《支持人类决策的系统簇工程：AI-ML的角色》最新42页slides

• 商业和军事系统簇（SoS）的复杂性已发展到包含先进、多样和新兴技术的程度。

• 要对这些 SoS 及其相关行为进行工程设计，就需要为人类决策提供支持，而这种支持远远超出了人类的推理能力。

  • 人工智能和机器学习（AI/ML）可以帮助系统工程（SOSE）系统
    • 在操作中实现 SoS 能力的全部潜力（如速度、规模和准确性）

• 本文

  • 回顾复杂 SoS 的概念和相关的突发行为
  • 介绍AI/ML 的基本原理
  • 通过具体的商业和军事用例，介绍人工智能/ML 在 SoSE 中支持人类决策的作用

系统簇（SoS）定义：

• 系统集合，其中各组成系统必须：(i) 操作独立；(ii) 管理独立；(iii) 物理解耦，且地理分布合理。
• SoS 作为一个整体必须 (iv) 具有进化发展性；(v) 能产生突发行为。

系统簇工程（SoSE）

• 用于管理和指导企业的工程方法
• 将独立、不同的组织和实体聚集在一起，为它们提供一种与复杂系统问题和挑战相关的“压力”感，以及一套解决这些压力的流程。

自主适应（涌现行为的动态性质）：自修复的行动方案修订（SCOAR）

提供一种自主方法，用于在任务执行过程中生成和修改任务计划，有时也称为行动方案（COA）。

• 为了应对高科技对手的威胁，军事指挥官需要一个先进的系统簇（SoS）来协调陆、海、空、天和网络空间等多个战场领域的作战。
• 本用例解决的问题是，在任务执行过程中，尤其是在意外事件发生变化（如交战规则发生变化）时，提供一种自主生成和修订任务计划（有时称为行动方案 (COA)）的方法。

• 修改 COA 流程需要 7 个步骤：
  • 启动计划、分析任务、COA 生成（包括 COA 制定、COA 分析和 COA 比较）、COA 批准和制定 COA 计划命令
• 任务启动后，如果事件发生意外变化，则没有机会对 COA 进行调整
  • 交战规则 (RoE) 发生变化
• SCOAR 可对 COA 进行动态调整
  • 在任务执行过程中持续评估任务事件
  • 应用机器学习，动态调整当前执行的 COA。
    • 资产位置、维护和任务分配--主动监控
    • 如果主要资产出现损耗或无法完成目标，则下一个最佳资产会自动尝试取而代之
    • 如果没有可用资产，则将正在执行的 COA 活动换成能实现相同最终状态的不同 COA 中的活动

通过强化学习提高目标识别和检测能力 (ORDERLY)

基于人工智能/机器学习的系统，可自主筛选来自系统的大量传感器数据，并将这些原始数据转化为可操作的信息。

• 传感器观测和收集技术的进步带来的一个结果就是数据超载。

• 国防部门寻求一种解决方案，将大量的 ISR 数据转化为可操作的 ISR 信息，同时提高工作人员的能力。

• 此前，推出了 MiData（多因素信息分布式分析技术辅助工具）应用于本地/区域/全球联合目标识别（MAJOR），以满足这一需求。

  • 系统（SoS）自主筛选来自多种不同数据源的海量传感器数据集合，将原始数据转化为可操作的信息
  • 分析人员利用这些信息及时定位任意地理位置上的物体

• ORDERLY 提供了一种元算法，用于增强 MAJOR 算法的应用，以检测和分类感兴趣的对象。

  • 利用强化学习（RL）的产物，即 RL 在训练过程中产生的策略。
  • 该策略是可操作的

• 提供一种元算法，在操作中应用 RL 策略，以加强用于检测和分类感兴趣对象的算法的应用。

  • 运行过程：

    • 使用算法进行迭代分析，以检测感兴趣的对象并对其进行分类；从而将搜索范围缩小到最有可能的区域
    • 算法链，根据算法元数据串联最相关的算法
    • 通过分布式节点进行并行处理，以实现高效的数据分析

  • 训练过程：

    • 利用奖励信号的反馈和随机试错算法选择来训练系统，以制定策略

分布式人工智能聊天使能系统 (D2ACE)

通过强化学习和反压力进行分布式分类通信 (D2CRaB)

D2CRaB 提供了一种新方法，用于

• 弥合服务质量和路由协议之间的差距，重新路由流量，而不是丢弃数据包，以消除拥塞和相关问题
• 限制控制数据包泛洪漏洞，如性能和安全漏洞（如分布式拒绝服务 (DDoS)

在拥塞节点丢弃数据包后应用反向压力方案

• 提供高效的自适应控制系统，使资产分配决策能够动态适应不断变化的网络环境

应用强化学习 (RL) 策略，持续调整流量重定向的有效时间 (ET)

• 当 ET 到期时，数据包可恢复原来的路径

新的背压方案和强化学习 (RL) 策略可解决流量拥堵问题并保持高效通信