Agencja DARPA dąży do wprowadzenia systemów komputerowego widzenia AI do “trzeciej fali” rozwoju

Agencja Obrony zaawansowanych badań i rozwoju (DARPA) rozpoczyna projekt mający na celu poprawę technik komputerowego widzenia i rozpoczęcie „trzeciej fali” badań nad sztuczną inteligencją. Trzecia fala badań nad sztuczną inteligencją ma na celu rozwiązanie ograniczeń pierwszej i drugiej fali technologii sztucznej inteligencji, w tym poprawę algorytmów rozpoznawania obrazów.

DARPA jest główną grupą badawczą dla wojska Stanów Zjednoczonych i odegrała kluczową rolę w tworzeniu wielu elementów nowoczesnej technologii, takich jak najwcześniejsze sieci komputerowe i najwcześniejsze systemy sztucznej inteligencji. DARPA niedawno opublikowała ogłoszenie o nadchodzącej możliwości, poszukując badacza, który wziąłby udział w rozwoju „trzeciej fali” teorii i aplikacji sztucznej inteligencji. Ogłoszenie odnosiło się do możliwości pracy nad systemem Pixel Intelligent Processing (IP2) DARPA. IP2 ma na celu poprawę ogólnej niezawodności, użyteczności i dokładności systemów rozpoznawania obrazów i wideo. IP2 jest szczególnie ważny dla przypadków obliczeń na brzegu, ponieważ urządzenia te nie mają dostępu do zasobów obliczeniowych niezbędnych do obsługi dużych obciążeń.

IP2 ma na celu rozwiązanie dwóch problemów, które ograniczają wdrożenie systemów sztucznej inteligencji w urządzeniach obliczeń na brzegu. Jednym z problemów jest stworzenie algorytmów sztucznej inteligencji o niskim ciężarze, niskiej mocy i niskim opóźnieniu, które mogą nadal utrzymywać wymaganą dokładność. Innym problemem, który wymaga rozwiązania, jest złożoność danych. Im bardziej można zredukować złożoność zbioru danych, tym mniej mocy obliczeniowej jest potrzebne do analizy zbioru danych.

Badacze z DARPA będą dążyć do zredukowania złożoności zbiorów danych obrazów za pomocą sieci neuronowych, które przetwarzają poszczególne piksele. Ta technika redukuje wymiarowość zbioru danych i zwiększa rzadkość obrazów/wideo w zbiorze danych. Te techniki pozwalają na przetwarzanie danych na backendzie bez poświęcania dokładności modelu. Techniki redukcji wymiarowości umożliwiają systemowi sztucznej inteligencji wyodrębnienie tylko najbardziej istotnych informacji z obrazów/wideo i dostarczenie ich do modelu sieci neuronowej, który faktycznie dokonuje prognoz na podstawie danych. Sam model sieci neuronowej jest również uproszczony w celu zredukowania zużycia mocy.

Zdaniem urzędników DARPA, jak cytowane w NextGov:

„Przez natychmiastowe przeniesienie strumienia danych do rzadkiej reprezentacji cech, sieci neuronowe o zmniejszonej złożoności będą szkolić do wysokiej dokładności, redukując ogólne operacje obliczeniowe o 10-krotnie.”

Projekt IP2 będzie wymagał od wykonawców wyświetlenia najnowocześniejszej dokładności, jednocześnie wprowadzając 20-krotną redukcję energii opóźnienia algorytmów sztucznej inteligencji przy obsłudze dużych zbiorów danych. Na przykład, IP2 powinien być w stanie dostarczyć najnowocześniejsze wyniki na zbiorze danych BDD100K Uniwersytetu Kalifornijskiego w Berkeley, który jest dużym zbiorem danych używanym do szkolenia samochodów autonomicznych, poprzez włączenie różnych zadań klasyfikacji obrazów wraz z zakryciami i różnorodnością warunków pogodowych, geograficznych i środowiskowych.

Ponieważ DARPA przygotowuje się do podjęcia trzeciej fali algorytmów i systemów komputerowego widzenia, również prowadzi wysiłki w celu zautomatyzowania aspektów kontroli statków powietrznych, niedawno przeprowadzając serię symulowanych testów, które umieściły sterowane przez sztuczną inteligencję myśliwce F-16 przeciwko przeciwnikowi. Te testy były fazą 1 większej misji, której celem jest zintegrowanie sztucznej inteligencji z myśliwcami wojskowymi. Koniec fazy 1 koncentruje się na przejściu od symulacji do lotów w świecie rzeczywistym, przygotowując się do testów lotu na żywo w 2021 roku.