重磅！【AI+军事】兰德最新发布143页PDF：美国空军使用ML技术对入伍人员分类、再分类

空军专业 (AFS) 初始技能培训 (IST) 的最新趋势表明，美国空军 (USAF) 入伍人员重新分类为其他职业专业的人数近年来有所增加，并且在财政年度之间出现了稳步增长2013 年和 2017 年。职业领域重新分类可能会导致广泛的负面结果，包括成本增加、人员配备延迟、培训计划挑战和士气下降。为了理解和解决 IST 重新分类的挑战，作者考虑了改进流程的选项，以对 IST 的现役非在职飞行员进行分类和重新分类。在本报告中，他们概述了 2019 年一项研究的主要发现，该研究采用了定性和定量分析，包括机器学习 (ML) 模型、评估 IST 成功（和失败）的预测因素。他们还描述了他们对优化模型的测试，该模型旨在确定修改重新分类决策的机会，以便不仅减少重新分类飞行员的数量，而且提高飞行员的工作满意度和生产力，并提高美国空军的保留率。

01 研究问题

美国空军目前对飞行员的分类和重新分类采取了哪些政策，如何改善这两种结果？
哪些因素会影响 IST 的成功和失败？
哪些 ML 方法最适合识别最佳 AFS 分配，从而减少重新分类的需要？
如何改进重新分类以实现更好的培训和职业成果并降低成本？

02 主要发现
2.1 IST 分类旨在优化训练成功，但不优化其他重要结果

平均毕业率为 95%，进一步优化培训成功的努力可能会产生微乎其微的收益。
然而，机器学习模型可能在预测早期分离和重新入伍方面是有效的。

2.2 增加相关变量的数量可以提高 ML 预测的准确性

使用的 ML 模型类型在预测结果方面的差异不到 1%。
扩展 ML 模型中的预测变量集通常会将预测误差降低约 5%。

2.3 重新分类是一个手动过程，可以进行优化以实现不同的结果

美国空军可能没有使用成本最低的 IST 重新分类解决方案或产生最大数量的积极培训和职业成果的解决方案。
使用优化模型对飞行员进行重新分类以实现最佳训练和职业成果将增加重新分类的成本。
实现稍微更好的培训和职业成果同时还降低当前与重新分类相关的成本的替代解决方案也是可能的。

2.4 与 IST 飞行员就选定的 AFS 进行的焦点小组讨论确定了促成 IST 成功和挑战的因素，并确定了改进建议

飞行员的特征（例如，动机）和先前的经验（例如，教育）、支持性教官和学习小组有助于 IST 的成功。
IST 挑战涉及飞行员特征和训练基地环境。
改进涵盖了诸如 AFS 的先验知识以及对 IST 的期望、课程设计、非 IST 要求和宿舍安排等领域。

03 建议

通过保留有关 IST 资格和结果的数据库，要求新兵完成职业评估和招聘人员提供有关 IST 和 AFS 的信息，系统地收集有关工作要求的信息，开发生物数据工具，从而扩展 USAF 入伍分类中使用的预测变量集。由所有入伍新兵完成，并使用同行和教官对飞行员的个性进行评分。
通过定义和系统地测量与 IST 成功相关的结果以及通过监控专业毕业的移动平均值来扩展 USAF 入伍分类中使用的结果集。
提高数据质量、全面性和可访问性，以便 ML 模型能够提供准确且有用的预测。
更新分类和重新分类流程以优化 IST 的成功和工作匹配，从而提高绩效和职业满意度。
在实施任何 ML 模型之前，应对道德和隐私、ML 模型的可解释性和模型性能等领域的挑战。

04 报告目录

第一章

简介和背景

第二章

空军分类和重新分类过程

第三章

可用于预测空军训练和职业成果的数据

第四章

预测成功的模型

第五章

重新分类训练消除的优化模型

第六章