために諜報機関を必要とするでしょうそしてフィクション」。アナリストは、生成的対立ネットワークでの合成的で非現実的な深層詐欺の検出や、行動に影響を与える要因を測定するための感情分析など、人工的なインテリジェンス機能を備えている必要があります。基本的な技術スキルと国内の専門知識を備えたアナリストは、対戦相手の情報戦争戦略と潜在的な将来の行動を評価するのに非常に適しています。
将来何をしますか？
予想される戦略的インテリジェンスは、特定の脅威を予測することではなく、潜在的なイベントや敵対行為の可能性を考えて正しく評価することです。人工的なインテリジェンスベースのモデリング、戦争の推論、およびシナリオ分析は、アナリストが潜在的な行動方針を特定して発見し、敵の決定ポイントを予測し、確率は低いが米国の利益に大きな影響を与える前にあらゆる種類の状況を発見するのに役立ちます。符号。
現在および将来のインテリジェンスアナリストに力を与える
戦略的分析に革新的なテクノロジーを統合して利用する諜報機関の能力は、ますます複雑化する敵や競合他社に対する意思決定者の意思決定の利点を生み出し、維持するために重要です。分析上の利点を維持するために、インテリジェンス部門は、将来の分析タスクの構想、計画、および投資を同時に開始し、今日のインテリジェンステクノロジーに新しいテクノロジーを迅速に採用して吸収する必要があります。
現在および将来の分析ニーズを結び付けるのは、インテリジェンスアナリスト自身です。採用枠が限られていること、トレーニング時間が長いこと、人員の流動性が低いこと、保持率が高いことから、諜報部門のスタッフを新しいテクノロジーの才能に置き換えることは容易ではありません11。実際、中央情報局の元最高学習責任者であるジョセフ・ガーティンが主張したように、「未来の労働力はすでにここにあります」。2020年のアナリストは将来のリーダーやマネージャーになる可能性があります。人々にとって、彼らはまだ2030年までにアナリストになるでしょう。インテリジェンスのリーダーシップと重要な利害関係者（政策立案者、議会、技術および研究部門）は、これらのアナリストが今日繁栄し、将来の成功に向けて数字を立てられるように、技術とトレーニングを提供する必要があります。財団、制度上の利点および文化的規範。それで、私たちは今何をすべきですか？
オープンソースインテリジェンスを使用する
情報の提供と分析と判断の促進、およびビッグデータ時代の戦略的必要性の観点から、諜報機関はオープンソースインテリジェンスを従来のシークレットインテリジェンスとともに一種の基本インテリジェンスとして再定義する必要があります。さらに、オープンソースインテリジェンスは、シークレットインテリジェンス評価の重要な参照情報として使用できるだけでなく、分析タスクとしても使用できます。高品質のオープンソースインテリジェンス、商用地理空間インテリジェンス、およびシグナルインテリジェンスの組み合わせにより、すべてのソースからのインテリジェンス分析を非機密レベルで実行できるようになりました。インテリジェンスエージェンシーは、それを競争として扱うのではなく、「完成したオープンソースインテリジェンス」をインテリジェンスの範囲を拡大し、インテリジェンスを評価する可能性のある新しい顧客や利害関係者に影響を与える機会と見なす方がよいでしょう。国内の法執行機関、外国政府、技術と産業、および一般のアメリカ国民を含む、非機密手段を通じて得られた部門のインテリジェンス技術と洞察。
科学技術情報に注意を払う
外国の人工知能システムと科学技術の能力、計画、および意図に関する情報も、収集および分析される基本的な知能タスクと見なす必要があります。これは、将来の情報機関のタスクの計画とリソースに不可欠です。諜報機関は、新しい技術、特に人工知能、バイオテクノロジー、量子コンピューティング、およびそれらの外交政策、経済競争力、軍事、諜報活動への応用を理解し、予測できなければなりません。これを行うには、敵の技術的能力と応用、および外国の技術革新（特許、パートナーシップ、買収、拡張を含む）のソースに関する正式なオープンソースインテリジェンスを密かに収集する必要があります。アナリストは、外国の人工知能システムを理解するためのより技術的および戦術的な知識と、データを収集、検索、および取得するための独自の人工知能の機能と制限を必要としています。
統合技術
インテリジェンスアナリストは、データサイエンスと人工インテリジェンスである程度のデジタルインテリジェンスを開発する必要がありますが、データサイエンティスト、機械学習エンジニア、製品設計者などの実際の技術専門家と協力することで、人工インテリジェンス分析の本質を解き放つことができます。潜在的な。データサイエンティストを分析部門に組み込むことで、データサイエンティストが問題セットを理解および分析し、アナリストが関連する人工知能を理解し、モデルを共同で構築およびカスタマイズし、適切なツールを適切なデータセットに適用し、生成するのに役立ちます。意味のある結果を出す12。機械学習エンジニアと製品設計者は、アナリストのエンドユーザーに連絡して、アナリストの固有の要件に合わせてソフトウェア、ツール、およびインターフェイスを設計、構築、および調整する方法を理解する必要があります。
散発的な成果を広める
