‏🟠 ۴/۴ من همچنین می‌توانم از پیشینهٔ دانشگاهی‌ام بهره ببرم. در حال کار بر روی پروژه‌ای مرتبط با سیگنال‌های رادیویی هستم و برخی ابزارهای مدلسازی و ریاضی را مستقیماً از پژوهش‌های پیشینم در زمینهٔ پیش‌بینی حرکت هواپیما با پارامترهای خاص در رباتیک می‌گیرم. همین روش‌ها را اکنون برای سیگنال‌های رادیویی به کار می‌برم. توانایی انتقال تخصص از یک حوزه به حوزه‌ای کاملاً متفاوت، ارزشمند است.

‏🟣 #آمریکا 🧠 ایمنی چتر پاراشوت در باد، در رأس ذهن در تاپ‌گان ‏🏛 منبع: CNA Case Studies ‏📄 عنوان اصلی: --> Making Parachute Safety in The Wind Top of Mind at Topgun Read more --> ‏🔎 TOPGUN, CNA, Robyn Lalime, Becky Bates, Naval Air Station Fallon #تحلیل_راهبردی #جهانی #CNA_Case_Studies ‏✅ با ژئوپلیس دنیا در دستان شماست ‏🌍 @Geopolis_ir

‏🟣 ۲/۲ ‏📌 چکیده: تحقیقات تیم ایمنی توپ‌گان پس از مرگ خلبانی که در پرتاب اضطراری توسط باد کشیده شد، به بررسی علمی خطرات سرعت باد برای پاراشوت‌گیران پرداخت. دکتر روبین لالیم با مدل‌های کامپیوتری و آزمایش‌های میدانی، معادلاتی ساده کرد که نشان می‌دهد هر ۱۰ گره افزایش باد، خلبان ۲۵۰ فوت بیشتر در ۱۰ ثانیه کشیده می‌شود؛ به‌طوری‌که در باد ۲۰‑۳۰ گرهی اثرات شبیه پرش از سکو یا سقوط با پاندا می‌شود. نتایج این مطالعه که توسط فرمانده بکی بیتس و CNA منتشر شد، به‌عنوان راهنمای عملی برای تصمیم‌گیری‌های پروازی در روزهای بادآلود مورد استفاده قرار می‌گیرد. ایمنی چترپاری در باد، در رأس ذهن در توپ‌گان وقتی توپ‌گان قوانین انعطاف‌پذیرتری درباره حداکثر سرعت باد برای پروازهای آموزشی دریافت کرد، تحلیلگر CNA مأمور به این فرماندهی شروع به شنیدن نگرانی‌ها کرد. بادها اغلب در صحرای نوادا، در پایگاه هوایی نیروی دریایی فالون—خانهٔ توپ‌گان و بقیهٔ مرکز توسعه جنگ‌هوایی نیروی دریایی—به‌سرعت می‌وزیدند. برخی از کارکنان توپ‌گان می‌دانستند که یک خلبان هم‌رزمانشان پس از پرتاب اضطراری، توسط چتری که باد به‌سوی زمین کشیده بود، کشیده شد و جان خود را از دست داد. دستورالعمل‌های ۲۰۱۰ این محدودیت بالایی برای وزش‌های ناگهانی را حذف کردند و به فرماندهان اجازه دادند تا در تصمیم‌گیری درباره اجازهٔ پروازهای آموزشی، محدودیت‌های باد پایدار را نادیده بگیرند. اما نه فرماندهان و نه خلبانان دادهٔ علمی دربارهٔ خطرات سرعت‌های مختلف باد نداشتند. تحلیل دکتر روبین لالیم (Robyn Lalime) روشی برای کمی‌سازی — و حتی تصویرسازی — این خطرات فراهم کرد. امروزه هم خلبانان به این راهنمایی تکیه می‌کنند. جراح پروازی ایمنی هوایی در