Pekiştirmeli Öğrenme Tabanlı Sanal Pilotlar ile Askeri Harekat Analizi ve Görev Mühendisliği

Bu çalışmada görev odaklı simülasyonlarda pekiştirmeli öğrenme ile eğitilmiş sanal ajanların, yalnızca operasyonel görev icracısı değil, aynı zamanda askeri harekat analizinde karar destek aracı olarak kullanılabilirliği incelenmektedir. Doğrusal, dinamik programlama, Monte Carlo simülasyonları gibi geleneksel yöntemler, görev kurallarının önceden tanımlanmasını gerektirdiğinden, gerçek dünyadaki belirsizlikleri yeterince yansıtamamaktadır. Buna karşılık, farklı senaryolarda eğitilen RL tabanlı sanal pilotlar çok sayıda görev icrasıyla davranışsal veri üretmekte; isabet-zaiyat oranları, mühimmat kullanımı, rota tercihleri, tehdit düzeyleri ve müttefik zafiyetleri üzerinden taktiksel çıkarımlar yapılabilmektedir. Isı haritaları, karar ağaçları ve öznitelik önem analizleri gibi yöntemlerle öngörüsel değerlendirmeler gerçekleştirilebilmekte, senaryolar arası farklar sayısal olarak ortaya konmaktadır. Sonuç olarak, RL ajanlarının öğrenilmiş politikalarının istatistiksel ve açıklanabilir analiz teknikleriyle birleştirilmesi, yalnızca görev icra eden değil aynı zamanda karar destek süreçlerinde etkin rol üstlenen yeni nesil askeri analiz altyapılarının geliştirilmesini mümkün kılmaktadır.