システム全体のテクノロジーを採用するためのデジタルインフラストラクチャと制度化されたインセンティブを作成する一方で、インテリジェンス部門のリーダーは、個々のスーパーバイザーとタスクセンターに、独自のミッションニーズに合った分析ツールを取得、テスト、採用することを許可する必要があります。特定の分析タスク、特にテロ対策などの実用的なインテリジェンスに焦点を当てたタスクは、人工インテリジェンス/機械学習の使用により適しています。しかし、インテリジェンス部門のリーダーは、テクノロジー変革ユニットの属性、規範、およびベストプラクティスを決定し、部門全体に創造的な方法を刺激するために学んだ教訓を広めるよう努める必要があります。
教育政策立案者
インテリジェンス分析の価値は、最終的には、ポリシーの顧客に対する製品の影響、および判断の解釈の品質、明快さ、透明性に対する顧客の信頼から生じます。インテリジェンスエージェンシーは人工インテリジェンスとデータ分析を製品に統合するため、アナリストはこれらのテクノロジーがどのように適用されるか、評価を形成する際の相対的な重み、およびそれらの影響を意思決定者に明確かつ説得力を持って説明できなければなりません。重要な判断の信頼レベルの影響。アナリストは、人工知能と分析アプリケーションの教育者になり、人工知能分析に基づいて重要なポリシーとアクションの決定を行う戦略的リーダーとの信頼関係を構築することを学ぶ必要があります。
分析と判断を充実させ促進するという観点から、そしてビッグデータの時代における戦略的必要性という観点から、諜報機関はオープンソースインテリジェンスを従来の秘密インテリジェンスと同じように基本インテリジェンスとして再定義する必要があります。
【1】UStechnologyとクラウドプロバイダー企業の調査インタビュー。
【2】米国のテクノロジーと分析会社の調査インタビュー。
【3】PaulR。DoughertyとH.James Wilson、Human + Machine：Reimagining Work in the Ageof AI（ケンブリッジ、マサチューセッツ州：ハーバードビジネスレビュープレス、2018年）、
【4】JosephGartin、「AI / ML環境におけるICのタレントマネジメントの問題について考える」、Elevated Debate、2020年7月8日、https：//elevateddebate.com/thinking-about-the-ics-talent-management-issuesin- an-ai-ml-environment /。
【5】議会調査局、人工知能および国家安全保障（ワシントンDC：CRS）。PatrickTucker、「CIAのテクニカルディレクターがAIに求めているもの」、Defense One、2017年9月6日、https：//www.defenseone.com/technology/2017/09/cia-technology-director-artificial-intelligence/140801/。
【6】「2つのニューラルネットワークが連携してトレーニングされます。1つは生成ネットワーク（偽造者）として設計され、もう1つは識別ネットワーク（偽造検出器）として設計されています。目的は、それぞれがトレーニングを行い、お互いをより良くすることであり、大きなラベルの付いたトレーニングデータの必要性を減らします。」人工知能に関する国家安全保障委員会、中間報告を参照してください。
【7】ODNI、AIMイニシアチブ; CRS、人工知能および国家安全保障; ErikLin-Greenberg、「Allies and Artificial Intelligence」、Texas National Security Review 3、no。2（2020年春）：56-76。
【8】USAIセキュリティソフトウェアおよび分析会社の調査インタビュー、CSISインテリジェンスおよびテクノロジータスクフォースによるインタビュー、2020年7月。
[9]上記と同じ。
【10】「グレイゾーン」における競争の詳細については、https：//www.csis.org/grayzoneのCSISグレイゾーンプロジェクトをご覧ください。
【11】ガーティン、「ICのタレントマネジメントの問題を考える」。
【12】米国のテクノロジーと分析会社の調査インタビュー。
1.埋め込まれた視点から、人工知能に対する「解釈可能性」の影響を分析します。
2. [MCU]登録、標準ライブラリ、HALライブラリ、LLライブラリ、非常に多くのライブラリ！どのように私に選ぶように頼みますか？
3. Linuxで組み込みプロジェクトを開発するには、いくつのステップがありますか？
4.プログラム自体はどのようにしてそのサイズを認識しますか？これは、鶏が卵を産むのか、卵が鶏を産むのかという問題です！
5.国内の統合開発環境は、国内のRISC-Vがチップ技術における外国の巨人の独占を打破するのに役立ちます
6.組み込み開発を行う場合、LCDディスプレイをどのように実現しますか？
免責事項：この記事はオンラインで複製されており、著作権は元の作者に帰属します。著作権の問題が発生した場合は、お問い合わせください。ご提供いただいた著作権証明書に基づいて著作権を確認し、作者の報酬を支払うか、コンテンツを削除します。