تیم، فرمانده بکی بیتس (Becky Bates)، از لالیم خواست تا فیزیک و ریاضیات را به مسئله اعمال کند. نماینده میدانی CNA به‌طور نزدیک با مهندسان نیروی دریایی بر روی مدل‌های کامپیوتری عملکرد سه چترپاری متفاوت در بادهای گوناگون کار کرد. او همچنین لباس پروازی وزن‌دار خود را بر روی آسفالت و شن‌های صحرایی کشید، نیوتن‌های نیرو را اندازه‌گیری کرد تا ضریب اصطکاک برای لباس نومکس تعیین شود. غریبه‌ها نزدیک می‌شدند و می‌پرسیدند: «چه کاری می‌کنی؟» اما کارکنان توپ‌گان که به روش عملی او عادت کرده بودند، فقط می‌گفتند: «آه، می‌بینم که داده جمع می‌کنی.» لالیم معادلات طولانی و پیچیده‌ای به کار برد تا به نتایجش برسد، اما او و بیتس می‌دانستند خلبانان به قواعد ساده‌ای نیاز دارند. یکی از این قواعد می‌گفت: برای هر ۱۰ گره افزایش سرعت باد، پاراشوت‌گیر می‌تواند انتظار داشته باشد که هر ۱۰ ثانیه ۲۵۰ فوت بیشتر کشیده شود. آن‌ها همچنین تصاویر به‌یادماندنی برای نشان دادن اثر بادهای شدید استفاده کردند. تحلیلگر CNA خود تجربهٔ پوشاندن چشم و کشیده شدن در آب توسط کمربند پاراشوت را در دورهٔ آموزش پرتاب اضطراری‌اش داشته بود — برای آمادگی پرواز با خلبانان توپ‌گان. او می‌دانست این تجربه‌ای حسی و شدید است. به‌عنوان مثال، برای نشان دادن اثر باد بر یک خلبان سبک‌وزن با چتری از F/A‑18، محاسبات دقیق را به مقایسه‌های رنگارنگی از فرودها در سرعت‌های مختلف باد تبدیل کردند. بدون باد، فرود شبیه پریدن از سکوئی به ارتفاع ۱۰ فوت است. در باد ۲۰ گره‌ای — حد بالایی برای باد پایدار در دستورالعمل‌های رسمی — این همان پریدن است که هر دست یک جعبهٔ بطری آبجو دارد. در باد ۳۰ گره‌ای — وزش معمولی در آن شرایط — این همان سقوط ۱۰ فوتی است که یک پاندا بزرگ به پشت شما چسبیده است. لالیم پیش از ترک توپ‌گان می‌توانست تأثیر این کار را ببیند. (امروزه او هنوز در برنامه میدانی CNA مستقر در مرکز توسعه جنگ‌اطلاعاتی نیروی دریایی در نورفولک، ویرجینیا است.) کارکنان مدرسهٔ پروازی خواستند نتایج به‌صورت گسترده ارائه و منتشر شود. محاسبات او در تصمیم‌گیری درباره پرواز در روزهای بادآلود نقش داشت. اما او نمی‌توانست پیش‌بینی کند که این کار بیش از یک دهه ادامه خواهد یافت. فیزیولوژیست نیروی دریایی آماندا لیپرت (Amanda Lippert) گزارش می‌دهد که هنوز هنگام ارائهٔ نکات ایمنی پرتاب به خدمه هوایی به این مطالعه ارجاع می‌دهد تا اهمیت رعایت محدودیت‌های باد را منتقل کند. با تحلیل CNA، خلبان یا فرمانده می‌تواند تصمیمات ایمنی مبتنی بر علم بگیرد — و پاندا را از پشت خود دور نگه دارد.

