DARPA har som mål å bringe datamaskin-syn AI-systemer inn i “tredje bølge” av utvikling

Forsvarsavdelingen for avansert forskning (DARPA) starter et prosjekt som har til hensikt å forbedre datamaskin-synsteknikker og starte en “tredje bølge” av AI-forskning. Den tredje bølgen av AI-forskning søker å løse begrensningene i den første og andre bølgen av AI-teknologier, som inkluderer forbedringer av bilde-gjenkjenning-algoritmer.

DARPA er den primære avanserte forskningsgruppen for det amerikanske militæret, og det har spilt en kritisk rolle i skapelsen av mange elementer i moderne teknologi, som de tidligste datanettverkene og de tidligste AI-systemene. DARPA nylig publiserte en annonsering om en kommende mulighet, som søker en forsker til å delta i utviklingen av “tredje bølge” AI-teori og -applikasjoner. Annonsen gjorde henvisning til muligheten til å arbeide med DARPA’s Pixel Intelligent Processing (IP2)-system. IP2 er ment å forbedre den generelle påliteligheten, brukervennligheten og nøyaktigheten av bilde/video-gjenkjenningssystemer. IP2 er spesielt viktig for edge-computing-eksempler, da disse enhetene ikke har tilgang til de beregningsressursene som er nødvendige for å håndtere store arbeidsbelastninger.

IP2 søker å løse to problemer som begrenser utrullingen av AI-systemer i edge-computing-enhetene. Et problem er skapelsen av lav-vekt, lav-strøm og lav-forsinkelses AI-algoritmer som kan opprettholde den nøyaktigheten som er nødvendig for å være nyttig. Det andre problemet som må løses er datakompleksitet. Jo mer kompleksiteten av datasett kan reduseres, jo mindre prosesseringskraft er nødvendig for å analysere datasett.

DARPA-forskere vil søke å redusere kompleksiteten av bilde-datasett ved å bruke neurale nettverk som prosesserer individuelle piksler. Denne teknikken reduserer dimensjonaliteten av datasett og øker sparsiteten av bildene/videoene i datasett. Disse teknikkene tillater at dataene kan prosesseres på bakenden uten å ofre modellens nøyaktighet. Dimensjonsreduksjonsteknikkene muliggjør at AI-systemet kan trekke ut bare den mest relevante informasjonen fra bildene/videoene og levere den til det resursive neurale nettverksmodellen som faktisk gjør prediksjoner om dataene. Det resursive neurale nettet selv er også forenklet for å redusere strømforbruket.

Ifølge DARPA-tjenestemenn, som sitert i NextGov:

“Ved å flytte datastrømmen umiddelbart til sparse funksjonsrepresentasjon, redusert kompleksitet [neurale nettverk] vil trene til høy nøyaktighet mens de reduserer samlede beregningsoperasjoner med 10x.”

IP2-prosjektet vil trenge utførere til å vise frem state-of-the-art-nøyaktighet samtidig som de institutter en 20x-reduksjon i AI-algoritme-prosesserings-energidelay når de håndterer store datasett. For eksempel bør IP2 kunne levere state-of-the-art-resultater på University of California-Berkley’s BDD100K-datasett, som er et stort datasett brukt til å trene selvkjørende kjøretøy ved å inkorporere en rekke bilde-klassifiseringsoppgaver sammen med okklusjoner og mangfold i vær-, geografiske og miljømessige forhold.

Mens DARPA rustet seg for å takle den tredje bølgen av datamaskin-synsalgoritmer og -systemer, leder det også en innsats for å automatisere aspekter av flykontroll, nylig utførte en rekke simuleringsforsøk som satte AI-kontrollerte F-16-jagerfly mot en motstander. Disse forsøkene var Fase 1 av en større misjon for å integrere AI i militærets jagerfly. Sluttningen av Fase 1 er fokusert på overgangen fra simuleringsflygninger til virkelige flygninger, med DARPA som forbereder seg på live-fly-tester senere i 2021.