2022年5月9日，兰德公司网站发布报告，题为《Leveraging Machine Learning for Operation Assessment》，作者是丹尼尔·埃盖尔（资深经济学家）和瑞恩·安德鲁·布朗（资深行为/社会学家、帕地兰德研究生院教授）等6人。报告要点如下：

研究的问题

本报告研究的问题是：如何利用机器学习（ML）工具将现有的情报报告、作战报告和环境数据（例如社交媒体、传统媒体）整合到战争作战层次的评估之中？

作者描述了一种利用机器学习来支持军事行动评估的方法。他们展示了如何使用机器学习从情报报告、作战报告以及传统和社交媒体中可用的非结构化文本中快速、系统地提取与评估相关的见解。这些数据已由作战级总部收集，通常是有关当地人口以及敌方和伙伴部队最佳的可用信息来源，但很少包括在评估之中，因为其结构不易于分析。本报告描述的机器学习方法有助于克服这一挑战。

本报告描述的方法（作者使用最近结束的针对“圣主抵抗军”的战役进行了说明）使评估团队能为指挥官提供关于战役的近乎实时、客观且具有统计意义的见解。这种机器学习方法在只有有限或没有特定评估数据时可能特别有益，这在资源有限或被拒止地区的活动中很常见。机器学习的这种应用对于大多数评估团队来说应该是可行的，并且可以通过预先授权在美国国防部系统上使用公开和免费提供的机器学习工具来实施。

重要发现

机器学习可以成为支持作战评估的强大工具

• 作战级总部已经收集的数据（情报报告、作战报告和环境数据（社交媒体和传统媒体））通常是关于敌方和伙伴部队以及当地人口最佳的可用信息类型。然而，它们很少被整合到评估之中，因为它们通常：（1）被认为不够客观，（2）无法以易于分析的结构化格式提供，以及（3）数量众多，需要付出一些努力才能获得并进行组织。

• 机器学习工具可以快速摄取和解释大量非结构化文本，允许对这些数据进行快速、系统和客观的分析，从而产生客观并具有统计意义的洞察。

• 监督机器学习（SML）是使用机器学习将这些数据整合到评估过程之中最简单的方法。在SML方法中，评估团队首先手动分析非结构化文本的子集，然后应用ML算法对剩余数据模拟评估团队的分析方法。

• 机器学习衍生的数据可以为指挥官提供关于一场战役近乎实时的洞察，每种类型的数据（情报、作战和环境）为了解战役的效果提供了不同的视角。

• ML工具在评估特定数据有限或没有特定数据的战役时特别有用——这在资源有限或区域拒止的战役中很常见。

• 这种基于ML的方法对于大多数评估团队来说应该是可行的，并且可以使用免费提供的ML工具来实施，这些工具经预先授权可在美国国防部的保密系统上使用。

建议

• 在受控演习中验证本报告描述的监督机器学习方法。

• 探索如何使用无监督机器学习来为作战评估提供信息。

• 适度实施作战报告标准化。

• 改进历史情报和作战报告的归档、发现和提取。

• 扩大专业军事教育所需的特定评估讨论。 target drone