‏🟡 #آمریکا 🧠 دریایی‌ها به برنامه عمل می‌کنند - داده‌های بزرگ جنگنده‌ها را در هوا نگه می‌دارند ‏🏛 منبع: CNA Case Studies ‏📄 عنوان اصلی: --> Navy Perform to Plan - Big Data Keeps Fighters Flying Read more --> ‏🔎 Navy, F/A-18 Super Hornet, CNA, James Mattis, P2P #تحلیل_راهبردی #جهانی #سیاست_داخلی #CNA_Case_Studies ‏✅ با ژئوپلیس دنیا در دستان شماست ‏🌍 @Geopolis_ir

‏🟡 ۲/۳ ‏📌 چکیده: تا سال ۲۰۱۸ آمادگی سوپر‌هورنت‌های F/A‑18 نیروی هوایی نیروی دریایی زیر ۵۰٪ بود و وزیر دفاع هدف ۸۰٪ را برای پایان سال مالی ۲۰۱۹ تعیین کرد. با همکاری CNA و به‌کارگیری تحلیل پیش‌بینی‌کننده P2P، مدل‌هایی با دقت ۹۷٪ ساخته شد که دو عامل کلیدی—مقدار قطعات یدکی تولیدی و تعداد مکانیک‌ها و تکنسین‌ها—را شناسایی کردند و نیروی دریایی را به تمرکز بر این موارد سوق داد. مدل‌های پیشرفته‌تر با استفاده از امتیاز تجربه نگهدارنده (AMEX) توزیع بهینه نیروی انسانی را نشان داد و با جذب بهترین شیوه‌های نگهداری تجاری و اصلاح فرآیندهای نگهداری، تعداد هواپیماهای پروازی را از ۳۴۰ تا ۸۰٪ آمادگی افزایش داد. این موفقیت منجر به گسترش پروژه‌های P2P در حوزه‌های ناوگان‌سازی، نگهداری زیرسطحی و منابع انسانی شد. تا سال ۲۰۱۸، کاهش یک دهه‌ساله در آمادگی، نیروی هوایی نیروی دریایی را در موقعیتی خطرناک قرار داده بود؛ کمتر از نیمی از سوپر‌هورنت‌های F/A‑18 این نیروی هوایی، قابلیت مأموریتی داشتند. جیمز ماتیس، وزیر دفاع، به خدمات نظامی دستور داد تا تا پایان سال مالی ۲۰۱۹ این مشکل را رفع کنند و هدف جاه‌طلبانه‌ای برابر با ۸۰٪ آمادگی برای جنگنده‌ها تعیین کرد. به تعجب بسیاری، نیروی دریایی در واقع به آن هدف دست یافت؛ دستاوردی که فرمانده نیروی هوایی نیروی دریایی، معاون‌الامیر دِوولف میلر، آن را به داده‌ها نسبت داد. میلر گفت: «امروز ۳۴۰ هواپیمای بیشتر در حال پرواز هستند که یک سال پیش پرواز نمی‌کردند». او افزود: «این همان قدرت داده‌ها و تصمیم‌گیری مبتنی بر داده است». همکار تحلیل داده‌های نیروی دریایی در این تحول چشمگیر، CNA بود. حتی پیش از تعیین هدف ۸۰٪، دانشمندان داده در CNA به‌طور عمیق در ابتکاری که می‌خواست احیای نیروی هوایی را شتاب دهد، مشارکت داشتند: «عملکرد بر مبنای برنامه» (P2P). ایده این بود که با استفاده از تحلیل پیش‌بینی‌کننده، عملکرد آینده را پیش‌بینی کرده و عوامل مؤثر بر بهبود را شناسایی کنند. دکتر گرگ شِل، که رهبری تحلیل P2P سوپر‌هورنت‌ها را در CNA بر عهده داشت، می‌گوید: «وزیر دفاع از خوش‌بینی بی‌اساس خسته شده بود؛ از نگاه به نمودارهایی که بدون تحلیل، خط مستقیم بین وضعیت کنونی و هدف ما می‌کشیدند، خسته شده بود». CNA داده‌های تاریخی مربوط به نگهداری، تدارکات و پرسنل را جمع‌آوری کرد و در یک مدل جدید گنجاند تا درصد سوپر‌هورنت‌های قابل مأموریت را با دقت ۹۷٪ پیش‌بینی کند. این مدل دو عامل کلیدی را از میان ۲۰ عامل موجود شناسایی کرد که بیشترین تأثیر را بر آمادگی داشتند: مقدار