Um novo algoritmo está permitindo o aprendizado profundo que é mais colaborativo e eficiente em termos de comunicação do que os métodos tradicionais.

Os pesquisadores do Exército desenvolveram algoritmos que facilitam a distribuição, recursos de aprendizagem descentralizada e colaborativa entre dispositivos, evitando a necessidade de agrupar todos os dados em um servidor central para aprendizagem.

"Houve um crescimento exponencial na quantidade de dados coletados e armazenados localmente em dispositivos inteligentes individuais, "disse o Dr. Jemin George, um cientista do Exército no Laboratório de Pesquisa do Exército do Comando de Desenvolvimento de Capacidades de Combate do Exército dos EUA. "Numerosos esforços de pesquisa, bem como empresas, têm se concentrado na aplicação de aprendizado de máquina para extrair valor desses dados massivos para fornecer insights baseados em dados, decisões e previsões. "

Contudo, nenhum desses esforços aborda qualquer um dos problemas associados à aplicação de aprendizado de máquina a um espaço de batalha congestionado e restrito, George disse. Essas restrições de espaço de batalha tornam-se mais aparentes quando os dispositivos estão usando algoritmos de aprendizado profundo para a tomada de decisões devido aos altos custos computacionais em termos de tempo de aprendizado e poder de processamento.

"Esta pesquisa tenta abordar alguns dos desafios da aplicação do aprendizado de máquina, ou aprendizado profundo, em ambientes militares, "disse o Dr. Prudhvi Gurram, um cientista que contribuiu para esta pesquisa. “As primeiras indicações e avisos de ameaças aumentam a consciência situacional e contribuem para a evolução e adaptação do Exército para derrotar as ameaças adversárias”.

Os pesquisadores apresentaram suas descobertas na 34ª Conferência da Associação para o Avanço da Inteligência Artificial em Inteligência Artificial, em Nova York. Uma versão pré-impressa do jornal está online.

Em um estudo anterior (consulte os links relacionados abaixo), os pesquisadores demonstraram que os algoritmos de aprendizagem profunda distribuídos podem produzir o mesmo desempenho que os algoritmos de aprendizagem centralizada típicos, sem agregar os dados em um único, localização central, enquanto diminui o tempo de aprendizagem linearmente com o número de dispositivos ou agentes envolvidos na aprendizagem distribuída.

"Os algoritmos de aprendizagem distribuída normalmente requerem várias rodadas de comunicação entre os agentes ou dispositivos envolvidos no processo de aprendizagem para compartilhar seu modelo atual com o resto da rede, "George disse." Isso apresenta vários desafios de comunicação. "

Os pesquisadores do Exército desenvolveram uma nova técnica para diminuir significativamente a sobrecarga de comunicação, em até 70% em certos cenários, sem sacrificar a taxa de aprendizado ou a precisão do desempenho.

Os pesquisadores desenvolveram um mecanismo de disparo, o que permite que os agentes individuais comuniquem seu modelo com seus vizinhos apenas se ele tiver mudado significativamente desde a última transmissão. Embora isso diminua significativamente a interação de comunicação entre os agentes, não afeta a taxa geral de aprendizagem ou a precisão do desempenho do modelo final aprendido, George disse.

Pesquisadores do Exército estão investigando como essa pesquisa pode ser aplicada à Internet das Coisas do Campo de Batalha, incorporação de esquemas de comunicação quantizados e compactados ao algoritmo atual para reduzir ainda mais o overhead de comunicação.

As prioridades de modernização do Exército incluem redes de computadores de próxima geração (ver Links Relacionados abaixo), que permitem ao Exército fornecer capacidades tecnológicas aprovadas pelo líder aos combatentes com o melhor retorno possível do investimento para o Exército.

Esforços futuros irão avaliar o comportamento do algoritmo em maiores, conjuntos de dados militares relevantes usando os recursos de computação disponíveis por meio do U.S. Army AI Innovation Institute, com o algoritmo esperado para fazer a transição para rodar em dispositivos de ponta, George disse.