DARPA zielt darauf ab, Computer-Vision-KI-Systeme in die “Dritte Welle” der Entwicklung zu bringen

Die Defense Advanced Research Projects Agentur (DARPA) startet ein Projekt, das darauf abzielt, Computer-Vision-Techniken zu verbessern und eine “Dritte Welle” der KI-Forschung zu starten. Die Dritte Welle der KI-Forschung zielt darauf ab, die Einschränkungen der ersten und zweiten Wellen der KI-Technologien zu überwinden, darunter Verbesserungen der Bilderkennungsalgorithmen.

DARPA ist die wichtigste Forschungseinrichtung für die US-Militär und hat eine entscheidende Rolle bei der Entwicklung vieler Elemente der modernen Technologie gespielt, wie z.B. die ersten Computernetzwerke und die ersten KI-Systeme. DARPA hat kürzlich eine Ankündigung über eine bevorstehende Gelegenheit veröffentlicht, bei der ein Forscher gesucht wird, um an der Entwicklung der “Dritten Welle” der KI-Theorie und -Anwendungen teilzunehmen. Die Ankündigung verwies auf die Gelegenheit, an DARPA’s Pixel Intelligent Processing (IP2)-System zu arbeiten. IP2 soll die allgemeine Zuverlässigkeit, Benutzerfreundlichkeit und Genauigkeit von Bild-/Videorekognitionssystemen verbessern. IP2 ist besonders wichtig für Edge-Computing-Instanzen, da diese Geräte keinen Zugang zu den notwendigen Rechenressourcen haben, um große Arbeitslasten zu bewältigen.

IP2 zielt darauf ab, zwei Probleme zu lösen, die die Bereitstellung von KI-Systemen in Edge-Computing-Geräten einschränken. Ein Problem ist die Entwicklung von Low-Weight-, Low-Power- und Low-Latency-KI-Algorithmen, die immer noch die notwendige Genauigkeit aufrechterhalten können, um nützlich zu sein. Das andere Problem, das gelöst werden muss, ist die Datenkomplexität. Je mehr die Komplexität des Datensatzes reduziert werden kann, desto weniger Rechenleistung ist erforderlich, um den Datensatz zu analysieren.

DARPA-Forscher werden darauf abzielen, die Komplexität von Bild-Datensätzen durch die Verwendung von neuronalen Netzen zu reduzieren, die einzelne Pixel verarbeiten. Diese Technik reduziert die Dimensionalität des Datensatzes und erhöht die Spärlichkeit der Bilder/Videos im Datensatz. Diese Techniken ermöglichen es, die Daten auf der Backend-Seite zu verarbeiten, ohne die Genauigkeit des Modells zu beeinträchtigen. Die Dimensionalitätsreduktionstechniken ermöglichen es dem KI-System, nur die relevantesten Informationen aus den Bildern/Videos zu extrahieren und an das rekurrente neuronale Netzwerk-Modell zu liefern, das tatsächlich Vorhersagen über die Daten trifft. Das rekurrente neuronale Netzwerk selbst wird auch vereinfacht, um den Energieverbrauch zu reduzieren.

Laut DARPA-Beamten, wie in NextGov zitiert:

„Indem die Datenströme sofort in sparse Feature-Darstellung überführt werden, werden reduzierte Komplexität [neuronale Netze] mit hoher Genauigkeit trainiert, während die Gesamtrechenoperationen um 10x reduziert werden.“

Das IP2-Projekt wird von den Teilnehmern verlangen, eine state-of-the-art-Genauigkeit zu zeigen, während auch eine 20-fache Reduzierung der KI-Algorithmen-Verarbeitungsenergie-Verzögerung bei der Verarbeitung großer Datensätze erreicht wird. Zum Beispiel sollte IP2 in der Lage sein, state-of-the-art-Ergebnisse auf dem University of California-Berkley’s BDD100K-Datensatz zu liefern, der ein großer Datensatz ist, der zum Trainieren von selbstfahrenden Fahrzeugen verwendet wird, indem er eine Vielzahl von Bildklassifizierungsaufgaben neben Occlusions und Vielfalt in Wetter-, geografischen und Umgebungsbedingungen umfasst.

Während DARPA sich darauf vorbereitet, die dritte Welle der Computer-Vision-Algorithmen und -Systeme zu meistern, leitet sie auch einen Versuch, Aspekte der Flugzeugsteuerung zu automatisieren, indem sie kürzlich eine Reihe von simulierten Tests durchgeführt hat, bei denen KI-gesteuerte F-16-Kampfjets gegen einen Gegner antraten. Diese Tests waren Phase 1 einer größeren Mission, um KI in die Kampfjets des Militärs zu integrieren. Das Ende von Phase 1 konzentriert sich auf den Übergang von Simulationen zu realen Flügen, wobei DARPA sich auf Live-Flugtests im Jahr 2021 vorbereitet.