京公网安备 11010802034615号
经营许可证编号:京B2-20210330
美军把大数据分析引入作战(1)_数据分析师
信息技术带给现实世界的最大变化之一就是万物皆可数据化,这使人们更加坚信“世界的本质是数据”“数据将会改变世界”,大数据标志着信息社会终于名副其实。大数据时代的到来会深刻地改变整个世界,也会改变人类的思维方式,同样也会改变战争。
机器人、自治系统、小型化、大数据和三维技术将是未来海上作战重点发展领域。美国海军既注重与传统的武器制造商如洛克希德·马丁公司紧密合作,同时也在寻求与谷歌等商业公司的合作,以提高未来海上作战的能力。近年来,美国海军与洛克希德·马丁公司、高校以及谷歌和IBM等IT企业合作,从而引领海军技术进入大数据时代。大数据来源众多,以惊人的速度、数量和种类发展,这就使得使用现有技术分析非常困难,特别是借助iPhone等现代触屏科技产品将产生新的大量数据,并可智能操控、无人操控。美国军方一些高级研发人员表示,他们尤其对海军舰艇的控制台感到不满,对于平均年龄18岁,在成长过程中一直伴随着iPhone和iPad等现代触屏科技产品的水兵而言,这些控制台的操作并不直观。他们建议,海军习惯于对那些从小就学会使用iPhone的新兵说“忘了iPhone吧,我要教你如何使用操纵杆”,试图用新兵所熟悉的现代科技(包括大数据、云计算等)来取代操纵杆式的陈规旧习。长期以来,美国海军舰载传感器、飞机和其他平台产生大量的数据,但是这些数据没有被有效地利用,需要大量的人力。美国海军通过整合这些类型的信息支持战术作战的能力非常有限。美国海军研究局(ONR)称,目前,机载、舰载和其他部署的系统产生了大量数据,想要在作战环境中利用全部数据已经变得很困难。
战场数据集成是大数据技术军事领域运用的关键,随着云计算、通信、媒体和移动计算的快速发展和深入应用,战场的数据量还将快速增长。大数据时代最大的亮点就是人和社会的计算,越来越多的问题都将通过计算得到解决。大数据是指人类有前所未有的能力来使用海量的数据,在其中发现新知识、创新新价值,从而为社会带来“大知识”“大科技”“大变革”和“大智能”等发展机遇。大数据时代通常具有四大特征:一是数据量大,数据量级已从TB发展至PB乃至ZB,可称海量、巨量乃至超量。二是多样化,数据类型繁多,多为网页、图片、视频、图像与位置等半结构化和非结构化数据信息。数据品类将极其混杂,关联度一般极低,而且在相当长的时期内非结构化数据会占据大数据的主体。三是处理快速化,数据流往往为高速实时数据流,而且往往需要快速、持续的实时处理;处理工具亦在快速演进,软件工程及人工智能等均可能介入。四是价值高和密度低,大数据往往意味着极高的价值,但同其体量一样,正是因为极小价值的海量汇合,才形成了大数据的高价值。现在随着各项创新技术的汇集,大数据展现出了大量的新机会,特别是军事领域的运用。这些趋势决定着最重要的战场需要,可视化战场要求军队数据处理高速化、精准化以保持战斗力,武器装备信息整合要求在数据合并后能成功地集成。
美国奥巴马政府在获得连任后不久就宣布投资2亿美元拉动大数据相关产业的发展,将“大数据战略”上升为国家意志。美国政府和军方都明确表示,国家拥有数据的规模、活性及解释和运用将成为综合国力的重要组成部分,对数据的占有和控制甚至将成为海权、空权、陆权之外的另一种核心资产。因此,未来战争与其说是石油战争不如说是大数据战争。美国海军通过采用突破性的分析工具建立海军大数据生态系统来解决此问题。美国海军希望寻求利用大数据增强作战能力的方法,通过整合IT系统数据和作战系统传感器获得实时结果,利用云计算和大数据技术发展作战工具。例如,允许指挥官在船上查看仪表盘,能够实时跟踪任务中发生的一切,掌握预期的变化情况,并推测可能的结果。
目前,美国海军主要集中在两个领域即反潜作战和一体化防空反导系统,来提升大数据对作战的效果和能力,寻求增强威胁评估预警、作战识别、一体化作战和任务计划以及执行能力。美国海军主要在以下四个方面开展研究:建立海军数据科学通用的基础体系架构,用于不同机构间数据表征和共享;引入数据源并建立索引,通过海军的云环境利用大量的数据集合;进行海军作战分析,开发先进的分析工具支持作战,特别是反潜作战和防空反导作战;利用云计算的安全性和完整性,增强海军防御能力。
数据分析咨询请扫描二维码
若不方便扫码,搜微信号:CDAshujufenxi
在描述性统计分析、数据预处理、异常值排查与多组数据分布对比工作中,箱线图(Box Plot)是应用最广泛的可视化与统计工具之一。 ...
