Teknologi prajurit yang digerakkan oleh AI memenangkan pujian dari masyarakat teknik
Machine

Teknologi prajurit yang digerakkan oleh AI memenangkan pujian dari masyarakat teknik


Tentara mengevaluasi Lingkungan Komputasi Taktis Angkatan Darat AS dan teknologi komando misi lainnya selama Latihan Pengurangan Risiko Berbasis Lapangan Sains dan Teknologi Pos Komando Ekspedisi. Kredit: Kathryn Bailey, CERDEC CP&I Direktorat

Institute of Electrical and Electronics Engineers Communications Society mengakui seorang peneliti dan kolaborator Angkatan Darat atas pekerjaan mereka pada teknik kecerdasan buatan yang akan meningkatkan kesadaran situasional Prajurit dalam lingkungan operasi multi-domain.

Dr. Kevin Chan, peneliti untuk Komando Pengembangan Kemampuan Tempur Angkatan Darat AS, yang dikenal sebagai DEVCOM, Laboratorium Penelitian Angkatan Darat, dan kolaborator dari Pusat Penelitian IBM TJ Watson, Imperial College London, dan Universitas Negeri Pennsylvania memperoleh hadiah Leonard G. Abraham dari IEEE untuk makalah mereka, Adaptive Federated Learning dalam Resource Constrained Edge Computing Systems. Para peneliti mempublikasikan temuan mereka di Jurnal IEEE tentang Area Terpilih dalam Komunikasi.

Menurut para peneliti, upaya kolaboratif itu dimungkinkan karena Distributed Analytics and Information Science International Technology Alliance lab. Program ini berupaya mengembangkan penelitian dasar yang diperlukan untuk memungkinkan analitik terdistribusi yang aman, dinamis, dan sadar semantik untuk memperoleh pemahaman situasional dalam operasi koalisi.

Penelitian ini semakin memperluas kemampuan dan penerapan pembelajaran federasi, sebuah istilah yang awalnya diciptakan oleh Google.

“Sebuah kasus penggunaan penting dari pembelajaran federasi adalah dalam operasi koalisi, di mana berbagi data mungkin dilarang oleh kendala kebijakan, tetapi berbagi model mungkin diperbolehkan,” kata Dr. Ananthram Swami, rekan DEVCOM ARL dan ilmuwan peneliti senior. “Selanjutnya, kurangnya data dalam skenario yang relevan dengan Angkatan Darat membuat pembagian model seperti itu penting untuk meningkatkan akurasi prediksi.”

Makalah dan penelitian membahas beberapa masalah penting dalam pembelajaran federasi, atau FL, untuk pertama kalinya, termasuk optimasi pelatihan di bawah kendala sumber daya, konvergensi FL dengan distribusi data yang tidak terdistribusi secara identik, dan validasi teknik dengan implementasi menggunakan perangkat tepi dunia nyata. . Menurut masyarakat, makalah para peneliti menunjukkan kualitas tinggi, orisinalitas, kegunaan, ketepatan waktu dan kejelasan presentasi.

“Fakta bahwa makalah ini mampu mengusulkan solusi yang bersama-sama mengatasi semua masalah ini secara koheren menjadikannya kontribusi ilmiah yang sangat berharga,” kata Dr. Shiqiang Wang, peneliti di Pusat Penelitian IBM Thomas J. Watson.

Pembelajaran gabungan memungkinkan perangkat seluler untuk secara kolaboratif mempelajari model prediksi bersama sambil menyimpan semua data pelatihan di perangkat, memisahkan kemampuan untuk melakukan pembelajaran mesin dari kebutuhan untuk menyimpan data di cloud, kata Chan.

“Kontribusi penelitian kami adalah untuk memahami bagaimana kami dapat melakukan pembelajaran gabungan di sisi taktis,” kata Chan. “Pekerjaan ini mempelajari bagaimana kita dapat belajar dengan baik pada set besar perangkat berdaya rendah yang terhubung melalui jaringan terbatas sumber daya”.

Angkatan Darat bergerak menuju penggunaan kecerdasan buatan dan pembelajaran mesin di semua aspek operasi, terutama dalam pengaturan jaringan taktis, di mana sejumlah besar data dihasilkan di tepi dan harus dipahami, dan meskipun ada keterbatasan komputasi dan sumber daya jaringan, harus digunakan untuk mendukung berbagai operasi, kata Chan.

Hasil masa depan dari penelitian ini akan memungkinkan Prajurit untuk membangun dan mempertahankan kesadaran situasional dengan lebih cepat memanfaatkan informasi dari banyak perangkat, katanya

“Layanan analitik seperti klasifikasi gambar dan pengenalan pola sangat penting untuk mendukung operasi militer,” kata Wang.

