【资料】情报分析的未来
DTTL（也称为“德勤全球”），世界四大会计师事务所之一。德勤成员机构网络已遍及全球超过150个国家和地区，拥有约345000 名专业人士 ，为客户提供包括审计及鉴证、管理咨询、风险咨询、财务咨询、税务与商务咨询等在内的全方位的专业服务。
今天给大家推送的是德勤公司的研究报告《情报分析的未来》。
人工智能将如何影响情报分析，特别是情报界的工作人员？了解组织可以做些什么来最有效地集成人工智能并发挥人类和机器的优势。
未来已经到来
在过去十年中，人工智能 (AI) 已从近乎科幻小说发展为广泛的商业应用中的普遍现实。在情报分析中，人工智能已经被部署来标记图像并整理大量数据，帮助人类在噪音中看到信号。但情报界 (IC) 现在对 AI 所做的只是对即将发生的事情的一瞥。这些早期应用表明未来智能部署的人工智能将增强分析师从信息中提取价值的能力。
人工智能的采用不仅受到计算能力的提高和新算法的推动，而且还受到现在可用数据的爆炸式增长。到 2020 年，世界经济论坛预计数字数据的字节数将是可观测宇宙中恒星数量的 40 倍。对于情报分析员来说，数据的激增意味着信息过载。人类分析师根本无法处理这么多数据。他们需要帮助。
情报领导者知道人工智能可以帮助应对这种数据泛滥，但他们也可能想知道人工智能将对他们的工作和劳动力产生什么影响。根据对私营部门公司的调查，在引入人工智能和了解其影响之间存在很大差距。近 20% 的员工报告称，由于实施人工智能，他们的角色、任务或工作方式发生了变化，但近 50% 的公司尚未衡量员工如何受到人工智能实施的影响。本文开始解决这些问题，从任务层面探讨人工智能如何改变情报分析师的工作。它还将为寻求加快采用率并从试点转向全面的组织提供想法。人工智能已经在这里；让我们看看它将如何塑造情报分析的未来。
无人机系统、遥感器、先进侦察机、互联网、计算机和其他系统等技术已经使收集过程变得更加强大，以至于分析人员通常拥有比他们处理能力更多的数据。使事情复杂化的是，收集的数据通常驻留在不同的系统中并来自不同的媒介，这需要分析师花时间拼凑相关信息或融合数据，然后才能开始进行更深入的分析。
访问更多数据应该是一件好事。但是，如果没有融合和处理它的能力，数据可能会使分析师淹没在大量不连贯的信息中。国家地理空间情报局局长表示，如果趋势保持不变，情报机构可能很快就需要超过 800 万个图像分析师，这是所有政府中拥有绝密许可的总人数的五倍多。在现代数字化时代，战争的成功取决于一个国家比对手更快、更准确地分析信息的能力，数据不能未经分析。但考虑到人类操作的速度，根本没有足够的时间来理解所有数据并执行其他必要的智能周期任务。
人工智能可以提供急需的支持。情报机构已经在利用人工智能的力量对大量数据进行分类，以提取关键的“已知信息”进行进一步分析。例如，机构已经使用人工智能自动识别和标记车辆模式，以识别 SA-21 地对空导弹电池或筛选数百万笔金融交易，以识别与非法武器走私一致的模式。同样，联合人工智能中心（the Department of Defense’s focal point for AI）已经在努力开发“作战情报融合、联合全域指挥和控制、加速传感器到射手时间线、自主和蜂群系统、目标开发和运营中心工作流程。”
我们的分析表明，以这些能力运行的人工智能可以节省分析师的时间并提高产出。虽然确切的时间节省取决于所执行的工作类型，但拥有人工智能系统支持的全源分析师每年可以节省多达 364 小时或超过 45 个工作日。这些节省可以让分析师腾出更多时间来处理更高优先级的任务或通过额外的培训等活动来培养技能。
人工智能的真正价值
然而，人工智能的好处远不止节省时间。毕竟，情报工作永无止境；总是有另一个问题需要关注。因此，使用 AI 节省时间不会减少劳动力或削减情报预算。相反，人工智能的更大价值来自于所谓的“自动化红利”：在这些技术减轻他们的工作量之后，分析师可以更好地利用他们的时间。
事实上，从银行到物流等行业的研究表明，自动化的最大好处来自于人类工人使用技术“提升价值链”。换句话说，他们花更多时间执行对组织和/或客户有更大好处的任务。例如，当自动化将供应链工人从测量库存或填写订单等任务中解放出来时，他们可以重新分配时间，通过将特定客户需求与供应商能力相匹配来创造新价值。对于情报分析，利用人工智能从杂乱的数据中立即提取难以发现的指示和预警 (I&W) 线索，可以让人类分析师进行更高价值的工作，确定给定的 I&W 线索是否代表有效威胁。
