I flere uger advarede USA om risikoen for, at Rusland invaderede Ukraine, med trusler om gengældelse, hvis det skete. 

Blot otte år efter Ruslands indtrængen i det østlige Ukraine og invasion af Krim, mobiliserede russiske styrker sig igen langs Ukraines grænser, før invasionen indtraf 24. februar 2022.

USA og andre NATO-medlemmers regeringer har haft travlt med at overvåge russisk aktivitet og beslutte sig for en passende politisk reaktion, men den rettidige efterretning, de sætter deres lid til, stammer ikke længere udelukkende fra spioner i felten og spionsatellitter til flere millioner dollars.

Sociale medier, big data, smartphones og lavprissatellitter er nu afgørende, og Twitter er i dag et vigtigt redskab i efterretningsanalytikernes værktøjskasse.

Alle disse teknologier har også gjort det muligt for nyhedsorganisationer og lænestolseksperter at følge handlingen og bidrage med analyser.

Ikke al information er indsamlet af regeringerne

Regeringer udfører stadig efterretningsoperationer ved hjælp af omfattende ressourcer som det amerikanske efterretningsbudget. 

Men enorme mængder af værdifuld information er offentligt tilgængelig, og ikke alt er indsamlet af regeringerne. 

Satellitter og droner er meget billigere, end de var for blot 10 år siden, hvilket gør private virksomheder i stand til at betjene dem, og næsten alle har en smartphone med avancerede foto- og videofunktioner.

Jeg er forsker med speciale i efterretnings- og informationsoperationer, og jeg studerer, hvordan teknologien producerer enorme mængder efterretningsdata, og hvordan vi kan sortere informationsmængden, så vi kan udvinde værdifuld information.

Open source-efterretningstjeneste

Gennem information indsamlet af kommercielle virksomheder og enkeltpersoner kan alle se Rusland spille med de militære muskler via internetsøgning eller nyhedsfeed. 

Kommercielle virksomheder laver opslag med opdaterede, geografisk præcise billeder af Ruslands militærstyrker. 

Adskillige nyhedsbureauer overvåger og rapporterer jævnligt om situationen. 

TikTok-brugere har lavet videoer af russisk militærudstyr på jernbanevogne angiveligt på vej for at forøge militærstyrkerne allerede er i position omkring Ukraine. 

Og internetdetektiverne sporer denne informationsstrøm.

Putin convened an unscheduled meeting with his Security Council in Moscow on Monday. The meeting was broadcast at 5 pm. But what time was it really held? Let's look at some participants' watches. Sergei Shoigu & Sergei Lavrov prep at 11:45. #OSINT #UkraineRussia #Russia #Ukraine pic.twitter.com/YlnLodkjdq

— Forrest Rogers (@Forrest_Rogers) February 22, 2022

Demokratisering af efterretningstjenesten

Denne demokratisering af efterretningsindsamling er i de fleste tilfælde en velsignelse for de professionelle efterretningtjenester.

Regeringsanalytikere opfylder behovet for efterretningsvurderinger ved hjælp af information hentet fra hele internettet i stedet for primært at stole på klassificerede systemer eller dyre sensorer placeret højt oppe i himlen eller opstillet rundt omkring iverden.

Det er imidlertid vanskeligt at gennemsøge adskillige terabytes af offentligt tilgængelig data for at finde relevant information. 

Desuden er opgaven kompliceret af, at en stor del af datamængden med vilje er blevet manipuleret for at spænde ben for efterretningsarbejdet.

Her kommer OSINT (open source intelligens) ind i billedet. OSINT står for Open Source INTelligence, som er uklassificerede oplysninger frit tilgængelige på Internettet. 

Analytikere kan bruge OSINT

Lederen af den amerikanske efterretningstjeneste definerer Open Source Intelligence (OSINT) som indsamling, evaluering og analyse af offentligt tilgængelige oplysninger. 

Informationskilderne omfatter nyhedsrapporter, opslag på sociale medier, YouTube-videoer og satellitbilleder fra kommercielle satellitoperatører.

OSINT-samfund og offentlige myndigheder har udviklet best practice for OSINT, og der er adskillige gratis redskaber. 

Analytikere kan bruge redskaberne til at udvikle netværksdiagrammer over eksempelvis kriminelle organisationer ved at gennemsøge offentligt tilgængelige økonomiske registre for kriminel aktivitet.

Computere skaber mening i uklare rådata og information

Private efterforskere bruger OSINT-metoder til at understøtte retshåndhævelses-, virksomheds- og regeringsbehov. Lænestolsdetektiver har brugt OSINT til at afsløre korruption og kriminel aktivitet over for myndigheder. Kort sagt, størstedelen af efterretningsbehovet kan opfyldes gennem OSINT.

Selv med best practice for OSINT samt de forskellige redskaber bidrager OSINT til den overbelastning af information, som efterretningsanalytikere kæmper med. 

Efterretningsanalytikerne er typisk reaktive, mens de forsøger at skabe mening på grundlag af en konstant strøm af uklare rådata og information.

Maskinlæring, som er teknikker, der gør det muligt for computere at identificere mønstre i store mængder data, har vist sig uvurderlig til behandling af OSINT-information, især fotos og videoer.

Computere er meget hurtigere til at gennemsøge store datasæt, så det er en nødvendighed at anvende maskinlæringsværktøjer og -teknikker til at optimere OSINT-processen.

Identifikation af mønstre gør det muligt for computere at evaluere oplysninger for bedrag og troværdighed og forudsige fremtidige tendenser. For eksempel kan maskinlæring bruges til at afgøre, om information er produceret af et menneske eller af en bot eller et andet computerprogram, og om et stykke data er autentisk eller svigagtig.

Two Mi-26s flying South from Minsk, Belarus https://t.co/yFUZArWVWK

— Oliver Alexander (@OAlexanderDK) March 1, 2022

Skabe det store billede

For eksempel kan maskinlæring bruges til at afgøre, om information er produceret af et menneske eller en bot - eller måske et andet computerprogram, og om et stykke data er autentisk eller falsk.

Og selvom maskinlæring på ingen måde er en krystalkugle, kan den bruges - hvis den er forsynet med de rigtige data og har nok aktuelle oplysninger - til at vurdere sandsynligheden for visse udfald. 

Vi vil aldrig være i stand til at bruge en kombination af OSINT og maskinlæring til at læse den russiske præsident Vladimir Putins tanker, men det er redskaber, som kan hjælpe analytikere med at vurdere, hvordan eksempelvis en russisk invasion af Ukraine vil udspille sig.

Teknologien har produceret en strøm af efterretningsdata, men teknologien gør det også lettere at uddrage meningsfuld information fra datamængden for at hjælpe menneskelige efterretningsanalytikere med at skabe det store billede.

Denne artikel er oprindeligt publiceret hos The Conversation og er oversat af Stephanie Lammers-Clark.