Layanan ini memerlukan penggunaan volume data yang besar, seringkali dimiliki oleh entitas yang berbeda dan tersedia di lokasi yang tersebar, untuk melatih model analitik untuk berbagai tugas, katanya. Pelatihan model seperti itu menghadapi kendala utama berikut dalam lingkungan taktis:

  • Pemilik data mungkin lebih memilih untuk menjaga privasi data dengan tidak membagikan data mereka kepada orang lain
  • Ketersediaan komunikasi, komputasi, dan sumber daya lainnya yang terbatas sering kali melarang transfer semua data ke server pusat untuk proses pelatihan

Tim menangani tantangan teknis pembelajaran terdistribusi yang tunduk pada privasi data dan keterbatasan sumber daya. Secara khusus, mereka mengembangkan pembelajaran gabungan yang hemat sumber daya untuk melatih model analitik di mana data pribadi tetap lokal di node tepi jaringan dan hanya parameter model yang dibagikan di antara node yang berbeda.

Menurut para peneliti, metode baru ini mencakup pembaruan model lokal di node tepi dan agregasi parameter global oleh server pusat. Teknik ini bertujuan untuk mengoordinasikan operasi FL yang berbeda ini untuk mencapai pelatihan model yang paling efisien dengan tunduk pada kendala.

“Dalam hal implikasi untuk aplikasi pertahanan, teknologi baru ini memungkinkan pelatihan terdistribusi atau adaptasi model analitik di lingkungan terbatas sumber daya, untuk memungkinkan mitra koalisi (atau unit militer) saling membantu mempelajari tugas serupa tanpa perlu berbagi data sensitif mereka. karena pertimbangan privasi atau kurangnya sumber komunikasi,” kata Profesor Kin Leung, Teknik Elektro dan Elektronik, dan Departemen Komputasi di Imperial College London. “Pendekatan baru memberikan kemampuan mutakhir atas musuh kita.”

Pembelajaran gabungan adalah keharusan jika pasukan koalisi ingin menggabungkan wawasan dari data independen mereka untuk membangun model AI yang lebih baik, kata Dr. Dinesh Verma, rekan IBM yang memimpin tim yang bekerja di bidang AI Terdistribusi.

“Jenis berbagi seperti itu bisa sangat sulit di sisi taktis karena bandwidth terbatas,” kata Verma. “Inovasi yang diusulkan oleh penelitian ini mengatasi banyak dari kesulitan ini, membuat berbagi seperti itu layak dalam jaringan taktis koalisi. Teknologi ini memiliki penerapan di luar jaringan taktis—di lingkungan mana pun di mana banyak organisasi berbagi wawasan dalam lingkungan bandwidth terbatas termasuk otomotif, manufaktur, kehutanan dan industri pertambangan.”

Tim akan menerima penghargaan pada presentasi virtual di Konferensi Internasional IEEE tentang Komunikasi 15 Juni.

“Merupakan suatu kehormatan untuk diakui oleh IEEE Communications Society atas keberhasilan penelitian kami dan kontribusinya terhadap komunitas penelitian komunikasi dan jaringan,” kata Chan. “Merupakan kehormatan yang lebih besar untuk dianugerahi hadiah ini dengan beberapa institusi yang telah bekerjasama secara ekstensif dengan ARL. Para kolaborator juga peneliti yang telah bekerja dengan saya secara pribadi selama bertahun-tahun, jadi sangat bagus untuk diakui sebagai sebuah tim.”

Makalah ini telah membentuk fondasi penting FL untuk keunggulan sumber daya yang terbatas, kata Wang.

“Teknik yang diusulkan sangat penting untuk Internet of Things di masa depan, komputasi tepi, dan sistem seluler (5G, 6G dan seterusnya), di mana banyak aplikasi akan digerakkan oleh AI, perangkat akan dilengkapi dengan kemampuan komputasi dan penyimpanan, dan privasi data akan terjaga. semakin penting,” kata Wang. “Faktanya, makalah ini telah mempengaruhi banyak peneliti lain, sebagaimana tercermin dari lebih dari 400 kutipan Google Cendekia sejak diterbitkan pada tahun 2019.


Bisakah federasi pembelajaran hemat energi menyelamatkan dunia?


Informasi lebih lanjut:
Shiqiang Wang dkk, Pembelajaran Gabungan Adaptif dalam Sistem Komputasi Tepi Terbatas Sumber Daya, Jurnal IEEE tentang Area Terpilih dalam Komunikasi (2019). DOI: 10.1109 / JSAC.2019.2904348

Disediakan oleh The Army Research Laboratory

Kutipan: Teknologi prajurit yang digerakkan oleh AI memenangkan pujian dari masyarakat teknik (2021, 15 Juni) diambil 15 Juni 2021 dari https://techxplore.com/news/2021-06-ai-driven-soldier-technology-society.html

Dokumen ini tunduk pada hak cipta. Terlepas dari transaksi wajar apa pun untuk tujuan studi atau penelitian pribadi, tidak ada bagian yang boleh direproduksi tanpa izin tertulis. Konten disediakan untuk tujuan informasi saja.


Halaman Ini Di Persembahkan Oleh : Result SGP