Artificial intelligence: what should the Canadian Army focus on?
Notice bibliographique
Résumé
The Canadian Army acknowledges the importance of Artificial Intelligence in its modernization strategy. Still, it lacks focus on what functions of AI need to be pursued in the short, mid, and long-term. Focus is particularly critical to the Canadian Army as it has more limited human and financial resources to invest in research than its main ally and adversaries. Therefore, prioritization is needed for research and investments to ensure the Canadian Armed Forces and Canada's Army do not fall behind. This study examines various promising applications of artificial intelligence, reviews the Canadian Army modernization strategies, and investigates what Canada's main ally and adversaries are currently focusing on to make practical recommendations for decision-makers and staff working on modernization. Using a ranking system to predict the ability to impact the Canadian Army operations, the conclusions recommend pursuing nine specific AI-enabled applications for land warfare and offer recommendations for operationalizing artificial intelligence within the next 15 years. Ultimately, this study is relevant for any military professionals, Defence team members, and researchers interested in the potential applications of AI and ML in land warfare.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,005 | 0,004 |
| Méta-épidémiologie (sens large) | 0,004 | 0,002 |
| Bibliométrie | 0,010 | 0,011 |
| Études des sciences et des technologies | 0,003 | 0,004 |
| Communication savante | 0,027 | 0,019 |
| Science ouverte | 0,016 | 0,010 |
| Intégrité de la recherche | 0,002 | 0,013 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,092 | 0,026 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».