有两种主要方法可以通过额外的时间创造附加价值：分析师可以将更多时间花在他们已经完成的更高价值的任务上，或者他们可以添加新的高价值任务。
做更多：人类专注于人工任务
然而，在实现这些好处之前，情报机构必须确定哪些是价值最高的任务，因此最适合人类工作者执行。首先，让我们将人类与计算机或其他机器进行比较。
关键在于理解专业智能和一般智能之间的区别。即使是一个简单的袖珍计算器也可以在某些任务上胜过最好的数学高手。但是，虽然算术既快速又准确，但算术是袖珍计算器可以执行的唯一任务。它有一个非常狭隘的、专门化的智能。另一方面，人类在一般智能方面往往胜过最先进的计算机。正如麻省理工学院教授 Thomas Malone 解释的那样：“即使是 5 岁的孩子，其一般智力也比当今最先进的计算机程序还要高。与当今任何计算机程序相比，孩子可以就更广泛的主题进行更明智的对话，并在不可预测的物理环境中更有效地运作。”
因此，虽然机器在处理大量数据或以极高的精度工作方面优于人类，但人类更擅长于随环境发生巨大变化的任务或涉及高水平人际互动的任务。联合起来，人类工作者和人工智能工具可以发挥各自的优势；人工智能处理大量数据，人类处理高度可变的任务。在情报组织内部，人类分析师可以通过将许多与数据繁重的处理和开发相关的任务卸载到机器上来提升价值链。然后，他们可以将更多自己的精力投入到分析、计划和指导任务中，这些任务通常需要更多的创造力、沟通以及与同事和决策者的协作。
我们的模型对情报分析师做出了类似的预测。随着 AI 承担数据清理、标记或模式识别等任务，所有源分析师都可以将更多时间花在上下文敏感或独特的人工任务上。因此，未来的分析师可能会花更多时间与他人合作——比现在多 58%。
如何在整个情报周期中发挥更大的协作作用？例如，在传播阶段，分析师向决策者提供信息，与他们合作，以便他们做出最佳决策。如果人工智能可以承担收集资源、创建图形甚至起草报告的大部分准备工作，那么人类分析师就可以专注于决策者的需求和情况的影响。在这种情况下，分析师只需向 AI 提供即将发布的简报或成品的主题。从那里，人工智能可以自动生成相关报告列表以供阅读、预选地图或图像、标记相关功能以进行简报，甚至编写背景事件的简短摘要。
新闻业已经发生了类似的转变。人工智能被用于自动生成简单的新闻故事。在第一年，《华盛顿邮报》的机器人发布了 850 篇文章，内容涵盖从奥运会到选举的各个方面。通过自动化编写公司收益报告等注重细节的任务，美联社发现使用机器人可以将记者的工作量减少 20%，使他们能够专注于减少错误和发现更大的趋势。因此，即使产量增加，企业盈利报道中的错误也更少。英特尔分析师可以从类似的安排中受益：人工智能可以生成常规情报摘要或每日报告，使分析师能够专注于将这些报告综合成更大的趋势或根据特定决策者的偏好定制报告。
做一些新的事情：探索可能性
正如我们所经历的那样，新技术可以带来新的任务。因此，人工智能很可能还会引入全新的任务供工人处理。以采用其他先进技术为指导，我们预计许多新任务可能属于以下三类之一：
提供新模型。情报从根本上说是关于使用信息来减少国家领导人的不确定性。现代决策的快速发展是领导者面临的最大挑战之一。人工智能可以通过帮助提供新方法来更快、更有效地向决策者提供信息来增加价值。一个这样的想法是转向实时决策支持。过去，复杂的对手行为模型需要几个月的时间来创建和更新，从而导致正式情报产品的周期很长。今天，使用人工智能和大数据，分析可以更快地进行，通常只是实时不足。这种情况现在正在赛车中发生，一级方程式赛车队根据成千上万的数据点调整策略模型，因为汽车在赛道上比赛。天气的突然变化或竞争对手的意外进站可能会在几秒钟内触发团队计划的变化。以一级方程式赛车为例，具有人工智能模型的情报分析师可以快速模拟甚至复杂的场景，能够在决策者提出问题时回答他们的问题，而不是等待最终的英特尔产品。我们的模型表明，在大规模采用人工智能后，分析师可以多花 39% 的时间以这种方式为决策者提供建议。