قطعات یدکی آماده تولید شده در دو مرکز اصلی آمادگی ناوگان و تعداد مکانیک‌ها و تکنسین‌ها در سطح گردان. نیروی هوایی نیروی دریایی شروع به تمرکز بر این مسایل کرد. اما این مدل به نتیجه‌ای هراس‌انگیز نیز رسید. حتی اگر نیروی دریایی بتواند بهترین عملکرد تاریخی خود را در زمینه قطعات یدکی و نیروی انسانی تکرار کند، هنوز به هدف ۸۰٪ نخواهد رسید. کل فرآیند نگهداری نیاز به اصلاح داشت. این نتیجه‌گیری، نیروی دریایی را وادار به جذب تخصص بخش خصوصی کرد. نیروی دریایی مجموعه‌ای از بهترین شیوه‌های نگهداری هواپیماهای تجاری را به کار گرفت، در حالی که CNA تأثیر هر تغییر را زیر نظر داشت. تیم علم داده CNA مجبور شد با استفاده از مجموعه‌های داده عظیم که وضعیت هر هواپیمای منفرد را پیگیری می‌کرد، مدل‌های پیچیده‌تری توسعه دهد. فرآیند P2P نیازمند برگزاری جلسات فصلی با حضور رهبران پنتاگون و نیروی هوایی نیروی دریایی بود؛ در این جلسات شِل آخرین اصلاحات مدل‌ها و نتایج آن‌ها را گزارش می‌داد. شِل می‌گوید: «وقتی اولین بار فهمیدند که به عنوان موش آزمایشی P2P انتخاب شده‌اند، هیجان‌زده نبودند». او ادامه می‌دهد: «اما با گذشت زمان، از حالت «این غیرممکن است» به «ما قطعاً می‌توانیم» تغییر یافتند».

‏🟡 ۳/۳ یکی از مهم‌ترین یافته‌ها، ارزش معیاری نوین به نام امتیاز تجربه نگهدارنده هوانوردی (AMEX) را نشان داد. امتیاز AMEX تجربه هر عضو تیم نگهداری را بر پایه مدارک، تخصص و رتبه‌اش می‌سنجد. با تحلیل داده‌های بزرگ امتیازهای AMEX، شناسایی عوامل آمادگی توسط CNA از سطح کلی («نگهدارندگان در سطح اسکادره») به هدف‌گیری دقیق («سرپرستان مکانیک‌های ساختاری هوانوردی تجهیزات ایمنی») تغییر یافت. یکی از مهم‌ترین نتایج مدل‌سازی AMEX این بود که چون نیروی‌دریایی ماهرترین مکانیک‌ها و تکنسین‌های خود را به دریا می‌فرستد، مشکلات نگهداری مزمن در پایگاه‌های هوایی زمینی انباشته می‌شود. توزیع متعادل‌تر نگهدارندگان باتجربه از دریا به ساحل می‌تواند تأثیر قابل‌توجهی بر آمادگی داشته باشد. «AMEX به ما کمک می‌کند تا فرد مناسب با مهارت‌های مناسب را در مکان مناسب قرار دهیم»، گفت آدمیر میلر که در سال ۲۰۲۰ بازنشسته شد و به عنوان «Air Boss» نیروی‌دریایی شناخته می‌شد. موفقیت P2P با سوپر‌هورنت‌ها نیروی‌دریایی را بر آن داشت تا مجموعه‌ای از پروژه‌های P2P راه‌اندازی کند. امروز بخش علم داده CNA از تلاش‌های P2P برای بهبود عملکرد در ناوگان‌سازی، نگهداری زیرسطحی و منابع انسانی پشتیبانی می‌کند؛ علاوه بر P2P هوانوردی که به سایر هواپیماها نیز گسترش یافته است. شِل بیش‌ترین اعتبار برای بهبود آمادگی سوپر‌هورنت‌ها به ملوانان خط می‌دهد؛ آن‌ها به سرعت روش‌های جدید پیشنهادی داده‌ها را به کار گرفتند و منبع مهمی برای این داده‌ها بودند. «من در خط پروازی مشغول چرخ‌گوشتی نبودم؛ به‌طور شخصی در تغییر فرایند دخالت نداشتم»، می‌گوید او، «اما ما قطعاً شریک Air Boss در شناسایی عوامل تغییر برای رسیدن به ۸۰ درصد بودیم».

