DARPA sigter mod at bringe computer vision AI-systemer ind i “tredje bølge” af udvikling

Forsvarsforskningsagenturet Defense Advanced Research Projects Agent (DARPA) starter et projekt, der har til formål at forbedre computer vision-teknikker og starte en “tredje bølge” af AI-forskning.

DARPA er den primære avancerede forskningsgruppe for den amerikanske hær, og det har spillet en kritisk rolle i skabelsen af mange elementer i moderne teknologi, såsom de tidligste computer-netværk og de tidligste AI-systemer. DARPA har nylig offentliggjort en meddelelse om en kommende mulighed, hvor de søger en forsker til at deltage i udviklingen af “tredje bølge” AI-teori og -anvendelser. Meddelelsen henviser til muligheden for at arbejde med DARPA’s Pixel Intelligent Processing (IP2)-system. IP2 er designet til at forbedre den generelle pålidelighed, brugervenlighed og nøjagtighed af billed-/video-genkendelsessystemer. IP2 er særligt vigtigt for edge-computing-eksempler, da disse enheder ikke har adgang til de beregningsressourcer, der er nødvendige for at håndtere store arbejdsbelastninger.

IP2 sigter mod at løse to problemer, der begrænser udrulningen af AI-systemer i edge-computing-enheder. Det ene problem er skabelsen af lav-vægt-, lav-strøm- og lav-forsinkelses AI-algoritmer, der stadig kan opretholde den nøjagtighed, der er nødvendig for at være nyttig. Det andet problem, der skal løses, er data-kompleksitet. Jo mere kompleksiteten af datamængden kan reduceres, desto mindre beregningskraft er nødvendig for at analysere datamængden.

DARPA-forskere vil sigte mod at reducere kompleksiteten af billed-datamængder ved at bruge neurale netværk, der behandler enkeltlige pixels. Denne teknik reducerer dimensionality af datamængden og øger sparsomheden af billederne/videoerne i datamængden. Disse tekniker tillader, at data kan behandles på backend uden at ofre modellens nøjagtighed. Dimensionality-reduktions-teknikerne tillader AI-systemet at trække ud kun den mest relevante information fra billederne/videoerne og levere den til det rekurrerende neurale netværksmodel, der faktisk foretager forudsigelser om data. Det rekurrerende neurale netværk selv er også forenklet for at reducere strømforbrug.

Ifølge DARPA-myndighederne, som citeret i NextGov:

“Ved at flytte datastrømmen til sparse feature-repræsentation, reducerer kompleksiteten [neurale netværk] og træner til høj nøjagtighed, mens den reducerer samlede beregningsoperationer med 10x.”

IP2-projektet vil kræve, at udøvere viser state-of-the-art nøjagtighed, mens de også institutionerer en 20x-reduktion i AI-algoritme-bearbejdnings-energi-forsinkelse, når de håndterer store datamængder. For eksempel skal IP2 være i stand til at levere state-of-the-art-resultater på University of California-Berkleys BDD100K-datamængde, der er en stor datamængde, der bruges til at træne selvstyrende køretøjer ved at inkorporere en række billed-klassificeringsopgaver sammen med occlusioner og diversitet i vejr-, geografiske og miljømæssige betingelser.

Da DARPA forbereder sig til at tackle den tredje bølge af computer vision-algoritmer og -systemer, leder de også en indsats for at automatisere aspekter af flykontrol, efter nylig at have gennemført en række simulerede tests, der satte AI-styrede F-16-kampfly mod en modstander. Disse tests var Fase 1 af en større mission til at integrere AI i hærens kampfly. Afslutningen af Fase 1 er fokuseret på overgangen fra simulationer til rigtige flyvninger, med DARPA, der forbereder sig til live-fly-tests senere i 2021.