DARPA zbuduje asystentów wirtualnych danych za pośrednictwem A.I.

Agencja Obrony Zaawansowanych Projektów Badawczych (DARPA) ogłosiła w piątek uruchomienie Data-Driven of Discovery of Modele (D3M), która ma pomóc osobom niebędącym ekspertami w pokonaniu tego, co nazywa „luką w wiedzy naukowej o danych”, pozwalając sztucznym asystentom na pomoc ludzie z uczeniem maszynowym. DARPA nazywa to asystentem „wirtualnego naukowca danych”.

To oprogramowanie jest podwójnie ważne, ponieważ brakuje obecnie naukowców zajmujących się danymi i większe zapotrzebowanie na rozwiązania oparte na danych. DARPA twierdzi, że eksperci prognozują deficyt na 2016 r. Na poziomie od 140 000 do 190 000 naukowców z całego świata i rosnące niedobory w najbliższych latach.

Na przykład, aby skonstruować model określający, w jaki sposób różne warunki pogodowe, szkolne, lokalizacyjne i przestępcze wpływają na zatory w usługach dzielenia się jazdą w centrum Manhattanu, zespół studentów NYU spędził ponad 90 miesięcy czasu pracy na ukończenie model. DARPA cały czas widzi problemy, a program D3M będzie dążył do jego skonstruowania, aby radykalnie skrócić czas i wiedzę potrzebną do stworzenia takich modeli w przyszłości.

„Budowa modeli empirycznych jest obecnie w dużej mierze procesem ręcznym, wymagającym od ekspertów ds. Danych przetłumaczenia elementów stochastycznych, takich jak pogoda i ruch, na modele, które inżynierowie i naukowcy mogą następnie zadawać pytania” - powiedział Wade Shen, menedżer programu ds. Innowacji informatycznych DARPA Gabinet. „Wierzymy, że możliwe jest zautomatyzowanie pewnych aspektów nauki o danych, a konkretnie, aby maszyny nauczyły się z poprzedniego przykładu, jak budować nowe modele”.

Jako agencja obrony oczywiście DARPA zastanawia się również nad tym, jak to A.I. może wpłynąć na pole bitwy i uratować życie.

Google już korzysta z A.I. wykonywać podobne zadania, takie jak partnerstwo Alphabet's Sidewalk Labs z amerykańskim Departamentem Transportu w ramach Smart City Challenge, którego celem jest wykorzystanie infrastruktury do zbierania danych w celu zmniejszenia zatłoczenia i parkowania w rywalizujących miastach.

Jeśli mniejsze zespoły naukowców zajmujących się danymi i nie-eksperci mogą wykorzystywać modele uczenia maszynowego w celu identyfikacji problemów w społeczeństwie, będzie więcej czasu na analizę danych, aby faktycznie wdrożyć rozwiązania.

„Nasza zdolność rozumienia wszystkiego, od ruchu po zachowanie wrogich sił, jest coraz bardziej możliwa, biorąc pod uwagę wzrost danych z czujników i otwartych źródeł” - powiedział Shen. „Mamy nadzieję, że D3M poradzi sobie z podstawami rozwoju modelu, aby ludzie mogli zastosować swoją ludzką inteligencję, aby spojrzeć na dane na nowe sposoby i wyobrazić sobie rozwiązania i możliwości, które nie były oczywiste lub nawet do pomyślenia wcześniej”.