‏🔷 #آمریکا 🧠 چه کسی شخصیت واقعی چارلی بلک‌وود بود؟ ‏🏛 منبع: CNA Case Studies ‏📄 عنوان اصلی: --> Who Was the Real Charlie Blackwood? Read more --> ‏🔎 Christine Fox, Top Gun, CNA, Pentagon, Cold War #تحلیل_راهبردی #جهانی #روابط_بین_الملل #CNA_Case_Studies ‏✅ با ژئوپلیس دنیا در دستان شماست ‏🌍 @Geopolis_ir

‏🔷 ۲/۲ ‏📌 چکیده: در اوج جنگ سرد، کریستین فاکس به‌عنوان نماینده میدانی CNA دو سال در پایگاه هوایی نیروی دریایی میرامار، جایی که TOPGUN مستقر بود، خدمت کرد و در همان دوره تهیه‌کنندگان فیلم «تاپ گان» با او آشنا شدند؛ از این رو شخصیت چارلی بلک‌وود در فیلم الهام‌گیری از فاکس شد، هرچند تفاوت‌های زیادی بین آن‌ها وجود داشت، از جمله اینکه فاکس مربی خلبانان جنگنده نبود و مدرک تحصیلات تکمیلی‌اش ریاضیات کاربردی بود. پس از خدمت در TOPGUN، فاکس به معاون وزیر دفاع موقت در پنتاگون منصوب شد و سال‌های خود را به توسعه تاکتیک‌های «جنگ هوایی بیرونی» و ساخت مدل‌های ریاضی پروازی برای کامپیوتر وانگ اختصاص داد، که مربیان خلبان‌ها با چاپ نتایج و برنامه‌ریزی پرواز مواجه می‌شدند. چارلی بلک‌وود، معشوقهٔ شخصیتی که تام کروز در فیلم ۱۹۸۶ «تاپ گان» به تصویر کشید، شاید شخصیت تخیلی باشد، اما الهام‌گرفته از یک تحلیل‌گر واقعی CNA به نام کریستین فاکس است. در اوج جنگ سرد، فاکس دو سال به عنوان نماینده میدانی CNA در پایگاه هوایی نیروی دریایی میرامار، جایی که TOPGUN مستقر بود، خدمت کرد. همان دوره بود که تهیه‌کنندگان و نویسندگان فیلم در حال مرور ایده‌های «تاپ گان» بودند. هم بازیگر اصلی، کلی مک‌گیلیس، و هم فرمانده TOPGUN اولین ایده‌های پیشنهادی برای شغل زن اصلی را رد کردند. آن‌ها به دنبال شغلی معقول می‌گشتند که او را به یک خلبان نیروی دریایی مرتبط سازد. سپس کسی فاکس را شناخت و داستان عاشقانهٔ معروف هالیوودی بین یک خلبان نیروی دریایی با نام مستعار «ماوریک» و تحلیل‌گر عملیات او شکل گرفت. با این حال، تفاوت‌های زیادی بین چارلی و فاکس وجود داشت. همان‌گونه که تمام تحلیل‌گران CNA در TOPGUN از سال ۱۹۷۵ به بعد، فاکس نیز همراه با مربیان کار می‌کرد و تاکتیک‌ها را می‌ساخت؛ او دانشجویان خلبان جنگنده را آموزش نمی‌داد. مدرک تحصیلات تکمیلی او در ریاضیات کاربردی بود، نه اخترفیزیک. علاوه بر این، فاکس جوراب‌های دوخت سیاه یا کفش‌های پاشنه‌بلند نمی‌پوشید؛ این تصمیم‌های پوشاکی بود که هم او و هم مک‌گیلیس آن را مسخره می‌دانستند. فاکس که بعدها به عنوان