DARPA sikter på å bringe datavisjon AI-systemer inn i “tredje bølge” av utvikling

Forsvarsavdelingen for avansert forskning og utvikling (DARPA) starter et prosjekt som har til hensikt å forbedre datavisjonsteknikker 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 bildegenkjenningsalgoritmer.

DARPA er den primære avanserte forskningsgruppen for det amerikanske forsvaret, 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, hvor de søker en forsker som skal delta i utviklingen av “tredje bølge” AI-teori og -applikasjoner. Annonsen gjorde referanse til muligheten til å arbeide med DARPA sitt 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 nødvendige beregningsressursene for å håndtere store arbeidsbelastninger.

IP2 har til hensikt å løse to problemer som begrenser utrullingen av AI-systemer i edge-computing-enhetene. Det ene problemet er å skape lav-vægt-, lav-strøm- og lav-forsinkelses AI-algoritmer som likevel kan opprettholde den nødvendige nøyaktigheten for å være nyttige. Det andre problemet som må løses er datakompleksitet. Jo mer kompleksiteten av datasett kan reduseres, jo mindre beregningskraft er nødvendig for å analysere datasett.

DARPA-forskere vil forsøke 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 baksiden uten å ofre modellens nøyaktighet. Dimensjonsreduksjonsteknikkene gjør det mulig for AI-systemet å trekke ut bare den mest relevante informasjonen fra bildene/videoene og levere den til det resursive neurale nettverksmodellen som faktisk gjør forutsigelser om dataene. Det resursive neurale nettet selv er også forenklet for å redusere strømforbruket.

Ifølge DARPA-tjenestemenn, som sitert i NextGov:

“Ved å umiddelbart flytte datastrømmen til sparse funksjonsrepresentasjon, vil redusert kompleksitet [neurale nettverk] trenes til høy nøyaktighet samtidig som de reduserer totale beregningsoperasjoner med 10x.”

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

Etterhvert som DARPA rustet opp for å takle den tredje bølgen av datavisjonsalgoritmer og -systemer, leder det også en innsats for å automatisere aspekter av flykontroll, nylig utført 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 det militære sine jagerfly. Sluttningen av Fase 1 er fokusert på overgangen fra simulasjoner til virkelige flyvninger, med DARPA som forbereder seg på live-flyforsøk senere i 2021.