近年来，人工智能成为全球情报领域最重要的“颠覆性”技术，无论是科研学术还是军、警、安全都进行了大量的研究和讨论。当前，情报工作面临的任务形势严峻且多样化，情报数据量呈指数级别增加等，诸多数据治理方面的挑战，如何有效提取高价值情报是衡量情报工作能力及整体建设水平的重要衡量标准。
面对非传统的挑战，第三次人工智能浪潮为情报领域信息化建设带来了前所未有的机遇，特别是深度学习技术的兴起，以历史情报数据为逻辑起点，构建科学、系统的智能化数据情报处理架构，成为情报工作部门实现“观察、判断、决策、行动”高速循环以及深度情报态势融合感知的必然选择。
因此，研究探索人工智能融入情报体系的现状和发展，对未来正确运用人工智能、合理有效推动情报工作建设有重要的参考、借鉴价值。
一、当前情报领域面临的问题及挑战
根据国内外权威数据统计人类文明自从有记载以来，截止今日全球90%以上的数据都是在过去2年内产生的，预计年，全球数据总量将是年的10倍以上。对于数据爆炸式增长的现实情况，情报工作情报工作也面临着空前的挑战。
（一）数据量大、结构杂，情报源头缺乏标准化整合。
情报数据呈指数级爆炸式增长，根据《国家数据资源调查报告》显示，当前个人平均每天产生的数据总量超过8G，而且每年将以25%的速度持续增长，排名前三的分别是北京、上海、浙江。目前，情报数据来源多达数百种，种类更是达到上千类，已经全部突破PB级别数据量。面对海量情报数据，传统大数据分析、查询系统所产生的各类结构化、半结构化、非结构化情报数据，如果得不到智能化、自动化技术整合，将直接导致人力工作量激增，情报的鲜活性、准确指数降低，越来越难以保障实战对情报的支撑需求。
（二）情报要素多，提取难，情报数据无法转化为情报成果。
数据的真正价值在于以什么样的形态和多鲜活的速度展现。当前采用传统被动应对的情报处理策略已经很难适应国内外形势动态变化以及对任务的快速响应。这也是上一个问题导致的结果，在数据空前膨胀的环境下情报态势因各种内、外部环境等因素表现出极为复杂的特征，内在规律仅靠传统手段感知和简单统计分析难以捕提的，即时产出高效、高价值情报产品越发困难。
（三）关联挖掘难，效率低、深层挖掘主要依靠“人力精力”。
目前，普遍采用分布式大数据技术对采集的数据进行分类存储和计算应用，这种传统数据架构导致数据量巨大、种类繁多，而人力工作极限存在“天花板”。面对复杂任务时需要依靠传统人力在不同的数据库中查找，而后采取人工反复核验、比对关联及印证等工作，才能形成完整的情报产品。普遍情况下，大量的异构数据无法智能化的关联、挖掘、整合是浪费人力的最主要因素之一。庞大的情报数据量以及更快的更新速度，仅仅是收集工作量就已经相当庞大，后续的分析、整编难以高效完成。
二、探索AI赋能的智能化情报转型路线
面对空前的挑战，就必须采用“颠覆性”的技术和理念。情报需求最重要的就是“快、准、深”以及动态变化，情报人员的主要精力和时间应投入在认知和决策工作，重复、冗余、耗时的低层次工作应由机器处理。下一代智能化情报数据体系应基于业务场景，立足主动的情报态势感知，利用AI赋能技术，依托大数据+自然语言处理+知识图谱+深度学习等核心技术构架，对于海量的结构化、半结构化、非结构化数据以历史情报信息为逻辑起点，构建科学、系统的情报工作数据情报深度认知体系，突破传统人力工作极限的“天花板”，增强情报工作全局、全域情报态势感知、高速处理以及组织决策能力。
（一）大数据NLP文本分析、挖掘技术嵌入。
