摘要：人工智能工具是执行由人类处理复杂任务的最先进方法，为提高人工的效率和有效性提供了可能性，非常适合应用于威胁评估。本文依据加拿大国防研究与发展部报告《人工智能在威胁评估中的应用》，介绍了人工智能组件和机器学习模型在空中威胁评估中的应用、人工智能工具与威胁评估环境的交互以及未来发展面临的挑战和发展趋势。关键词：加拿大，人工智能，机器学习，威胁评估，加拿大国防研究与发展部

随着现代战场中空中武器装备水平的不断提高，空中目标的威胁日益复杂，需要考虑的影响因素也越来越多，这也对空中目标威胁评估的方法提出了更高的要求。威胁评估属于多传感器信息融合的高层信息融合，是对敌方目标的威胁程度进一步量化和判断的过程。传统的空中目标威胁评估方法存在着过分依赖专家经验、需要大量的先验知识、目标属性权重不合理等问题。当前，目标威胁评估的主要解决思路是综合目标的多种因素以量化评估目标对我方的威胁等级，所采用的方法主要有：层次分析法、模糊综合评价法、多属性决策法和灰色关联法等。尽管这些方法都能够在威胁评估过程中，从不同的理论角度综合多个评估因素，给出威胁评估的量化结果，但这些方法缺乏一定的自学习能力，无法从复杂的态势威胁数据中学习和建立目标威胁评估模型，已经不能满足现代空战智能化发展的需求。此外，在传统的威胁评估中，操作员身体和认知负担极大。操作员不仅必须处理的大量不同来源和类型的信息，还要同时管理多个任务。这种高度的多任务处理和信息过载给威胁评估带来了认知复杂性和身体压力。

2021年5月，加拿大国防研究与发展部发布题为《人工智能在威胁评估中的应用》的报告。报告认为，人工智能工具（下称AI工具）是执行由人类处理复杂任务的最先进方法，为提高人工的效率和有效性提供了许多可能性，能帮助决策者更有效地做出关键和及时的决策。将机器学习运用其中，则可以让AI工具在没有人类教授或者面对不断变化的情境要求或敌人能力的情况下，从数据中学习。报告介绍了人工智能组件和机器学习模型在威胁评估中的应用、如何获取数据并应用至机器学习模型以及AI工具如何与更广泛的威胁评估环境进行交互。具体内容如下：

AI工具组件在威胁评估中的应用

报告提出，操作人员在进行威胁评估时面临认知和身体挑战，不利于其作出可靠决策，而AI工具运用最先进的机器学习方法，能有效减少操作员的认知和身体负荷。操作员将与工具进行交互、监测工具，根据工具输出的内容做出决策并将决策上报给相关人员。基于研究人员提出的决策支持系统(DSS)架构，AI工具组件包括以下5个部分：

1.操作员（Operator）：负责评估的ADO（Air defense officer，防空官），将确保提供给AI工具的信息尽可能准确，之后ADO将与AI工具交互以全面了解威胁情况并获得AI生成的威胁评估。

2.咨询能力（Advisory Capability）：负责与ADO以及各种传感器和数据库系统进行交互，涉及从雷达和其他传感器收集数据，以及解释从情报报告中获得的数据。此外，还负责保障ADO与电脑界面有效交互，更新界面可能涉及可以结合机器学习的动态过程。

3.领域知识（Domain Knowledge）：ADO的经验以及他们用来进行准确评估的任何规则。在空中威胁评估中，这可能包括常见的高度、异常飞行模式或敌军作战节奏的变化。

4.算法组（Algorithms）：负责目标数据的处理和威胁评估。这将包括处理轨迹数据以获得提示数据，并使用提示数据和领域知识来评估目标的威胁。评估算法包括基于规则的方法、贝叶斯方法等。

5.环境（Environment）：为AI工具提供操作限制和目标数据。具体而言，环境包括监测和测量目标的传感器系统、任务概述和来自上一级的指令。

图1 操作员、环境和人工智能工具的交互

机器学习范式在AI工具组件中的应用

威胁评估的复杂性和重要性使其成为一项不容易解决的任务，可以通过机器学习来学习和适应AI工具。有三种主要的机器学习范式应用于AI工具进行威胁评估：

1.监督学习

监督学习是通过让机器学习大量带有标签的样本数据，训练出一个模型，并使该模型可以根据输入得到相应输出的过程。在威胁评估中，监督学习会根据过往的目标示例以及相应威胁值的标签将威胁值分配给目标。监督学习可用于构建多标准决策方法集成（EMCDM），以根据当时的线索值推断目标在特定时间点的威胁值。EMCDM技术由各种多标准决策方法（MCDM）组成，其输出被组合成一个单一的威胁值。用于训练EMCDM的监督学习技术取决于集成技术的类型。在所有EMCDM培训中，示例集由标记的目标实例组成，其中一个数据源实例被定义为目标在某个时间点上的提示数据。

2.无监督学习

无监督学习是通过奖励智能体（即计算机程序）来创造自主智能，以便在不考虑特定任务的情况下去学习其观察到的数据。在威胁评估中，无监督学习可以从目标中提取各种信息作为评估的基础，还可用于分析提示数据，以深入了解底层结构和模式。例如，无监督学习的一种用法是降维，通过降低提示数据的维度，系统可以处理更紧凑和简洁的目标描述。实现降维的一种方法是执行主成分分析（PCA），主成分分析通过某种线性投影，将高维的数据映射到低维的空间中表示并期望在所投影的维度上数据的方差最大，以此使用较少的数据维度，同时保留住较多的原数点的特性。除了降维外，无监督学习的另一个用途是聚类。所有用于威胁评估的文本聚类需要无监督学习算法大量的工作。在不关注特定算法的情况下，聚类的一种用途是根据历史目标聚类感兴趣的目标，这样做的目的是发现感兴趣的目标是否与历史目标类似。如果有关于如何处理过去目标的知识，操作员可以在决定对当前目标采取何种行动时参考该知识。

