A Sociedade de Comunicações do Instituto de Engenheiros Elétricos e Eletrônicos reconheceu um pesquisador e colaboradores do Exército por seu trabalho em técnicas de inteligência artificial que aumentarão a consciência situacional dos soldados no ambiente operacional de múltiplos domínios.
O Dr. Kevin Chan, pesquisador do Comando de Desenvolvimento de Capacidades de Combate do Exército dos EUA, conhecido como DEVCOM, Laboratório de Pesquisa do Exército, e colaboradores do IBM TJ Watson Research Center, Imperial College London e Pennsylvania State University ganharam o prêmio Leonard G. Abraham do IEEE por para seu artigo, Adaptive Federated Learning in Resource Constrained Edge Computing Systems. Os pesquisadores publicaram suas descobertas no IEEE Journal on Selected Areas in Communications.
Segundo os pesquisadores, o esforço colaborativo foi possível por causa da Distributed Analytics and Information Science International Technology Alliance. O programa busca desenvolver a pesquisa de sustentação fundamental necessária para permitir análises distribuídas seguras, dinâmicas e semanticamente conscientes para derivar o entendimento situacional nas operações da coalizão.
Esta pesquisa estende ainda mais a capacidade e aplicabilidade do aprendizado federado, um termo inicialmente cunhado pelo Google.
“Um caso de uso crítico de aprendizagem federada está em operações de coalizão, onde o compartilhamento de dados pode ser proibido por restrições políticas, mas o compartilhamento de modelos pode ser permitido”, disse o Dr. Ananthram Swami, pesquisador pesquisador sênior do DEVCOM ARL. “Além disso, a escassez de dados em cenários relevantes para o Exército torna esse compartilhamento de modelo importante para melhorar a precisão das previsões.”
O artigo e a pesquisa abordam vários problemas importantes na aprendizagem federada, ou FL, pela primeira vez, incluindo otimização de treinamento sob restrições de recursos, convergência de FL com distribuição de dados não identicamente distribuídos e validação de técnica por implementação usando dispositivos de borda do mundo real . De acordo com a sociedade, o artigo dos pesquisadores demonstrou alta qualidade, originalidade, utilidade, oportunidade e clareza de apresentação.
“O fato de este artigo ser capaz de propor uma solução que aborda em conjunto todas essas questões de maneira coerente torna-o uma contribuição científica muito valiosa”, disse o Dr. Shiqiang Wang, pesquisador do IBM Thomas J. Watson Research Center.
O aprendizado federado permite que os dispositivos móveis aprendam de forma colaborativa um modelo de predição compartilhado, mantendo todos os dados de treinamento no dispositivo, separando a capacidade de aprendizado de máquina da necessidade de armazenar os dados na nuvem, disse Chan.
“A contribuição de nossa pesquisa foi entender como poderíamos realizar o aprendizado federado no limite tático”, disse Chan. “Este trabalho estuda como podemos aprender melhor em grandes conjuntos de dispositivos de baixa potência conectados em redes com recursos limitados”.
O Exército está se movendo em direção ao uso de inteligência artificial e aprendizado de máquina em todos os aspectos das operações, especialmente em configurações de rede táticas, onde grandes quantidades de dados são gerados na borda e devem ser compreendidos e, apesar das limitações de recursos de computação e rede, devem ser usados para apoiar uma ampla gama de operações, disse Chan.
Os resultados futuros desta pesquisa permitirão ao soldado estabelecer e manter o conhecimento da situação mais rapidamente, aproveitando as informações de muitos dispositivos, disse ele
“Serviços analíticos como classificação de imagem e reconhecimento de padrões são muito importantes para apoiar as operações militares”, disse Wang.
Esses serviços requerem o uso de um grande volume de dados, muitas vezes pertencentes a diferentes entidades e disponíveis em locais dispersos, para treinar os modelos analíticos para várias tarefas, disse ele. Esse modelo de treinamento encontra as seguintes restrições principais em ambientes táticos:
– Os proprietários de dados podem preferir preservar a privacidade dos dados, não compartilhando seus dados com outras pessoas;
– A disponibilidade limitada de comunicações, recursos computacionais e outros recursos muitas vezes proíbem a transferência de todos os dados para um servidor central para o processo de treinamento.
A equipe enfrentou o desafio técnico da aprendizagem distribuída, sujeita à privacidade de dados e às limitações de recursos. Especificamente, eles desenvolveram aprendizado federado com eficiência de recursos para treinar modelos analíticos em que os dados privados permanecem locais nos nós de extremidade da rede e apenas os parâmetros do modelo são compartilhados entre nós diferentes.
De acordo com os pesquisadores, o novo método inclui atualizações de modelos locais nos nós de borda e agregações de parâmetros globais por um servidor central. A técnica visa coordenar essas diferentes operações FL para alcançar o treinamento do modelo mais eficiente sujeito às restrições.
“Em termos de implicações para aplicações de defesa, esta nova tecnologia permite o treinamento distribuído ou a adaptação de modelos analíticos em ambientes com recursos limitados, para permitir que os parceiros da coalizão (ou unidades militares) ajudem uns aos outros a aprender tarefas semelhantes sem a necessidade de compartilhar seus dados confidenciais devido a questões de privacidade ou falta de recursos de comunicação “, disse o professor Kin Leung, Departamento de Engenharia Elétrica e Eletrônica e de Computação do Imperial College London. “A nova abordagem oferece recursos de ponta sobre nossos adversários.”
O aprendizado federado é essencial se as forças da coalizão desejam combinar os insights de seus dados independentes para construir melhores modelos de IA, disse o Dr. Dinesh Verma, membro da IBM que lidera a equipe que trabalha na área de IA distribuída.
“Esses tipos de compartilhamento podem ser muito difíceis no limite tático devido à largura de banda limitada”, disse Verma. “As inovações propostas por esta pesquisa abordam muitas dessas dificuldades, tornando esse compartilhamento viável em redes táticas de coalizão. A tecnologia tem aplicabilidade além das redes táticas – em qualquer ambiente onde várias organizações compartilham percepções em um ambiente de largura de banda limitada, incluindo automotivo, manufatura, silvicultura e indústrias de mineração. ”
A equipe aceitará o prêmio em uma apresentação virtual na IEEE International Conference on Communications em 15 de junho.
“É uma honra ser reconhecido pela IEEE Communications Society por nossa pesquisa bem-sucedida e sua contribuição para a comunidade de pesquisa em comunicações e redes”, disse Chan. “É uma honra maior receber este prêmio junto a várias instituições com as quais a ARL tem colaborado amplamente. Os colaboradores também são pesquisadores com quem trabalhei pessoalmente há muitos anos, por isso é muito bom ser reconhecido como uma equipe.”
Este documento estabeleceu uma base importante de FL para a borda restrita de recursos, disse Wang.
“A técnica proposta é crítica para a futura Internet das Coisas, computação de ponta e sistemas celulares (5G, 6G e além), onde muitos aplicativos serão baseados em IA, os dispositivos serão equipados com recursos computacionais e de armazenamento e a privacidade dos dados será cada vez mais importante “, disse Wang. “Na verdade, o artigo influenciou muitos outros pesquisadores, conforme refletido por mais de 400 citações do Google Scholar desde sua publicação em 2019.
Publicado em 16/06/2021 11h47
Artigo original:
Estudo original: