DARPA Streeft ernaar om Computer Vision AI-Systemen naar de “Derde Golf” van Ontwikkeling te Brengen

Het Defense Advanced Research Projects Agent (DARPA) start een project om computer vision-technieken te verbeteren en een “derde golf” van AI-onderzoek te starten. De derde golf van AI-onderzoek richt zich op het aanpakken van de beperkingen van de eerste en tweede golven van AI-technologieën, waaronder verbeteringen van beeldherkenning-algoritmen.

DARPA is de primaire geavanceerde onderzoeksgroep voor het Amerikaanse leger en heeft een cruciale rol gespeeld in de creatie van veel elementen van moderne technologie, zoals de vroegste computernetwerken en de vroegste AI-systemen. DARPA heeft onlangs een aankondiging gedaan over een aanstaande mogelijkheid, waarin een onderzoeker wordt gezocht om deel te nemen aan de ontwikkeling van “derde golf” AI-theorie en -toepassingen. De kennisgeving verwees naar de mogelijkheid om te werken aan DARPA’s Pixel Intelligent Processing (IP2)-systeem. IP2 is bedoeld om de algemene betrouwbaarheid, gebruikersvriendelijkheid en nauwkeurigheid van beeld-/videorecognitiesystemen te verbeteren. IP2 is vooral belangrijk voor edge-computing-exemplaren, aangezien deze apparaten geen toegang hebben tot de benodigde rekenkracht om grote werklasten te verwerken.

IP2 heeft als doel twee problemen op te lossen die de inzet van AI-systemen in edge-computing-apparaten beperken. Een van de problemen is de creatie van lichtgewicht-, laagvermogen- en lage-latentie-AI-algoritmen die nog steeds de benodigde nauwkeurigheid kunnen behouden om nuttig te zijn. Het andere probleem dat moet worden opgelost, is gegevenscomplexiteit. Hoe meer de complexiteit van de dataset kan worden verminderd, hoe minder verwerkingskracht nodig is om de dataset te analyseren.

DARPA-onderzoekers zullen proberen de complexiteit van beeldatasets te verminderen door neurale netwerken te gebruiken die individuele pixels verwerken. Deze techniek vermindert de dimensionaliteit van de dataset en verhoogt de spaarzaamheid van de afbeeldingen/video in de dataset. Deze technieken maken het mogelijk om de gegevens op de backend te verwerken zonder de nauwkeurigheid van het model te offers te brengen. De technieken voor dimensionaliteitsreductie maken het mogelijk voor het AI-systeem om alleen de meest relevante informatie uit de afbeeldingen/video te extraheren en deze door te geven aan het recurrente neurale netwerkmodel dat daadwerkelijk voorspellingen over de gegevens doet. Het recurrente neurale net zelf is ook vereenvoudigd om de energieverbruik te verminderen.

Volgens DARPA-functionarissen, zoals geciteerd in NextGov:

“Door de gegevensstroom onmiddellijk te verplaatsen naar een schaarse functie-weergave, zullen neurale netwerken met gereduceerde complexiteit trainen tot hoge nauwkeurigheid terwijl de totale rekenoperaties met 10x worden verminderd.”

Het IP2-project zal performers moeten laten zien die state-of-the-art-nauwkeurigheid kunnen bereiken terwijl ze ook een vermindering van 20x in AI-algoritme-verwerking-energievertraging realiseren bij het verwerken van grote datasets. Bijvoorbeeld, IP2 zou state-of-the-art-resultaten moeten kunnen leveren op de BDD100K-dataset van de Universiteit van Californië-Berkley, die een grote dataset is die wordt gebruikt om zelfrijdende voertuigen te trainen door middel van een verscheidenheid aan beeldclassificatietaken naast occlusies en diversiteit in weersomstandigheden, geografische en omgevingsomstandigheden.

Terwijl DARPA zich voorbereidt om de derde golf van computer vision-algoritmen en -systemen aan te pakken, leidt het ook een inspanning om aspecten van vliegtuigbesturing te automatiseren, onlangs een reeks gesimuleerde tests heeft uitgevoerd die AI-gecontroleerde F-16-gevechtsvliegtuigen tegen een tegenstander hebben gezet. Deze tests waren Fase 1 van een grotere missie om AI in de gevechtsvliegtuigen van het leger te integreren. Het einde van Fase 1 is gericht op de overgang van simulaties naar echte vluchten, met DARPA dat zich voorbereidt op live-fly-tests later in 2021.