DARPA syftar till att föra in datorseende AI-system i “tredje vågen” av utveckling

Forsvarsavdelningen för avancerad forskning (DARPA) startar ett projekt som syftar till att förbättra datorseendetekniker och starta en “tredje våg” av AI-forskning. Den tredje vågen av AI-forskning syftar till att åtgärda begränsningarna i den första och andra vågen av AI-teknologier, som inkluderar förbättringar av bildigenkänningsalgoritmer.

DARPA är den primära avancerade forskningsgruppen för den amerikanska militären, och den har spelat en kritisk roll i skapandet av många element av modern teknik, såsom de tidigaste datornätverken och de tidigaste AI-systemen. DARPA nyligen publicerade ett meddelande om en kommande möjlighet, där de söker en forskare som kan delta i utvecklingen av “tredje vågen” AI-teori och tillämpningar. Meddelandet hänvisade till möjligheten att arbeta med DARPA:s Pixel Intelligent Processing (IP2)-system. IP2 syftar till att förbättra den allmänna tillförlitligheten, användbarheten och noggrannheten hos bild-/videigenkänningsystem. IP2 är särskilt viktigt för edge-computing-exempel, eftersom dessa enheter inte har tillgång till de beräkningsresurser som behövs för att hantera stora arbetsbelastningar.

IP2 syftar till att lösa två problem som begränsar distributionen av AI-system i edge-computing-enheter. Ett problem är skapandet av låg-vikt, låg-effekt och låg-fördröjning AI-algoritmer som fortfarande kan upprätthålla den noggrannhet som behövs för att vara användbara. Det andra problemet som behöver lösas är datakomplexitet. Ju mer datamängdens komplexitet kan minskas, desto mindre bearbetningskraft behövs för att analysera datamängden.

DARPA-forskare syftar till att minska komplexiteten hos bildmängder genom att använda neurala nätverk som bearbetar enskilda pixlar. Denna teknik minskar datamängdens dimensioner och ökar sparsiteten hos bilderna/ videon i datamängden. Dessa tekniker möjliggör att data bearbetas på backend utan att offra modellens noggrannhet. Dimensionalitetsreduktionsteknikerna möjliggör att AI-systemet extraherar endast den mest relevanta informationen från bilderna/videon och levererar den till det rekurrenta neurala nätverksmodellen som faktiskt gör förutsägelser om data. Det rekurrenta neurala nätverket självt förenklas också för att minska effektåtgången.

Enligt DARPA-tjänstemän, som citeras i NextGov:

“Genom att omedelbart flytta dataströmmen till sparse funktionell representation, minskar komplexiteten [neurala nätverk] och utbildar till hög noggrannhet medan den minskar den totala beräkningsoperationen med 10x.”

IP2-projektet kommer att kräva att prestanda visas med state-of-the-art-noggrannhet samtidigt som en 20x-reduktion i AI-algoritmens bearbetningsenergi-fördröjning när det gäller stora datamängder. Till exempel bör IP2 kunna leverera state-of-the-art-resultat på University of California-Berkelys BDD100K-datamängd, som är en stor datamängd som används för att träna självkörande fordon genom att införliva en mängd olika bildklassificeringsuppgifter tillsammans med ocklusioner och mångfald i väder-, geografiska- och miljöförhållanden.

Som DARPA rustar för att tackla den tredje vågen av datorseendealgoritmer och system leder de också en insats för att automatisera aspekter av flygplanskontroll, nyligen genomfört en serie simulerade tester som satte AI-styrda F-16-jaktplan mot en motståndare. Dessa tester var fas 1 i en större uppdrag att integrera AI i militärens jaktplan. Slutet av fas 1 fokuserar på övergången från simuleringar till riktiga flygningar, med DARPA som förbereder sig för live-flygtester senare i 2021.