不断进步的分析师。积极主动且信息灵通的员工队伍是更有生产力的员工队伍。提高员工幸福感或绩效的任务可能会为任何组织创造重要的新价值。在情报方面，为了发挥最佳表现，分析师需要学习和成长的机会。他们需要跟上全球的新技术、新服务和新动态——不仅是在年度培训课程中，而且要持续不断。通过根据分析师在日常工作中阅读或写作的内容推荐课件，人工智能可以帮助将持续学习尽可能地扩大到最大范围。对于研究中国第五代战斗机发展的分析师，AI 可以建议他或她完成关于量子雷达的短期培训或阅读中国航空史。AI 还可以建议分析师何时需要休息或更改任务以保持新鲜感。
发展技术本身。从蒸汽机到计算机，新技术需要维护，人工智能可能也不例外。在情报工作等高风险情况下有效使用 AI 的一项重大挑战是对 AI 模型的输出有信心。除了跟进 AI 生成的潜在客户之外，组织可能还需要维护 AI 工具并验证其输出，以便分析师在使用它们时有信心。在医学领域，人工智能开始应用于 MRI 图像等诊断工具，根据已知基准验证人工智能模型的输出正成为医院工作人员的一项常见新任务。在设计 AI 工具或选择训练数据时，可以执行大部分验证。但是，虽然癌症并没有试图否认或欺骗医生，但外国演员可能会试图使用对抗性的例子来欺骗人工智能中使用的人工智能。这意味着验证需要成为一项持续的任务，不仅对分析师而且对 IT 人员也是如此。
避免陷阱
人工智能可能需要新任务来确保其正常运行，这一事实确实凸显了一个潜在的危险：人工智能消耗的时间可能比它给分析师的时间要多。鉴于人工智能带来了如此多的变化，大规模采用人工智能的组织将遇到一定程度的摩擦。如果不给员工、业务流程和现有工具带来压力，您根本无法更改 20% 员工的任务或增加数周的新任务。想要从人工智能中获得最大收益的情报组织需要认识到这些缺陷并找到减轻它们的方法。
新技术作为时间沉淀器
也许最重要的陷阱是，人工智能最终可能会垄断分析师的时间，而不是创造新的价值。这种情况以前就出现过，例如医疗保健行业实施电子健康记录 (EHR)。虽然 EHR 承诺减少医疗保健专业人员的工作量，但最近的研究表明，EHR 实际上增加了医生记录患者就诊所需的时间。使用 EHR 的医生在就诊期间花费更多时间打字，这减少了他们与患者面对面的时间。总体而言，这种互动的下降在患者和医生中引发了负面看法。
不过有趣的是，EHR 示例可以帮助情报机构避免这种陷阱。虽然医生在 EHR 中记录的时间比纸质笔记要多，但护士和文职人员实际上在他们的任务中节省了大量时间。所以 EHR 导致医生花费更多时间并不一定是技术的失败；相反，它反映了本组织的战略重点，基本上将一些计费和文书工作量从工作人员转移到了医生身上。如果我们对结果不满意，那不是技术的错。相反，它反映了重新评估导致它的业务和技术战略的需要。
如果情报组织要避免大规模采用人工智能时出现类似问题，他们必须清楚自己的优先事项以及人工智能如何融入其整体战略。一个专注于提高生产力的组织将追求与寻求提高分析判断准确性的人工智能工具截然不同的人工智能工具。人工智能并不是所有问题的解决方案，对其价值有清晰的认识有助于确保将其应用于正确的问题。明确 AI 工具的目标还可以帮助领导者向员工传达他们对 AI 的愿景，并减轻对工具将如何使用的不信任感或不确定感。
其次，情报机构应避免投资于“空洞的技术”——使用 AI 却无法获得成功所需的数据。人工智能有点像面粉厂：没有谷物来喂养它，它不会产生太多价值。如果缺乏有效的训练数据或足够的输入数据，即使是最先进的人工智能工具也将发挥有限的作用。如果没有正确的数据，人工智能工具仍然会在分析师尝试使用它们时消耗时间，但它们的输出效用有限。结果将是沮丧的分析师，他们认为人工智能是在浪费他们有限的时间。
分析师的不信任
分析师的看法对于成功大规模采用人工智能至关重要。调查结果表明，与技术人员、管理层或高管相比，分析师对人工智能最怀疑。如上所示，如果员工看不到工具的价值，就不太可能使用它。
为了克服这种怀疑并充分利用人工智能，管理层将需要专注于对员工进行培训并重新配置业务流程，以将工具无缝集成到工作流程中。如果没有这些步骤，人工智能可能只是代价高昂的事后考虑。例如，一个联邦机构实施了一项人工智能试点，为其调查人员提供跟踪线索。然而，调查人员也在同时产生他们自己的线索。由于跟进时间有限，调查人员自然会优先考虑他们自己提出的线索，很少使用人工智能产生的线索。
