11月13日，法国巴黎市中心发生多起枪击爆炸事件，已造成逾百人死亡。据美联社和欧洲新闻电视台(Euronews)11月14日消息，恐袭已致129人死亡，352人受伤，其中99人受重伤。
ISIS惨绝人寰的行为引起了全世界的愤怒。但是，恐怖分子的行为并不是随机的，而是具有一定的模式。现今最擅长识别模式的技术就是 人工智能 了。那么，能不能利用 人工智能 来提前预知恐怖袭击呢？今天我们就来介绍一位西点军校毕业生，以及他如何用 人工智能 和 数据分析 的方法对抗ISIS。
Paulo Shakarian现在是美国亚利桑那州立大学的计算机科学教授，曾是西点军校的研究生，还曾担任过美国军方情报官员 。
由于他的工作时常接触到大量一线的情报官员，他突然意识到，有许多智能技术都能运用在这个领域。情报人员常需要分析他们所能获得的所有数据，并对原因作出假设。但他们很少会有时间回头检查，尤其在战争延续期间。在伊拉克时，Shakarian开始用他在西点军校学到的计算机科学知识进行情报分析，并开始构思用 人工智能 的方法对曾被认为不可预测的反叛组织行为进行建模 。
后来，他进入了马里兰大学，获得了计算机科学的硕士学位。他的目标非常明确：用 机器学习 的方法来变革情报分析领域 。 机器学习 也正是无人驾驶汽车所仰赖的技术。当他在马里兰大学获得博士学位后，就进入亚利桑那州立大学，继续他的 人工智能 研究。
他的研究孵化了多个具有革命潜力的项目，例如游侠特遣部队(Task Force Paladin )用来在阿富汗检测简易爆炸装置的SCARE软件，以及芝加哥警察局用来打击帮派活动的社交媒体分析工具GANG和SNAKE。
近几年，他在这个领域发表了几篇论文。下面我们就来看看，他究竟发现了什么？能预测ISIS的活动规律吗？
让恐怖分子群龙无首：挫败首领生成机制
2012年11月，Shakarain发布了一篇论文，名字叫《攻击强健恐怖网络的塑造行动》(Shaping Operations to Attack Robust Terror Networks)，旨在瓦解恐怖组织的首领生成机制。这篇论文引起了美国众议院特别情报委员会的注意，并邀请他去介绍自己的发现。
为了瓦解恐怖组织和反叛网络， 安全 机构通常倾向于定点打击“高价值目标”(HVT)，也就是他们的首领。然而，有无数的例子证明，首领被击毙后，反叛网络很快就会再生成一位新的首领 。例如，2006年6月8日，臭名昭著的基地组织首领阿布·穆萨布·扎卡维被击毙后，一星期之后就出现了一位新首领阿布·艾尤卜·穆哈吉尔。
如何瓦解这种首领的再生成机制呢？Shakarain引入了一个概念叫做“塑造”(shaping)行动，意思是说，在打击首领之前，先采取行动，瓦解该组织产生新领导的能力，然后再采取普通的行动以击毙首领。这样，恐怖网络就很难再生成一位新首领，也就很难东山再起。
那么，要如何做到这一点呢？Shakarain利用了网络理论，通过移除节点，来实现网络中心性的最大化。直观上看，网络中心性代表了高度节点的临界值。低中心性的网络更加去中心化，因此更加容易生成新的首领 。在这篇论文中，他们旨在寻找那些能够使中心性最大化的目标节点，以便使接下来的定点打击更加有效。
之前，这个问题被证明是一个NP完全问题。为了实际操作，他们引入了一个混合的整数线性规划和贪婪启发式搜索。执行贪婪启发式搜索后，在检查5个真实的恐怖分子网络时发现，只需要移除12%的节点，就能提高网络中心性17%~45%。这个 算法 还能应用在包含1133个节点和5541个边的网络中。
坦桑尼亚网络的节点被贪婪启发式搜索去除后的可视化表现。图A是初始网络，图B去除了3个节点，图C去除了5个节点，图D去除了9个节点。随着去除的节点越来越多，图形变得越来越像星形。当去除11个节点后，拓扑结构就完全像一个星形了。
ISIS的行为并不是完全随机的，而是有规律可循，这是Paulo Shakarian的惊人发现。
挖掘ISIS行为之间的相关性
今年8月，Paulo Shakarian的团队在知识发现与 数据挖掘 会议(Conference on Knowledge Discovery and Data Mining)上发表了一篇论文，名为《挖掘因果关系：对ISIS的数据驱动研究》(Mining for Causal Relationships: A Data-Driven Study of the Islamic State)，公布了他们的发现。
这篇论文中，他们分析了战争研究所提供的2200个ISIS相关事件的数据，构建了一个描述模型——一个模拟ISIS行为的 算法 。这2200个事件发生于2014年下半年，既包括了围绕ISIS的军事行动，以及反对ISIS的势力(包括伊拉克、叙利亚和美国领导的联盟)。在其中，他们将逻辑程序和因果推理相结合，试图挖掘出事件之间的因果关系。
由此，他们得出了一些规则，这些规则的预测是由多个原子命题(不包含其他命题作为其组成部分的命题，即在结构上不能再分解出其他命题的命题)所组成，并通过比较相同事件序列的规则，来获得因果关系的证据。除了考虑规则的概率(p)之外，他们还研究了因果关系的度量εavg，这可以看做是当同时考虑到其他类似规则时，规则的先决条件所能提供的概率提升。
结果，他们果然发现了一些规律：
1，如果在某个星期，ISIS在伊拉克采取了步兵行动并伴有间接射击，那么，下一个星期在叙利亚就会出现车载简易爆炸装置(VBIED)的行动。(p=1.0，εavg=0.92)
2，如果在某个星期，ISIS在伊拉克提克里特市采取了行动，并进行了大规模的处决，那么，随之而来的就是伊拉克的叙利亚同时出现大量简易爆炸装置(IED)。(p=1.0，εavg=0.97)