2026-07-15在企业数据存储、业务统计与数据分析工作中,绝大多数业务数据都带有时间维度属性,例如订单创建时间、用户注册时间、支付完成时 ...
2026-07-15 很多数据分析师拿到数据就开始清洗、建模,但当被问到“这批数据属于什么类型——结构化还是非结构化?分类变量还是数值变量 ...
2026-07-15【核心关键词】产品、经营、客户、调研、销售额、宏观、会计行业、客户满意度、发展趋势、经营状况、数据分析、竞争对手、数据 ...
2026-07-14问卷调查是市场调研、用户研究、社会调研与产品分析的核心数据采集方式。问卷数据大多以分类数据为主,例如用户性别、年龄分层、 ...
2026-07-14 很多数据分析师画过趋势图、做过业绩预测,但当被问到“这个月销售额增长20%,到底是长期趋势自然增长,还是促销活动的短期 ...
2026-07-14在数据分析、业务效果验证、AB实验扩展、行业对比等场景中,我们经常需要对比三组及以上样本的均值差异,例如不同区域的客单价对 ...
2026-07-13在互联网产品运营、用户生命周期管理与商业化数据分析中,留存指标是判断产品价值、用户满意度与商业模式健康度的核心基准。常规 ...
2026-07-13 很多数据分析师做过按月份的销售额趋势图,画过按天的流量折线图,但当被问到“时间序列和普通数据有什么本质区别”“季节性 ...
2026-07-13【核心关键词】统计学、互联网、知识、课程、学生、数学、软件、招聘、数据分析、实习经历、机器学习、理论基础、业务思维、统 ...
2026-07-10在互联网运营、产品设计、市场营销与商业数据分析领域,所有转化、成交、复购行为的底层逻辑,都依托于用户决策流程。用户从产生 ...
2026-07-10 很多数据分析师能熟练地计算指标、搭建标签体系,但当被问到“画像到底在解决什么问题”“画像和标签是什么关系”“画像如何 ...
2026-07-10数据透视表是数据分析中最常用、最高效的汇总分析工具,具备快速分组、聚合计算、维度拆解、数据可视化等优势,能够轻松完成求和 ...
2026-07-09在统计学、CDA数据分析、机器学习与商业数据研究中,正态分布是最基础、最重要的数据分布形态。绝大多数参数检验、数据建模、指 ...
2026-07-09 很多分析师在设计标签时思路清晰,但真到落地环节却面临“数据在手,不知如何转化为可用标签”的困境:或因加工方式选择不当 ...
2026-07-09【核心关键词】采购、周期、原材料、企业、产品、成本、要素、库存、供应商、数据分析、生产计划、生产制造、加工制造、技术工 ...
2026-07-08在数据分析、特征工程、机器学习建模的工作流程中,原始数据往往包含多个不同维度的数值指标,例如客户交易数据中的消费金额、交 ...
2026-07-08 很多分析师每天和数据打交道,但当被问到“标签是什么”“标签和指标有什么区别”“标签体系如何设计”时,却常常答不上来。 ...
2026-07-08商业谈判是企业采购合作、渠道签约、价格议价、项目合作、客户签约的核心关键环节,直接决定企业的合作成本、利润空间与经营风险 ...
2026-07-07在数据分析、业务效果验证、AB 测试、学术研究等场景中,T 检验是假设检验体系里最基础、应用最广泛的统计方法,也是均值差异分 ...
2026-07-07