معاون وزیر دفاع موقت در پنتاگون منصوب شد، سال‌های خود را در TOPGUN صرف توسعه و اصلاح تاکتیک‌های خلبانان جنگنده برای «جنگ هوایی بیرونی» کرد. هدف، دفاع از یک حاشیهٔ وسیع اطراف ناوهای هواپیمابر در برابر بمباران‌های دوربرد شوروی بود. در طول این دوره، فاکس مدل‌های ریاضی برای برنامه‌های پروازی روی کامپیوتر وانگ «تاپ گان» می‌ساخت. او می‌گوید: «در حالی که نتایج روی چاپگر قدیمی چاپ می‌شد — کرچ‌چ، کرچ‌چ، کرچ‌چ — مربیان خلبان‌ها صدا را می‌شنیدند و می‌دویدند. آن‌ها دور کامپیوتر وانگ جمع می‌شدند، چاپ را از چاپگر می‌کشیدند و می‌گفتند: «بیا بریم برنامه‌ریزی پرواز کنیم». من می‌گفتم: «نه! من هنوز بررسی نکرده‌ام». آن‌ها نمی‌توانستند مدل‌سازی را انجام دهند، اما من هم بدون بینششان نمی‌توانستم.»

‏🔶 #آمریکا 🧠 ابزار خودکار بودجه‌گذاری ابر DOD زمان را صرفه‌جویی می‌کند و نتایج را بهینه می‌سازد ‏🏛 منبع: CNA Case Studies ‏📄 عنوان اصلی: --> Automated DOD cloud budget tool saves time, optimizes results Read more --> ‏🔎 Department of the Navy, CNA, Advana, F/A‑18, Jupiter #تحلیل_راهبردی #جهانی #اقتصاد_سیاسی #CNA_Case_Studies ‏✅ با ژئوپلیس دنیا در دستان شماست ‏🌍 @Geopolis_ir

‏🔶 ۲/۳ ‏📌 چکیده: CNA با توسعه ابزار ابری DEPART، فرآیند بودجه‌ریزی برای تعمیرات انبار موتورهای نیروی دریایی را از ماه‌ها به کمتر از ۳۰ ثانیه کاهش داد؛ این ابزار با یک کلیک می‌تواند پیش‌بینی ساعت پروازی را به هزینه‌های نگهداری تبدیل کرده و بودجه نهایی را برای کنگره آماده کند. DEPART بر پایه الگوریتم حریصانه‌ای برای توزیع بهینه وجوه بین ۳۰۵ نوع موتور عمل می‌کند و امکان اجرای تحلیل‌های «اگر‑چنین‑بود» را برای برنامه‌ریزان فراهم می‌سازد. تیمی ۱۴ نفره از دانشمندان داده، اقتصاددانان و تحلیلگران CNA این نرم‌افزار را با زبان R در بستر ابری «Jupiter» و پلتفرم Advana توسعه دادند. اگر این مدل بر بودجه ۲۰۲۲ اعمال می‌شد، می‌توانست ۱۴۶ موتور F/A‑18 سوپر‑هورنت اضافی را تحت پوشش مالی قرار دهد و در چارچوب بودجه باقی بماند. CNA زمان بودجه‌ریزی را از ماه‌ها به دقیقه‌ها کاهش می‌دهد تدوین بودجه برای تعمیرات انبار موتورهای هواپیماهای نیروی دریایی پیش از ساخت ابزار برنامه‌ریزی توسط CNA برای ابر نیروی دریایی، فرآندی دستی و سنگین بود. تحلیلگر CNA، فرانک والاس، در نوامبر ۲۰۲۱ فکر می‌کرد کار را می‌داند؛ زمانی که رهبران آمادگی هوانوردی نیروی دریایی را به مقر CNA دعوت کرد