Un nuovo algoritmo consente un apprendimento profondo più collaborativo ed efficiente nella comunicazione rispetto ai metodi tradizionali.

I ricercatori dell'esercito hanno sviluppato algoritmi che facilitano la distribuzione, capacità di apprendimento decentralizzato e collaborativo tra dispositivi, evitando la necessità di mettere in comune tutti i dati su un server centrale per l'apprendimento.

"C'è stata una crescita esponenziale della quantità di dati raccolti e archiviati localmente sui singoli dispositivi intelligenti, " ha detto il dottor Jemin George, uno scienziato dell'esercito presso il laboratorio di ricerca dell'esercito del comando di sviluppo delle capacità di combattimento dell'esercito degli Stati Uniti. "Numerosi sforzi di ricerca e aziende si sono concentrati sull'applicazione dell'apprendimento automatico per estrarre valore da dati così massicci per fornire approfondimenti basati sui dati, decisioni e previsioni».

Però, nessuno di questi sforzi affronta nessuno dei problemi associati all'applicazione dell'apprendimento automatico a un contesto contestato, spazio di battaglia congestionato e ristretto, disse Giorgio. Questi vincoli dello spazio di battaglia diventano più evidenti quando i dispositivi utilizzano algoritmi di deep learning per il processo decisionale a causa dei pesanti costi computazionali in termini di tempo di apprendimento e potenza di elaborazione.

"Questa ricerca cerca di affrontare alcune delle sfide dell'applicazione dell'apprendimento automatico, o apprendimento profondo, negli ambienti militari, " ha detto il dottor Prudhvi Gurram, uno scienziato che ha contribuito a questa ricerca. "Le prime indicazioni e avvertimenti di minacce migliorano la consapevolezza della situazione e contribuiscono a come l'esercito si evolve e si adatta per sconfiggere le minacce avversarie".

I ricercatori hanno presentato i loro risultati alla 34th Association for the Advancement of Artificial Intelligence Conference on Artificial Intelligence a New York. Una versione prestampata del documento è online..

In uno studio precedente (vedi Link correlati di seguito), i ricercatori hanno dimostrato che gli algoritmi di deep learning distribuiti possono produrre le stesse prestazioni dei tipici algoritmi di apprendimento centralizzato senza aggregare i dati in un unico, posizione centrale, riducendo il tempo di apprendimento in modo lineare con il numero di dispositivi o agenti coinvolti nell'apprendimento distribuito.

"Gli algoritmi di apprendimento distribuito in genere richiedono numerosi cicli di comunicazione tra gli agenti o i dispositivi coinvolti nel processo di apprendimento per condividere il loro modello attuale con il resto della rete, " George ha detto. "Questo presenta diverse sfide di comunicazione."

I ricercatori dell'esercito hanno sviluppato una nuova tecnica per ridurre significativamente il sovraccarico di comunicazione, fino al 70% in determinati scenari, senza sacrificare il tasso di apprendimento o la precisione delle prestazioni.

I ricercatori hanno sviluppato un meccanismo di attivazione, che ha permesso ai singoli agenti di comunicare il proprio modello con i vicini solo se è cambiato in modo significativo dall'ultima volta che è stato trasmesso. Sebbene ciò riduca significativamente l'interazione comunicativa tra gli agenti, non influisce sul tasso di apprendimento complessivo o sull'accuratezza delle prestazioni del modello appreso finale, disse Giorgio.

I ricercatori dell'esercito stanno studiando come questa ricerca può essere applicata all'Internet of Battlefield Things, incorporare schemi di comunicazione quantizzati e compressi nell'algoritmo corrente per ridurre ulteriormente il sovraccarico di comunicazione.

Le priorità di modernizzazione dell'esercito includono reti di computer di nuova generazione (vedi link correlati di seguito), che consentono all'esercito di fornire capacità tecnologiche approvate dai leader ai combattenti di guerra con il miglior ritorno sull'investimento possibile per l'esercito.

Sforzi futuri valuteranno il comportamento dell'algoritmo su set di dati di rilevanza militare che utilizzano le risorse informatiche disponibili tramite l'US Army AI Innovation Institute, con l'algoritmo che dovrebbe passare per essere eseguito su dispositivi perimetrali, disse Giorgio.