[論文レビュー] AI Enabling Technologies: A Survey

Vijay Gadepally, Justin A. Goodwin+6 more|arXiv (Cornell University)|May 8, 2019

Adversarial Robustness in Machine Learning参考文献 114被引用数 6

ひとこと要約

本調査は、防衛およびインテリジェンス応用を対象として、エンド・ツー・エンドの人工知能システムを可能にするコア技術を特定し統合的に解説する。データ収集、データ条件設定、アルゴリズム、コンピューティング、レジliブルAI、人間-機械連携を包括的な枠組みに統合し、実世界での成功には、単なるアルゴリズム的進歩だけでは不十分であり、すべての構成要素における統合的統合が不可欠であることを強調する。

ABSTRACT

Artificial Intelligence (AI) has the opportunity to revolutionize the way the United States Department of Defense (DoD) and Intelligence Community (IC) address the challenges of evolving threats, data deluge, and rapid courses of action. Developing an end-to-end artificial intelligence system involves parallel development of different pieces that must work together in order to provide capabilities that can be used by decision makers, warfighters and analysts. These pieces include data collection, data conditioning, algorithms, computing, robust artificial intelligence, and human-machine teaming. While much of the popular press today surrounds advances in algorithms and computing, most modern AI systems leverage advances across numerous different fields. Further, while certain components may not be as visible to end-users as others, our experience has shown that each of these interrelated components play a major role in the success or failure of an AI system. This article is meant to highlight many of these technologies that are involved in an end-to-end AI system. The goal of this article is to provide readers with an overview of terminology, technical details and recent highlights from academia, industry and government. Where possible, we indicate relevant resources that can be used for further reading and understanding.

研究の動機と目的

• 防衛やインテリジェンスなどハイリスク分野におけるエンド・ツー・エンドAIシステムを可能にする、相乗的に作用する技術の包括的概要を提供すること。
• 成功したAIの展開には、アルゴリズム的イノベーション以上の要因が必要であり、データ、インfra構造、人的要因の統合に依存することを強調すること。
• 主要な促進技術とその相乗効果をマッピングすることで、学術的研究、産業開発、政府応用の間のギャップを埋めること。
• 研究者や実務家が、モデルのトレーニングや推論を超えたAIシステムのフルスタックを理解するのを支援すること。
• 実世界でのAIの成功・失敗を左右するが、しばしば軽視されるが重要な要素、たとえばデータ条件設定やレジリュラブルネスを特定すること。

提案手法

• AI促進技術を6つのコアコンポONENTに体系的に分類：データ収集、データ条件設定、アルゴリズム、コンピューティング、レジリュラブルAI、人間-機械連携。
• 防衛およびインテリジェンス文脈における事例研究と実世界の応用を通じて、各コンponentの役割を分析する。
• 学術界、産業界、政府機関の最新の進展をレビューし、分野横断的相乗効果と技術の統合を示す。
• 各コンponentが相互に連携して行動可能なシステムレベルの統合の重要性を強調する。
• 低レベルのコンピューティングインfraから高レベルの意思決定プロセスまでを結ぶ、多分野的視点を用いる。
• さらなる調査や実装を支援するためのツール、フレームワーク、標準（存在する場合）を強調する。

実験結果

リサーチクエスチョン

• RQ1 防衛およびインテリジェンス応用におけるエンド・ツー・エンドAIシステムを可能にする、主な技術的コンポONENTは何か？
• RQ2 なぜ、アルゴリズムやディープラーニングの進歩にもかかわらず、多くのAIシステムが実際には失敗するのか？
• RQ3 データ条件設定とレジリュラブルネスは、AIシステムの信頼性とパフォーマンスにどのように寄与するか？
• RQ4 複雑な運用環境における意思決定の向上に、人間-機械連携はどのような役割を果たすか？
• RQ5 ハードウェアからソフトウェア、データパイプラインに至るまで、多様な技術をどのように統合的に統合して、スケーラブルなAI展開を支援できるか？

主な発見

• レジリュラブルAIシステムは、データ、アルゴリズム、インfra構造の調和的統合に依存する。単一のコンponentだけでは成功を保証しない。
• データ条件設定は、極めて重要だが、しばしば軽視される要因であり、高精度なモデルであっても、品質の悪いデータがその効果を損なう。
• 防衛作戦におけるデータの洪水とリアルタイム処理要件に対応するには、コンピューティングインfraが効率的にスケーリングする必要がある。
• 人間-機械連携により、人間の直感とAIの高速性・大規模処理能力を組み合わせた意思決定が向上する。
• 最近のAI分野の進歩は、ディープラーニングやハードウェアの飛躍的進歩だけではなく、分野横断的イノベーションに起因している。
• ハイリスク環境における研究から運用への移行には、システムレベルの設計と相互運用性が不可欠である。