Μια έρευνα της Υπηρεσίας Προηγμένων Αμυντικών Ερευνητικών Έργων των ΗΠΑ (DARPA) έχει προβάλει μια νέα θεωρία για να μπορέσουν τα αυτόνομα στρατιωτικά συστήματα να μαθαίνουν ταχύτερα και αποτελεσματικότερα.
Τα αυτόνομα συστήματα μαθαίνουν με την αντιμετώπιση προβλημάτων σε μια ρύθμιση αποστροφής κινδύνου σε προσομοιωμένα περιβάλλοντα. Ωστόσο, αυτή η μέθοδος μπορεί να πάρει μήνες ή και χρόνια για να τελειοποιηθεί και αυτό καθιστά τα αυτόνομα συστήματα ευάλωτα όταν αντιμετωπίζουν άγνωστες καταστάσεις ή παρατηρήσεις στον πραγματικό κόσμο.
Οι ειδικοί της DARPA έκαναν ένα βήμα πίσω για να εξετάσουν τον σκοπό των προσομοιώσεων υψηλής και χαμηλής πιστότητας. Διαπίστωσαν ότι ενώ οι προσομοιώσεις υψηλής πιστότητας εκπαιδεύουν αυτόνομα συστήματα μέσω μιας προσέγγισης απομνημόνευσης στη μάθηση, τα περιβάλλοντα χαμηλής πιστότητας εκπαιδεύουν τα συστήματα με γενικότερο τρόπο, καθιστώντας τα πιο ευέλικτα στις διαφορές στα περιβάλλοντα.
«Η μοντελοποίηση των πάντων με υψηλή πιστότητα το καθιστά AI [artificial intelligence] Ο πράκτορας ταιριάζει περισσότερο στη δυναμική της προσομοίωσης», δήλωσε ο Δρ Alvaro Velasquez, διευθυντής προγράμματος της DARPA για την προσπάθεια. «Όταν πηγαίνετε στον πραγματικό κόσμο, τίποτα δεν μοιάζει ακριβώς με αυτό που μοντελοποιήσατε/προσομοίωση. Θέλουμε γενικευμένη αυτονομία σε μια ποικιλία πλατφορμών και τομέων».
Αποκτήστε πρόσβαση στα πιο ολοκληρωμένα Εταιρικά Προφίλ της αγοράς, που υποστηρίζονται από την GlobalData. Εξοικονομήστε ώρες έρευνας. Αποκτήστε ανταγωνιστικό πλεονέκτημα.
Εταιρικό Προφίλ – δωρεάν δείγμα
Είμαστε σίγουροι για τη μοναδική ποιότητα των εταιρικών μας προφίλ. Ωστόσο, θέλουμε να πάρετε την πιο ωφέλιμη απόφαση για την επιχείρησή σας, γι’ αυτό προσφέρουμε ένα δωρεάν δείγμα που μπορείτε να κατεβάσετε υποβάλλοντας την παρακάτω φόρμα
Από την GlobalData
Επιπλέον, ο οργανισμός θεωρεί ότι η εκμάθηση και η μεταφορά της αυτονομίας σε διάφορες προσομοιώσεις χαμηλής πιστότητας μπορεί να οδηγήσει σε μια πιο γρήγορη μεταφορά της αυτονομίας από την προσομοίωση στην πραγματικότητα – «ίσως ακόμη και την ίδια μέρα σε σχέση με εβδομάδες ή μήνες με παραδοσιακές προσεγγίσεις».
Δοκιμές αυτόνομων συστημάτων
Οι εφαρμογές τεχνητής νοημοσύνης στην άμυνα καλύπτουν μια σειρά συστημάτων από μη επανδρωμένα αυτόνομα οχήματα έως συστήματα αισθητήρων πληροφοριών, επιτήρησης και αναγνώρισης.
Η GlobalData εκτιμά ότι η συνολική αγορά τεχνητής νοημοσύνης θα αξίζει 383,3 δισεκατομμύρια δολάρια το 2030, υποδηλώνοντας σύνθετο ετήσιο ρυθμό ανάπτυξης 21% μεταξύ 2022 και 2030.
Η προσπάθεια της DARPA να καθορίσει τις κατάλληλες συνθήκες προσομοίωσης για την εκπαίδευση αυτόνομων συστημάτων για συγκεκριμένο σκοπό μπορεί να ανοίξει ένα νέο εγχείρημα στην αγορά στον τομέα της μηχανικής μάθησης.
Το πρόγραμμα εκπαίδευσης αυτόνομου συστήματος της DARPA θα περιλαμβάνει διαγωνισμούς στο τέλος των φάσεων 1 και 2, αντίστοιχα, με τα αποτελέσματα του πρώτου διαγωνισμού να χρησιμοποιούνται για τη μείωση της επιλογής από έξι σε τρεις.
Η Φάση 1 είναι 18 μήνες και θα αναπτύξει τεχνικές μεταφοράς αυτονομίας από sim-to-sim και νέες μεθόδους για αυτόματη ανάπτυξη ή βελτίωση μοντέλων και προσομοιώσεων χαμηλής πιστότητας που θα χρησιμοποιηθούν για μεταφορά.
Η Φάση 2 είναι 18 μήνες και θα αναπτύξει τεχνικές μεταφοράς αυτονομίας sim-to-real και νέες μεθόδους για αυτόματη ανάπτυξη ή βελτίωση μοντέλων και προσομοιώσεων χαμηλής πιστότητας που θα χρησιμοποιηθούν για μεταφορά. Θα πραγματοποιηθούν δύο διαγωνισμοί εντός του προγράμματος που θα αντιστοιχούν στις δύο φάσεις του προγράμματος.
