Cuando la Agencia de Proyectos de Investigación Avanzada de la Defensa (DARPA) anunció su primer Gran Reto en 2002, la idea de que los coches sin conductor corrieran a través del desierto de Mojave parecía imposible. Con su último Grand Challenge, DARPA espera hacer que el aprendizaje de la máquina en tiempo real sea tan sencillo como lo son hoy en día los vehículos autónomos.
En asociación con la National Science Foundation, el programa DARPA’s Real-Time Machine Learning (RTML) de DARPA ofrece 10 millones de dólares de financiación para «la creación de un procesador que pueda interpretar proactivamente y aprender de los datos en tiempo real, resolver problemas desconocidos utilizando lo que ha aprendido y operar con la eficiencia energética del cerebro humano».
Mientras que el aprendizaje automático en tiempo real está disponible para aplicaciones como la visión por ordenador y el reconocimiento de voz, la próxima generación de vehículos autónomos, aplicaciones militares, informática sanitaria y análisis de negocio depende del aprendizaje en tiempo real, la predicción y la toma de decisiones automatizada.
El objetivo de DARPA es desarrollar sistemas pequeños, ligeros y de bajo consumo que utilicen la inteligencia artificial para aprender rápidamente y adaptarse a las nuevas circunstancias en tiempo real. Tal logro requiere el desarrollo de nuevos chips, arquitecturas y algoritmos específicamente diseñados para el aprendizaje de máquinas, dijo en un amplio anuncio del 15 de marzo.
El plan es que la NSF gestione la «investigación para encontrar el camino», mientras que DARPA se ocupa de las herramientas y el desarrollo de circuitos que pueden abordar todas las etapas de la formación y que pueden realizarse en tiempo real a partir de un flujo continuo de nuevos datos. Los enfoques ML se están desarrollando en un entorno distribuido para que puedan aproximarse a un entorno centralizado basado en la nube.
El programa de DARPA está dividido en dos fases de investigación de 18 meses. La primera creará herramientas «no human in the loop» (compiladores de hardware) que, a su vez, permitirán la generación totalmente automatizada de chips específicos de ML directamente a partir de código fuente de alto nivel, eliminando así el elevado coste de los circuitos integrados específicos de las aplicaciones. La segunda fase se basa en la infraestructura del compilador desarrollada en la Fase 1 y requiere apoyo para la optimización del hardware de dos aplicaciones de demostración de aprendizaje de máquinas en tiempo real: los futuros sistemas de comunicación inalámbricos de gran ancho de banda y el procesamiento de imágenes de gran ancho de banda en sistemas con limitaciones de tamaño, peso y potencia.
Independiente de DARPA, NSF seleccionará los proyectos para las subvenciones de 36 meses. Cuando el compilador de hardware de Fase 1 de DARPA esté disponible, los premiados tendrán la opción de evaluar los nuevos enfoques RTML propuestos. Mientras tanto, las técnicas y los resultados producidos por los beneficiarios de la NSF durante los primeros 18 meses se pondrán a disposición de los equipos del proyecto DARPA para sus esfuerzos de Fase 2 explorando arquitecturas y circuitos que permitirán el uso de RTML.
Fte. Defense Systems
