2022年5月9日，蘭德公司網(wǎng)站發(fā)布報告，題為《Leveraging Machine Learning for Operation Assessment》，作者是丹尼爾·埃蓋爾（資深經(jīng)濟學家）和瑞恩·安德魯·布朗（資深行為/社會學家、帕地蘭德研究生院教授）等6人。報告要點如下：
研究的問題
本報告研究的問題是：如何利用機器學習（ML）工具將現(xiàn)有的情報報告、作戰(zhàn)報告和環(huán)境數(shù)據(jù)（例如社交媒體、傳統(tǒng)媒體）整合到戰(zhàn)爭作戰(zhàn)層次的評估之中？
作者描述了一種利用機器學習來支持軍事行動評估的方法。他們展示了如何使用機器學習從情報報告、作戰(zhàn)報告以及傳統(tǒng)和社交媒體中可用的非結構化文本中快速、系統(tǒng)地提取與評估相關的見解。這些數(shù)據(jù)已由作戰(zhàn)級總部收集，通常是有關當?shù)厝丝谝约皵撤胶突锇椴筷犠罴训目捎眯畔碓矗苌侔ㄔ谠u估之中，因為其結構不易于分析。本報告描述的機器學習方法有助于克服這一挑戰(zhàn)。
本報告描述的方法（作者使用最近結束的針對“圣主抵抗軍”的戰(zhàn)役進行了說明）使評估團隊能為指揮官提供關于戰(zhàn)役的近乎實時、客觀且具有統(tǒng)計意義的見解。這種機器學習方法在只有有限或沒有特定評估數(shù)據(jù)時可能特別有益，這在資源有限或被拒止地區(qū)的活動中很常見。機器學習的這種應用對于大多數(shù)評估團隊來說應該是可行的，并且可以通過預先授權在美國國防部系統(tǒng)上使用公開和免費提供的機器學習工具來實施。
重要發(fā)現(xiàn)
機器學習可以成為支持作戰(zhàn)評估的強大工具
• 作戰(zhàn)級總部已經(jīng)收集的數(shù)據(jù)（情報報告、作戰(zhàn)報告和環(huán)境數(shù)據(jù)（社交媒體和傳統(tǒng)媒體））通常是關于敵方和伙伴部隊以及當?shù)厝丝谧罴训目捎眯畔㈩愋汀Ｈ欢鼈兒苌俦徽系皆u估之中，因為它們通常：（1）被認為不夠客觀，（2）無法以易于分析的結構化格式提供，以及（3）數(shù)量眾多，需要付出一些努力才能獲得并進行組織。
• 機器學習工具可以快速攝取和解釋大量非結構化文本，允許對這些數(shù)據(jù)進行快速、系統(tǒng)和客觀的分析，從而產(chǎn)生客觀并具有統(tǒng)計意義的洞察。
• 監(jiān)督機器學習（SML）是使用機器學習將這些數(shù)據(jù)整合到評估過程之中最簡單的方法。在SML方法中，評估團隊首先手動分析非結構化文本的子集，然后應用ML算法對剩余數(shù)據(jù)模擬評估團隊的分析方法。
• 機器學習衍生的數(shù)據(jù)可以為指揮官提供關于一場戰(zhàn)役近乎實時的洞察，每種類型的數(shù)據(jù)（情報、作戰(zhàn)和環(huán)境）為了解戰(zhàn)役的效果提供了不同的視角。
• ML工具在評估特定數(shù)據(jù)有限或沒有特定數(shù)據(jù)的戰(zhàn)役時特別有用——這在資源有限或區(qū)域拒止的戰(zhàn)役中很常見。
• 這種基于ML的方法對于大多數(shù)評估團隊來說應該是可行的，并且可以使用免費提供的ML工具來實施，這些工具經(jīng)預先授權可在美國國防部的保密系統(tǒng)上使用。
建議
• 在受控演習中驗證本報告描述的監(jiān)督機器學習方法。
• 探索如何使用無監(jiān)督機器學習來為作戰(zhàn)評估提供信息。
• 適度實施作戰(zhàn)報告標準化。
• 改進歷史情報和作戰(zhàn)報告的歸檔、發(fā)現(xiàn)和提取。
• 擴大專業(yè)軍事教育所需的特定評估討論。 target drone
?