2022年5月9日，蘭德公司網站發布報告，題為《Leveraging Machine Learning for Operation Assessment》，作者是丹尼爾·埃蓋爾（資深經濟學家）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）工具將現有的情報報告、作戰報告和環境數據（例如社交媒體、傳統媒體）整合到戰爭作戰層次的評估之中？

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、作戰報告以及傳統和社交媒體中可用的非結構化文本中快速、系統地提取與評估相關的見解。這些數據已由作戰級總部收集，通常是有關當地人口以及敵方和伙伴部隊最佳的可用信息來源，但很少包括在評估之中，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。

本報告描述的方法（作者使用最近結束的針對“圣主抵抗軍”的戰役進行了說明）使評估團隊能為指揮官提供關于戰役的近乎實時、客觀且具有統計意義的見解。這種機器學習方法在只有有限或沒有特定評估數據時可能特別有益，這在資源有限或被拒止地區的活動中很常見。機器學習的這種應用對于大多數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上使用公開和免費提供的機器學習工具來實施。

重要發現

機器學習可以成為支持作戰評估的強大工具

• 作戰級總部已經收集的數據（情報報告、作戰報告和環境數據（社交媒體和傳統媒體））通常是關于敵方和伙伴部隊以及當地人口最佳的可用信息類型。然而，它們很少被整合到評估之中，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，允許對這些數據進行快速、系統和客觀的分析，從而產生客觀并具有統計意義的洞察。

• 監督機器學習（SML）是使用機器學習將這些數據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算法對剩余數據模擬評估團隊的分析方法。

• 機器學習衍生的數據可以為指揮官提供關于一場戰役近乎實時的洞察，每種類型的數據（情報、作戰和環境）為了解戰役的效果提供了不同的視角。

• ML工具在評估特定數據有限或沒有特定數據的戰役時特別有用——這在資源有限或區域拒止的戰役中很常見。

• 這種基于ML的方法對于大多數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，這些工具經預先授權可在美國國防部的保密系統上使用。

建議

• 在受控演習中驗證本報告描述的監督機器學習方法。

• 探索如何使用無監督機器學習來為作戰評估提供信息。

• 適度實施作戰報告標準化。

• 改進歷史情報和作戰報告的歸檔、發現和提取。

• 擴大專業軍事教育所需的特定評估討論。 target drone