克服分析师对给定人工智能工具的最初疑虑归结为在分析师和工具之间建立信任。因为即使有权势的人可能不同意，他们也必须支持他们的评估，分析师怀有一种可以理解的不愿相信他们无法解释和辩护的事情。例如，拥有一个允许分析师轻松扫描支持模拟结果的数据或查看模型如何得出结论的表示的界面，将大大有助于分析师将该技术作为其一部分他或她的工作流程。这将允许获得更可靠、更可信的数据，并将产生更可靠的分析结果呈现给作战人员和决策者。
虽然拥有对人工智能输出缺乏信心的劳动力可能是一个问题，但相反的情况也可能成为一个关键挑战。几十年来，情报领导者已经意识到这样一种现象，即在分析师的判断中添加数据会增加分析师的信心，即他们是正确的，但实际上并没有提高工作的整体准确性。换句话说，更多的数据影响了分析师的确认偏见——他们使用新证据来支持他们先入为主的结论，而不是帮助创建更准确的分析。
位于该观察核心的心理学实验是使用两到五倍的额外数据完成的。人工智能将使分析师可以获得更多数量级的数据，这可能会加剧分析师的确认偏差。例如，在金融服务行业，早期经验表明，人工智能可以为分析师提供大约 30 倍于当今可用数据量的数据。人类认知将如何应对如此空前的数据量简直是未知数。由于信息过载，分析师可能对 AI 判断失去信心。或者，相反，有这么多数据可供他们使用，分析师可能会变得过于自信，暗中信任人工智能。后者可能特别危险：许多航空事故表明，人类对自动化的信任与人类对其的理解和监督之间的不匹配可能导致悲剧。
相反，人工智能实际上可以帮助分析师对抗确认偏差和其他人类认知限制。例如，人工智能可以被赋予帮助检查评估的有效性的任务，而这些评估是人类难以找到时间或难以手动完成的。机器将非常擅长持续进行关键假设检查、竞争假设分析和信息质量检查。高级分析经理还可以利用人工智能提醒他们注意证据与其团队评估之间的不匹配，让他们有机会指导分析线审查并将注意力集中在问题领域。
最后，人工智能可能对分析师的认知偏见产生的影响是未知的。领导者需要密切关注分析师的担忧，评估业务流程设计，并持续监控 AI 性能，以帮助防止任何潜在的陷阱。
AI技术：今天如何开始
当人工智能像电气化一样嵌入到组织运营和战略的各个方面时，人工智能的最大好处将得以实现。对于人工智能可以大规模带来的所有改变游戏规则的好处，或者是动摇组织的陷阱，立即开始的步骤可能令人惊讶地熟悉。
在整个政府机构或组织中，大规模成功采用需要领导者协调战略、组织文化和业务流程。如果这些努力中的任何一个出现偏差，人工智能工具可能会被拒绝或无法创造所需的价值。领导者需要提前了解他们的 AI 项目目标，确保这些目标支持整体战略，并将指导传递给技术设计人员和管理人员，以确保将其纳入工具和业务流程。
建立明确的人工智能战略还可以帮助组织应用人工智能来解决从面向任务到后台的各种问题。这样的策略可以制定有关为组织访问正确的 AI 工具所需的基础设施和合作伙伴的决策。借助 83% 的企业 AI 在云中，组织可以更轻松地在内部开发 AI 工具、从外部供应商处购买，甚至可以找到已经在云中其他地方使用的现有解决方案。
在部门或团队级别，第一步从战略调整转变为分析师采用。解决分析师团队面临的一些重大非分析挑战可能是将人工智能介绍给分析师并建立他们对人工智能的信心的一种很好的方式。今天，分析师被各种各样的任务所淹没，每项任务都需要不同的技能、背景知识以及与决策者沟通的能力。对于任何经理来说，将这些任务分配给一个分析师团队而不会使任何个人超负荷或延迟关键产品可能会令人生畏。人工智能可以帮助将合适的分析师与正确的任务配对，以便分析师可以更频繁地发挥自己的优势，让工作比以前更好、更快地完成。
同样，人工智能可以帮助管理人员评估绩效并筛选求职者在特定技能方面的能力，甚至可以识别全能明星，就像特种作战司令部正在与海军陆战队求职者一起探索一样。人工智能的这些非分析用途的好处是，当分析师看到人工智能在他们的工作中帮助他们，而不是与他们竞争时，他们可能会因为人工智能进入更多的分析任务而变得更加自在。
人工智能不会进入情报工作；它已经在这里了。但是，人工智能在 IC 中的长期成功取决于员工如何准备好接受和使用它，就像让它发挥作用的任何 1 和 0 一样。