美国军方在内陆阿富汗经历了后勤挑战,但上一次面临对抗性的后勤挑战是在第二次世界大战中与德国潜艇狼群。运筹学与系统分析(ORSA)诞生于这个时代,有传言说,ORSA的分析师在潜艇船长下达命令之前就知道狼群会在哪里巡逻。今天,许多人再次转向定量科学,希望找到减轻潜在挑战的方法,同时为对抗性地区的作战人员提供补给。这种关注确实是有道理的。自第二次世界大战以来,数学已被利用,在商业物流企业中取得了巨大的利润最大化。许多领导者希望人工智能和机器学习 (AI/ML) 带来下一波创新浪潮。然而,仅仅复制成功的商业实践会使供应链变得脆弱,同时浪费宝贵的资源在定义问题之前寻找解决方案。它可能违背了传统智慧,但本文主张非理性、非最优和不可预测的行为。
人们对AI/ML的发展寄予厚望,尤其是那些对AI/ML的工作原理一无所知的人。简单来说,AI/ML 需要决策者通过使用来自 Y 的数据训练模型来优化 X。这种模型创建方法可以导致无人驾驶车队和更有效的预防性维护,但也可能无法解决对抗性的后勤问题。在类似条件下,先前对抗性维持行动的数据从哪里获取,以用于训练模型?一种解决方案是从模拟中创建合成数据,但 AI/ML 输出可能会放大模拟中的任何偏见并产生虚构数据,也称为幻觉。战争,以及由此延伸的对抗性后勤,应该是一个异常值,因此 AI/ML 的训练数据很少,无法提供有关如何通过竞争性的路线以最佳方式将补给从 A 点运送到 B 点的见解。那么,他们在二战中是如何做到的呢?
传统上,后勤路线问题被建模为一个网络,节点是源点、需求点或中转点,而连接弧则传达有关节点之间移动相关的成本或风险的信息。Edsger W. Dijkstra 的算法是一种众所周知的方法,可以以最低的成本快速识别任意两个节点之间的路径。同样,这种成本可能是距离、金钱或风险。可以添加其他约束,例如源节点的供应有限或需求节点需要最少的数量。线性、非线性和随机规划等优化技术可以帮助确定在这些约束条件下哪些供应路线的成本最低。不幸的是,如果敌人掌握了这些信息,他们也可以确定军队应该走哪条路线。在竞争激烈的环境中,陆军最好选择不太可能和可能不是最佳路线。事实上,必须有一种方法可以以最佳方式随机化路线。双方产生博弈。
博弈论可能会提供混合策略——与路线相关的概率列表,指示如何使用它们来最大程度地减少拦截的机会。该建议还将有一个最佳策略,以最大限度地提高敌人找到维持部队的机会。例如,对于每次补给,陆军将从三条路线中随机选择一条,可能性如下:路线 1,50%;路线2,25%;和路线3,25%。这为战略增加了一层随机性,但它假设信息完美,对手也知道陆军的意图。博弈论模型可以解释不完美的信息和更多的复杂性,但最终存在理性的缺陷。博弈论依赖于理性的参与者为最佳策略而博弈。如果狼群指挥官更不理智,找到他们就会更具挑战性。
这并不是说技术和 AI/ML 不能帮助对抗性后勤;这只是意味着陆军需要与商业同行不同的思维方式。使用先进算法的系统可以比人类更快地发现与正常支出的偏差,并提供从作战人员到工厂的行动方案,以帮助决策。陆军没有优化成本,而是在可接受和可量化的风险范围内优化其对中断的弹性。它还可以使用AI/ML来帮助它在补给路线中尽可能地随机,如果模型经过优化以提高生存能力而不是效率。然而,考虑到所有这些,如果敌人的破坏影响到物理环境和支撑连接的网络网络,士兵仍然必须使用传统的计划因素进行训练。
陆军不应仅仅依靠商业行业的做法来帮助其为对抗性后勤做准备。飓风季节可能会造成后勤中断,但飓风季节是可预测的,天气不会刻意导致和延长中断。使用AI/ML来克服对抗性后勤,只有输入模型的体验质量(数据)和我们训练它实现的输出才能取得成功。用可预测的路线和微薄的收益来优化供应线是愚蠢的。陆军需要尽可能地非理性,直到其理性选择不受敌人的影响。数据、数据科学和数学为驾驭有争议的物流提供了有用的见解,但这将需要采用与和平时期商业运营截然不同的视角。
参考来源:美国陆军