《数据赋能作战决策》

美国陆军志在利用和处理数据以推动决策的能力方面超过对手。决策为导向，将更有能力确定正确的数据，无论是数量还是质量。即，需要做出的决策应该用来确定作战人员的数据需求，而不是相反。数据专业人员是陆军的财富，应该得到一切可以利用的机会来了解梯队的能力、限制和挑战。如果数据专业人员以前没有军事经验，这就变得特别重要。

虽然之前的军事经验并不是数据专业人员提供数据科学相关专业知识的先决条件，但如果数据专业人员能够获得对多个梯队军事决策过程的理解，他们将变得更有优势。如果数据专业人员只能通过作战部队以外的概念和论坛来了解他们对作战人员的贡献，他们可能会发现很难在战术和作战梯队中整合反馈和建议。经验性的机会提供了对作战人员在行动中使用数据/信息/知识的洞察力。

同步多域作战（MDO）将需要采集大量有关作战环境的数据。梯队的数据管理和访问权限所面临的独特挑战，很可能决定了多域作战在哪级梯队融合。如果由于行动或任务变化，重要的数据处理和利用能力在梯队中不可能或无法获得，那么实现融合的能力或使用来自多个领域的能力，将从更高梯队获得，能够处理同步MDO所需数据。

由于对现有记录程序（PORs）存在限制，人们越来越依赖商业现成（COTS）解决方案来满足数据管理和可视化需求。这些COTS解决方案给美国陆军部队和统一作战伙伴（UAPs）带来了内部和互操作性挑战，因为它们不可避免地导致在数据标准、交换机制和由于成本原因采纳特定COTS方面，存在管理挑战。在满足作战人员对数据管理和可视化的作战需求方面，PORs的局限性需要被记录下来并加以协调。

如果没有一个协调的学习、战略和训练运动，那么将数据视为“数量大于质量”的风险就会很高。在对陆军的数据文化进行有意义的改变之前，陆军必须首先了解为什么这些改变是必要的。可以说，陆军一直在运用数据科学和数据分析；指挥官和参谋部一直在接收数据，将其加工成信息，将信息分析成知识，并运用判断力将其转化为见解。数据分析有巨大的潜力，可以优化历史上漫长的手工过程，在时间上获得效率。然而，对于AI/ML解决方案提供和处理大量数据的能力和限制，必须有共同的理解。虽然进行分析的人类也有可能在判断上出错，但围绕着依赖AI/ML解决方案来实现决策，存在着道德上的担忧。可能总是需要一个人在环路（HITL）来验证AI/ML解决方案的输出，但HITL评估和分析现有数据和信息的能力，不能因为对技术的依赖而减弱或忽视。如果人员不继续参与验证和核实数据分析的持续过程，那人员进行分析和评估的能力将迅速减弱。数据分析的发展决不能成为损害指挥官决策能力的同义词；AI/ML解决方案不能被误解为具有权威性，或替代指挥官运用战争艺术和科学的能力。