3.强化学习

强化学习的主旨是通过学习策略以达成回报最大化。这种范式背后的共同动机是智能体和环境的交互。根据对环境的观察，智能体执行影响环境的动作。在响应时会生成新的观察结果，且智能体会收到奖励或惩罚。可以将威胁评估过程建模为强化学习问题。在操作期间,咨询能力可以使用强化学习来了解操作员希望如何显示信息，例如，如果强化学习模型有一个奖励处理速度的策略，它可以测量从ADO开始评估到ADO提交威胁评估所花费的时间，这将允许模型因采取行动缩短威胁评估过程而获得奖励，从而鼓励更有效的界面选择。

AI工具的结构与流程

人工智能工具的结构需要考虑多种因素。该工具将在流程管道中运行，从数据收集和准备开始，到模型训练，然后到模型预测，最后为用户显示结果。在AI工作流程中，可以更容易地将结构视为流程工作流。一旦AI工具经过训练，它就会不断返回到周期的第一阶段，并使用新数据和新洞察进行重新训练。这个过程使人工智能工具非常强大，可以随着时间的推移保持准确性和有效性。

人工智能工具开发的第一阶段是收集高质量数据。这些数据将存放在一个可供AI工具访问的一个或多个数据库。AI工具将首先被数据库中的现有数据训练，在生产时它会主动监控运行最新数据的数据库以便提供威胁评估。

除了收集数据，还必须确定最有效的机器学习或人工智能模型。模型的选择需要考虑可用数据的类型、数据的数量及其质量，最终用户访问也至关重要，要确保模型输出的格式化信息对其有用。一旦确定最准确的模型，该模型将被完全训练并在生产中使用。下一阶段是将模型部署到生产中。ADO获得了一个功能性AI工具，该工具可以连接到操作数据库并协助进行威胁评估，最终值输出到ADO将全部被处理和清理，最终格式将被确定。这个工具将根据所有ADO提交的威胁评估以及可用线索继续训练数据库，这使该工具能够与新出现的威胁和新情况保持同步。ADO还可以就AI工具提供的评估提供反馈，例如，如果AI工具评估为“高级”威胁，而ADO认为它应该是“中级”，ADO 可以反馈该工具作出的威胁评估等级太高，这一反馈将存储在数据中并用于在线训练，使AI工具从经验丰富的ADO身上不断学习，从而变得更聪明。

AI工具流程的最后阶段是将工具转移到精度维护。在这个阶段，需要对工具进行监控，以确保准确性不会下降。该工具也将在此阶段接收反馈并从ADO评估中学习。最后，人工智能工具的开发并没有停留在这个最后阶段；相反，它必须随着威胁的演变、环境和要求的变化以及可用的新的、更相关的数据而相应地更新和改进。

图2 AI工具中的模块及其交互

AI工具在空中威胁评估各阶段的应用

AI工具将能够应用至空中威胁评估的所有阶段。具体应用如下：

1.扫描并选择提示：AI工具将使用所有可用的线索。该信息将通过各种传感器从环境中收集，然后通过通常的方式报告情报报告或传感器读数。这些数据将被编译到可供AI工具访问的数据库中以从中学习和预测。

2.比较、调整拟合和适应：AI工具将使用数据库中可用的线索。该数据可以与ADO专业知识的感知数据进行比较，例如检查预期的海拔高度是否与实际数据一致。如果数据与预期不一致，AI工具将与历史示例比较以解释差异。如果数据无法匹配，那模型的拟合可能需要调整，AI工具可以选择将飞机分为不同类型（即军用、民用）来处理。

3.计算威胁等级：AI工具将使用可用的线索，或者是一个能增强其预测的子集来预测目标的威胁等级。有研究显示，威胁等级与检查的线索数量无关。

4.继续处理：如果所有线索数据都能被充分解释，那AI工具将结束分析，如果不能，AI工具将继续搜索和处理新线索。这个过程将持续至模型基于解释的输出获得ADO的认可，或所有可用的线索均被处理以及模型的拟合已尽可能地调整。

AI工具面临的挑战及未来发展趋势

AI工具是可用于空中目标威胁评估的智能决策支持系统（DSS）。然而，操作员对系统用于生成威胁评估结果模型的透明度存在质疑，也很难对没有提供理由和解释的机器辅助预测有信心。为此，已有许多在计算和标准加权方面具有透明度的DSS方法，然而这种透明性可能会导致工具缺乏复杂性和表现力。与之相反，机器学习工具可以同时基于所有数据点之间的深度关联做出假设，人类可能很难实现，但其增加的复杂性往往会降低工具的透明度和可解释性。此外，在现实情况下威胁评估变量通常包括决策过程所有层面的不确定性，其中最大的影响就是未获取的数据，数据缺失会导致难以做出明智的决定，对此可以基于每种可能的信息缺失状态训练不同的模型，且将它们关联回一个完整的状态。

未来的AI工具可能会将旧的基于模型或自上而下的方法与新的数据驱动的自下而上的方法结合起来。这类系统允许人工智能工具拥有一个由成百上千专家衍生规则以及数百万条特定领域知识（如历史传感器数据）组成的知识库。另一种可以结合领域专业知识和数据驱动学习的人工智能系统是回归树。围绕回归树构建用于空中威胁评估的AI工具将是一个不错的选择。回归树的另一个好处是其输出对人类操作员来说是可解释的，其选择也是可解释的。整个模型基于一系列决策或规则，这些决策或规则可以在操作员界面中作为理由提供。