Un ensemble d'agents en réseau (appelés nœuds colorés) entraînent leurs réseaux de neurones profonds individuels à l'aide de données disponibles localement tout en interagissant avec les nœuds voisins via des liens de communication disponibles (représentés par des bords gris). Crédit :graphique de l'armée américaine
Un nouvel algorithme permet un apprentissage en profondeur plus collaboratif et plus efficace en communication que les méthodes traditionnelles.
Les chercheurs de l'armée ont développé des algorithmes qui facilitent la distribution, capacités d'apprentissage décentralisées et collaboratives entre les appareils, évitant le besoin de regrouper toutes les données sur un serveur central pour l'apprentissage.
« Il y a eu une croissance exponentielle de la quantité de données collectées et stockées localement sur des appareils intelligents individuels, " a déclaré le Dr Jemin George, un scientifique de l'armée au laboratoire de recherche de l'armée du commandement du développement des capacités de combat de l'armée américaine. "De nombreux efforts de recherche ainsi que des entreprises se sont concentrés sur l'application de l'apprentissage automatique pour extraire de la valeur de ces données massives afin de fournir des informations basées sur les données, décisions et prévisions."
Cependant, aucun de ces efforts ne résout les problèmes associés à l'application de l'apprentissage automatique à un espace de bataille encombré et contraint, dit Georges. Ces contraintes de l'espace de bataille deviennent plus apparentes lorsque les appareils utilisent des algorithmes d'apprentissage en profondeur pour la prise de décision en raison des coûts de calcul élevés en termes de temps d'apprentissage et de puissance de traitement.
"Cette recherche tente de relever certains des défis de l'application de l'apprentissage automatique, ou l'apprentissage en profondeur, en milieu militaire, " a déclaré le Dr Prudhvi Gurram, un scientifique qui a contribué à cette recherche. « Les premières indications et avertissements de menaces améliorent la connaissance de la situation et contribuent à la façon dont l'Armée de terre évolue et s'adapte pour vaincre les menaces adverses. »
Les chercheurs ont présenté leurs résultats à la 34e conférence de l'Association pour l'avancement de l'intelligence artificielle sur l'intelligence artificielle à New York. Une version pré-imprimée du document est en ligne.
Dans une étude antérieure (voir Liens connexes ci-dessous), les chercheurs ont démontré que les algorithmes d'apprentissage en profondeur distribués peuvent produire les mêmes performances que les algorithmes d'apprentissage centralisés typiques sans agréger les données en un seul, emplacement central, tout en diminuant le temps d'apprentissage linéairement avec le nombre d'appareils ou d'agents impliqués dans l'apprentissage distribué.
« Les algorithmes d'apprentissage distribué nécessitent généralement de nombreux cycles de communication entre les agents ou les appareils impliqués dans le processus d'apprentissage pour partager leur modèle actuel avec le reste du réseau, " a déclaré George. " Cela présente plusieurs défis de communication. "
Les chercheurs de l'armée ont développé une nouvelle technique pour réduire considérablement les frais généraux de communication, jusqu'à 70 % dans certains scénarios, sans sacrifier le taux d'apprentissage ou la précision des performances.
Les chercheurs ont développé un mécanisme de déclenchement, ce qui a permis aux agents individuels de communiquer leur modèle à leurs voisins uniquement s'il a considérablement changé depuis sa dernière transmission. Bien que cela diminue considérablement l'interaction de communication entre les agents, cela n'affecte pas le taux d'apprentissage global ou la précision des performances du modèle appris final, dit Georges.
Des chercheurs de l'armée étudient comment cette recherche peut être appliquée à l'Internet des objets du champ de bataille, incorporer des schémas de communication quantifiés et compressés à l'algorithme actuel pour réduire davantage le surdébit de communication.
Les priorités de modernisation de l'armée comprennent les réseaux informatiques de nouvelle génération (voir les liens connexes ci-dessous), qui permettent à l'armée de fournir des capacités technologiques approuvées par les chefs aux combattants avec le meilleur retour sur investissement possible pour l'armée.
Les efforts futurs évalueront le comportement de l'algorithme sur de plus grandes, des ensembles de données pertinents pour l'armée utilisant les ressources informatiques disponibles via l'Institut d'innovation de l'IA de l'armée américaine, avec l'algorithme qui devrait passer pour s'exécuter sur des périphériques de périphérie, dit Georges.