تا در کارگاهی با رویکرد طراحی‑فکری شرکت کنند. شاخه آمادگی هوانوردی از CNA درخواست کرده بود مدلی برای بهینه‌سازی تخصیص بودجه به انواع مختلف تعمیرات موتورها توسعه دهد. بودجه‌ریزی ناکافی برای برخی انواع تعمیرات، منجر به کمبود سوپر هورنت‌های آماده برای مأموریت شده بود. اما وقتی متخصصان هوانوردی نیروی دریایی به مشکلات فرآیند سالانه بودجه‌ریزی برای نگهداری انبارهای هوانوردی اشاره کردند، تمرکز تغییر کرد. والاس می‌گوید: «آنها یادداشت‌های چسبان زیادی روی تابلو می‌چسباندند». سه دفتر از اداره نیروی دریایی سعی می‌کردند با استفاده از فرآیند برنامه‌ریزی‌ای که با بیش از ۵۰ صفحه‌کار تب‌دار در یک کتاب‌کار Excel مایکروسافت آغاز می‌شد، همکاری کنند. داده‌ها به‌صورت دستی وارد می‌شد و سپس در چهار مجموعه دیگر از کتاب‌کارها در مراحل بعدی کپی‑پیست می‌شد؛ به این ترتیب هر گام احتمال خطای انسانی را به همراه داشت. این صفحه‌کارها طی چند ماه بین دفاتر ایمیل می‌شد تا بودجه‌ای بالغ بر ۶۰۰ میلیون دلار تنظیم شود. به‌روزرسانی‌هایی مثل تغییر پیش‌بینی ساعت پروازی اغلب قابل ادغام نبودند، زیرا به معنای شروع دوبارهٔ فرآیند بود. یک یادداشت چسبان چالش اصلی را خلاصه کرد: «چگونه می‌توانیم این کار را با یک کلیک انجام دهیم؟» بودجهٔ یک‑کلیک برای نگهداری انبار امروزه کاربران نیروی دریایی می‌توانند وارد محیط ابری «جوپیتر» نیروی دریایی شوند و از ابزار برنامه‌ریزی و تخصیص آمادگی موتورهای انبار (DEPART) که توسط CNA توسعه یافته، استفاده کنند. این ابزار تمام مراحل بودجه‌ریزی را به یک فرآیند یکپارچه تبدیل می‌کند. برای مثال، اگر پیش‌بینی ساعت پروازی هواپیماهای P‑8A Poseidon افزایش یابد، DEPART محاسبه می‌کند این افزایش چقدر تعمیرات، بازسازی و بازرسی‌های پیش‌بینی‌شده برای موتورهای P‑8 را افزون می‌کند. سپس هزینهٔ کل این رویدادهای نگهداری را برآورد کرده و بودجهٔ موجود برای سایر موتورها را تنظیم می‌کند. همچنین مؤلفه‌های اصلاح‌شدهٔ بودجهٔ نهایی «یادداشت هدف برنامه» را که باید به کنگره ارائه شود، آماده می‌سازد. کل فرآیند در DEPART کمتر از ۳۰ ثانیه طول می‌کشد و حتی می‌تواند با یک کلیک انجام شود. برنامه‌ریزان نیروی دریایی از DEPART برای تهیهٔ بودجهٔ تعمیرات انبار موتورهای سال مالی ۲۰۲۵ برای ناوگان نیروی دریایی، ناوگان تفنگداران دریایی، ذخیرهٔ نیروی دریایی و ذخیرهٔ تفنگداران دریایی استفاده می‌کنند. در سال ۲۰۲۱، وقتی والاس دریافت که شاخه آمادگی هوانوردی