随着深度学习热潮的兴起，其研究与应用已经在自然语言处理领域成功地产生了诸多突破性的成果。各类结构化、非结构化等数据通过前沿算法，对情报工作历史积累及实时接入的海量文本数据或异构数据按照不同的业务使用场景，在开源或自主深度神经网络框架框架内，通过NLP深度学习神经网络算法及机器学习组合算法，实现情报工作大数据自动分类、语义相似度计算、文本摘要、自动校对、词典挖掘等功能的全面优化。
基于情报工作业务使用场景的大数据文本分析、挖掘技术，核心能力是通过网络结构自动获取数据的高维度特征，进而将海量数据自动转化为人类能够理解的低维表达能力，全面超越传统人力对数据进行抽取、分类、挖掘、关联等低级认知能力。
（二）基于情报工作业务使用场景的知识图谱技术构建。
知识图谱作为目前最为接近人类认知、记忆和联想特征的一种数据结构模型，以实体、属性、关系等方式将世界事物组织成图谱化的知识体系，以解决大数据环境下的数据有机存储管理、数据关联、价值发现等问题，使得计算机能在海量知识图谱基础上进行语义理解、关联挖掘、知识推理、智能推荐、意图补全等一系列智能化应用。因此，构建基于情报工作业务使用场景的知识图谱是解决情报工作数据－信息－成果－经验，全流程的智能化升级的最佳途径。
（三）NLP与知识图谱深度融合系统工程学探索。
智能化数据情报深度认知体系构建涉及软件、硬件、算法、框架等多个学科，属于相对复杂的系统工程。因此，体系构建要以情报工作历史数据及实时接入数据为基础，以情报工作情报实战需求为出发点，以前沿技术合理融合嵌入为主要方式，突破传统侦察思维局限，积极探索转型模式，不断积累转型经验。
智能数据情报深度认知体系要求能够利用网络爬虫、语义分析、知识图谱、深度学习等大数据人工智能技术，深度挖掘各类情报数据，充分调用资源，突破现有不同数据库结构瓶颈，构建一张具有领域特性多维多层的实体与实体、实体与事件、实体与关系等的图谱网络。
三、AI赋能情报智能化转型的“颠覆性”优势
年5月，美国国防情报局(DIA)启动机器辅助分析快速存储系统(MARS)计划，旨在为人工智能深度应用做好数据准备，辅助人类情报人员理解人工智能算法的内涵，增强“人一机”协同运作能力。因此，研究基于AI的智能情报技术，将会为未来情报工作产生深远影响:
一是提高对情报态势感知的深度认知。
基于对任务形势的全面了解，通过对海量数据的分析和理解，应用深度学习、数据探索、知识图谱、大数据等相关技术，进一步整合多个异构情报工作数据，揭示隐藏威胁任务的本质诱因，发现关联任务的态势相关信息，形成对任务特征的洞察，以及对内外因素的深刻理解。
二是增强对海量数据的深度价值挖掘。
单纯依靠传统的人工经验处理复杂繁琐的多源数据已经变得非常困难。因此，采用深度学习+大数据技术，以进行系统的、面向服务的、精确的和自动化的数据解释，可以帮助发现更高价值的数据，获得增值情报
三是极大提升情报工作情报工作整体效能。
人工智能和人工经验相结合，将更深层次的理解情报工作中的“人一机”交互机理。充分利用机器效能与人类认知的叠加组合优势，不仅能够极大减轻情报人员工作负担，使其更加专注于任务本身而不是低层次操作。
四是获得技术赋能的情报人员将释放更多任务价值。
很显然人类更善于接收图形化知识，可视化智能分析模型采用知识图谱算法，主要以图形的形式描述各种异构数据之间的关联，依托不同的图形分析方法，发现和揭示隐藏在数据中的公共元素，最终指出重要信息、时间演变和发展路线。
最后，基于AI的智能情报技术研究与应用，产生的影响远不止于节省人力、提高效率，实现采集、加工、生产的一体化情报自动化系统，全面提升情报工作的信息化、智能化水平，催生新质情报作战能力并前瞻性探索人工智能深度融合情报领域的远景。
转载请注明：http://www.0431gb208.com/sjsbszl/8821.html
