مقدمه
جنگ آمریکا و اسرائیل علیه ایران، علاوه بر خسارات انسانی، اقتصادی و زیرساختی، نقاط قوت و ضعف عملکردی نهادهای مختلف را با وضوح بیسابقهای آشکار ساخت. در شرایط پساجنگ، نیاز فوری به ارزیابی دقیق خسارات و تحلیل عملکرد مبتنی بر شواهد وجود دارد تا درسهای آموخته استخراج شده و برای بازسازی ساختاری و آمادگی آینده برنامهریزی گردد. با این حال، تجربه بسیاری از کشورها نشان میدهد که ارزیابیهای پساجنگ غالباً تحت تأثیر ملاحظات سیاسی، رقابتهای سازمانی و سوگیریهای شناختی که در آن افراد و سازمانها تمایل دارند عملکرد خود را بهتر از واقعیت نشان دهند یا مسئولیت ناکامیها را به عوامل بیرونی نسبت دهند، قرار میگیرد. هوش مصنوعی در این گزارش به عنوان متغیر مداخلهگر معرفی میشود که میتواند فرآیند ارزیابی خسارات و تحلیل عملکرد را از حالت دستی، زمانبر و سیاستزده به رویکردی سریع، دقیق، دادهمحور و قابل راستیآزمایی تبدیل کند؛ به گونهای که تصویر واقعی از توانمندیها و آسیبپذیریهای کشور برای تصمیمگیران راهبردی ترسیم شود.
تبیین مسئله
مسئله محوری، فقدان یک معماری تحلیلی یکپارچه، عینی و مقاوم در برابر سوگیری برای سنجش دقیق خسارات وارده و ارزیابی عملکرد واقعی دستگاههای امنیتی در طول جنگ است. در غیاب چنین سازوکاری، عواملی مانند پراکندگی و جزیرهای بودن دادهها و نقص در انتقال اطلاعات، سوگیریهای فردی و سازمانی، حجم عظیم و تنوع دادهها و سخت بودن تحلیل دستی، و فقدان نظام استاندارد ارزیابی عملکرد باعث میشود ارزیابی خسارات و عملکرد به درستی انجام نشود. بنابراین، مسئله این است که چگونه هوش مصنوعی میتواند برآورد خسارات و ارزیابی عملکرد را به فرآیندی خودکار، غیرحزبی، قابل راستیآزمایی و عاری از سوگیری تبدیل کند؟
پیشنهادات اجرایی و راهکارها
شورای عالی امنیت ملی کارگروهی با عنوان «ستاد ملی ارزیابی هوشمند خسارات و عملکرد دستگاههای امنیتی» با ترکیب متخصصان هوش مصنوعی، تحلیلگران داده، فرماندهان ارشد و کارشناسان حقوقی، حسابرسی و اطلاعاتی تشکیل دهد تا بتوانند سامانهای در کوتاهترین زمان توسعه دهند. سامانه هوشمند باید بتواند گزارشهای عملکردی خوداظهاری دستگاهها را با دادههای عینی و مستقل مقایسه کرده و ضریب اعتبار گزارش هر دستگاه را به صورت کمی محاسبه کند تا از تأثیرگذاری روایتهای غیرواقعی بر تخصیص منابع بازسازی جلوگیری شود.مدلهای یادگیری ماشین برای تحلیل مقایسهای عملکرد نهادها در موضوعات مشابه طراحی شود که با ورود دادههای عملیاتی (شاخصهای کلیدی عملکرد، زمان واکنش به تهدیدات، نرخ موفقیت مأموریتها، تلفات انسانی و تجهیزاتی، مصرف لجستیک، کیفیت هشدارهای اطلاعاتی، و سطح هماهنگی بیننهادی)، شکافهای عملکردی، نقاط ضعف ساختاری و الگوهای موفق را به صورت خودکار شناسایی کرده و اولویتهای بهبود را بدون مداخله سیاسی یا جناحی تولید کند.الگوریتمهای تحلیل علّی پیشرفته با استفاده از تکنیکهای یادگیری ماشین برای شناسایی ریشههای شکستها و موفقیتها مستقر شود؛ این الگوریتمها به جای بیان همبستگیهای سطحی، روابط علت-معلولی را کشف کرده و درسهای آموخته قابل تعمیم به سناریوهای آینده را مستند و دستهبندی میکنند. برای تسریع فرآیند بازسازی هوشمند و جلوگیری از تخصیص بودجه بر اساس فشارهای سیاسی یا لابی نهادی، یک «سامانه اولویتبندی پروژههای بازسازی» مبتنی بر هوش مصنوعی طراحی شود که با در نظر گرفتن معیارهایی مانند «شدت خسارت»، «اهمیت راهبردی زیرساخت آسیبدیده» و «سطح تهدید آتی»، فهرست اولویتبندی شده پروژهها و تخصیص بهینه منابع مالی و لجستیکی را پیشنهاد دهد.