به یک ابزار انتها‑به‑انتها نیاز دارد نه فقط یک مدل تصمیم‌گیری، تیمی متشکل از ۱۴ نفر دانشمند داده، اقتصاددان و تحلیلگر CNA را گرد هم آورد. خوشبختانه CNA دهه‌ها تجربه در زمینهٔ آمادگی و بودجه‌ریزی هوانوردی نیروی دریایی دارد و یک تحلیلگر علمی به‌صورت دائم به مدیر آمادگی ناوگان اختصاص یافته است. این تیم دو بار در هفته در «اسکرام»های دو هفته‌ای شرکت می‌کرد و در چارچوب «اسپرینت»های دو هفته‌ای، رویکرد سیلیکون‌ولی را برای توسعهٔ نرم‌افزار اتخاذ کرد تا به‌صورت مکرر و در همکاری با حامیان نیروی دریایی، تکرار و بهبود یابد. ابزاری برای تجزیه و تحلیل برنامه‌ریزی بودجه

‏🔶 ۳/۳ آنها ابزار را با زبان برنامه‌نویسی R ساختند و از محیط ابری جدید «Jupiter» نیروی دریایی که در بستر پلتفرم تجزیه و تحلیل داده‌های Advana متعلق به DOD قرار دارد، بهره بردند. این امکان را برای برنامه‌ریزان سه دفتر فراهم می‌کند تا به‌صورت همزمان و بر روی یک فایل کار کنند، نه اینکه نسخه‌های در حال تغییر جدول‌های اکسل را از طریق ایمیل رد و بدل کنند. چون ماه‌ها به دقیقه تبدیل شده‌اند، برنامه‌ریزان می‌توانند پیش از اتخاذ تصمیم نهایی بودجه، چندین تحلیل «اگر‑چنین‑بود» را اجرا کنند. «می‌توانید هر تعادل‑سهمی، چه از دست می‌دهید و چه به دست می‌آورید را با هر تغییر بودجه ببینید»، می‌گوید والاس (Wallace). وظیفهٔ اولیه — مدل تصمیم‌گیری بهینه‌سازی — همچنان هستهٔ این ابزار است. این مدل از یک «الگوریتم حریصانه» برای توزیع وجوه موجود بین ۳۰۵ نوع موتور و رویدادهای نگهداری استفاده می‌کند و راه‌حلی را می‌جوید که بیشترین سهم را در افزایش آمادگی کلی ناوگان داشته باشد. اگر این الگوریتم به‌صورت بازنگری بر بودجهٔ مالی ۲۰۲۲ اعمال می‌شد، مدل بودجهٔ بیشتری را به تعمیر موتورهای F/A‑18 سوپر‑هورنت اختصاص می‌داد و برای سایر موارد کمتر هزینه می‌کرد. در مجموع می‌توانست ۱۴۶ موتور اضافی را تحت پوشش مالی قرار دهد در حالی که در چارچوب بودجه می‌ماند. ابزارهای بهتر تصمیمات بهتری می‌آورند و هواپیماهای بیشتری از نیروی دریایی و سپاه‌نظامی در آسمان می‌نشینند.

‏🔺 #آمریکا 🧠 دفاع غیرنظامی در قرن بیست و یکم ‏🏛 منبع: CNA Analyses ‏📄 عنوان اصلی: Civil Defense in the 21st Century Read more --> ‏🔎 Cold War, Duck and Cover, PPD‑8, Federal Civil Defense Administration, Hurricane Katrina #تحلیل_راهبردی #جهانی #ژئوپلیتیک #CNA_Analyses ‏✅ با ژئوپلیس دنیا در دستان شماست ‏🌍 @Geopolis_ir