改进对军事人员保留的预测可以在多个层面上帮助美国防部（DOD）领导人和部队管理者。发展一支致命的、高效的和准备就绪的部队，需要领导人在一个详细的水平上预测即将发生的军事人员规模和形态的变化。为了支持负责人事和战备的美国防部副部长办公室，IDA开发了持续预测模型（RPM）。RPM使用机器学习算法和广泛的人事记录来捕捉服务特征中丰富的互动，并预测个别军人何时会从军队离职。RPM的个人层面的预测可以按任何需要的人口子集进行汇总，包括职业领域、队列、单位或人口统计学。

目前，RPM纳入了2000年至2018年间现役人员的每月记录。这个群体包括大约450万独特的个人和600多个行政领域，涵盖职业历史、家庭、工资和部署。为了方便和加快模型训练，2000年至2018年之间所有服役人员的5%的样本被分成两个子样本。第一个子样本，包括75%的样本（约169,000人），被用来训练RPM。其余25%的样本则用于测试。根据关于一个军人的职业和在某一点上可观察到的特征的信息，RPM估计一个人在未来任何数量的时期内继续服役的概率。RPM使用了一个专门为分析应用而开发的生存损失函数，在这种情况下，一连串事件中的最终状态是无法观察到的或尚未发生。分类变量使用嵌入层进行编码，以确定对预测模型最有用的映射结构。

RPM产生了个人层面的预测，密切反映了实际的流失模式。在样本外数据的测试中，给定两个随机选择的军人，其中一个在一年内离开军队，RPM在88%的时间内识别了正确的个人。将时间范围扩大到4年，该模型80%的时间是正确的；对于18年以内的任何年数，该模型78%以上的时间是正确的。

应用机器学习技术来识别人事数据的模式，可以对影响军事人员保留和部队规划的问题有新的认识。美国防部可以利用RPM来预测特定职业领域的短缺，为异质人口的预期职业长度进行规划，并制定政策以留住备受欢迎的人员。