[NIA] 미 국방연구원 AI캠페인 - 차세대 인공지능(AI NEXT)

 

[ AI Next Campaign 주요 프로그램 ]

 

 

 

*** 출처: [NIA] 미 국방연구원 AI캠페인 - 차세대 인공지능(AI NEXT)

*** 문서:

[스페셜리포트_18호]_미국국방연구원_AI_Next.pdf

 

 

 

 

■ 차세대 AI 연구개발 캠페인 (AI NEXT CAMPAIGN)

 

 

- DARPA는 차세대 AI기술개발을 위해 "AI Next" 로 명명한 새로운 프로그램에 3년간 20억 달러 이상의 투자를 발표

 

- 20개의 인공지능 프로젝트 중 협업형 인공지능 기술 개발 방법 모색을 위한 문맥 추론 기능 부문에 가장 많은 연구·투자를 진행

 

- AI Next 기술개발 프로그램 뿐 아니라 다음 분야에서 AI파트너십을 활용한 미국국방부(DoD)의 강력한 역량 창출을 기대

 

 

 

■ 기초 연구 프로그램

 

1. 빅메카니즘(Big Mechanism) 모델개발

 

 

○ 프로그램 배경

 

- 국방부 생성 문헌과 데이터는 수집 자동화로 빅데이터를 형성하고 있지만, 분야별로 단편화되고 분산되어 있으며 일관성이 없음

- 빅데이터 간 상호 작용에 의해 초래되는 효과를 제대로 이해하기 위해 복잡한 체계를 완전하게 설명할 수 있는 모델 개발 필요

 

 

○ 프로그램 내용

 

- Big Mechanism 프로그램은 상호 작용이 복잡한 체계가 갖는 중요한 인과관계를 규명하고 설명하는 논리모델을 개발하는 것

- 이 프로그램의 목표는 통계 및 지식의 자연언어처리(NLP)의 통합된 기술을 기반으로 연구초록 및 논문을 읽는 기술을 개발하고

- 연구의 조각들을 보다 완전한 인과 관계 모델로 가져와서 추론하고 시뮬레이션 등 복잡한 역동성을 설명 가능해야 함

 

 

 

 

 

- 그림설명: 이 프로그램의 시범영역은 신호경로에 중점을 둔 암 생물학으로 암 발생경로 등을 설명적 모델을 활용하여 인과관계 등을 밝히는 것임

 

 

 

2. 컴퓨터와 의사 소통하기 (CwC: Communicating with Computers)

 

 

○ 프로그램 배경

 

- 사람과 함께 의사결정을 하고, 문제를 해결하고, 서로에게서 배우고, 서로의 능력을 보완하는 등 원활하게 상호 작용하는 스마트 기계를 개발

 

 

○ 프로그램 내용

 

- CwC는 3가지 사례연구를 통해 간단한 아이디어를 조합하여 복잡한 문제를 푸는 알고리즘, 상호 임무에 대한 의사소통 알고리즘을 개발

- Blocks World(블록 쌓기)는 사람과 기계가 의사소통하며 서로 아이디어(임무)를 부여하면서 블록 쌓기를 완성하기 위해 통신해야함

- Biocuration(큐레이션)은 Big Mechanism의 기계 바이오큐레이터와 인간 바이오 큐레이터 사이의 생의학 문헌에 대한 커뮤니케이션

- Collaborative Composition(협업 작업)은 사람과 기계가 스토리의 완성을 위해여 서로 문장을 작성하는 등 협력 프로세스를 탐색

 

 

 

 

 

 

- 사진설명: 사람과기계가의사소통하며서로아이디어(임무)를부여하면서블록쌓기를완성

 

 

 

3. ML학습의 근본적 한계 연구 (FunLoL: Fundamental Limits of Learning)

 

 

○ 프로그램 배경

 

- 현재 구현 된 기계학습 기술은 엄청난 양의 교육 데이터와 방대한 계산 리소스에 의존하며 시간이 많이 걸리는 시행착오(Trial & Error) 방법론을 따름

- 그러나 기계학습에 내재된 몇 가지 규칙을 변경하면 시스템은 상황 변화에 대해 이미 알고 있는 것으로부터 일반화(적응) 할 수 없음

- 현재 부족한 점은 데이터, 작업, 자원 및 성능 측정 요소 간의 관계를 이해하는 데 필요한 기본적인 이론적 프레임워크

- 이를 통해 어떤 작업이 컴퓨터에 가장 적합한 지, 어떤 작업이 그렇지 않은지를 이해하고 컴퓨터를 효율적으로 훈련시킬 필요 있음

 

 

○ 프로그램 내용

 

- ML학습한계연구(FunLoL) 프로그램은 ML시스템의 학습능력을 평가하는 방법론을 개발하고 ML시스템이 어떤 퍼포먼스를 보이는지 파악하고 이를 바탕으로 ML시스템의 실제 적용 및 구현을 안내

- 이 프로그램은 ML학습의 계량이 가능하고 일반화가 가능한 척도를 제공하는 수학적 프레임워크를 조사 및 개발하여 검증 가능(verifiable)한 특성을 지닌 ML시스템을 설계하는데 활용

- 검증가능성은 기존 및 새로운 기계 학습 패러다임의 근본적인 한계를 파악하고 다양한 응용 프로그램에서 결과의 신뢰성을 평가할 수 있는 특성임

 

 

 

4. 지속학습 머신러닝 (L2M: Lifelong Learning Machines)

 

 

○ 프로그램 배경

 

- 현재 AI, ML 시스템은 훈련된 작업만 수행하는 것으로 제한되며, 외부 상황변화에 직면할 때 부적응 위험 노출

- 이 문제는 상황을 예측할 수 없으며 신속하게 대처하고 역동적인 환경에 적응하는 능력이 가장 중요한 응용 프로그램을 더욱 제한

 

 

○ 프로그램 내용

 

- 지속학습 머신러닝(L2M) 프로그램은 AI 아키텍처와 ML 기법에서 패러다임을 변화시키는 개발이 목표

- 이 프로그램은 실행 중에 지속적으로 학습하고 작업을 수행하는동안 점점 더 전문화 될 수 있는 시스템을 개발

 

- L2M은 두 가지 기술 영역으로 구성, 첫 번째는 완전한 시스템과 그 구성 요소의 개발에 중점을 두며,

- 두 번째는 다양한 전문 지식을 가진 연구자들을 모아 학습의 기초가 되는 생물학적 메커니즘을 탐구하며, 이는 새로운 세대의 계산 구조, 메커니즘 및 알고리즘으로 번역될 것임

 

 

 

 

 

- 그림설명: 지속학습머신러닝은 이전 학습된 것을 바탕으로 새로운 상황에 이전 기술과 지식을 적용, 변화에 적응할 수 있는 기술

 

 

 

5. 고급머신러닝을 위한 확률론적 프로그램밍 (PPAML: Probabilistic Programming for Advancing Machine Learning)

 

 

○ 프로그램 배경

 

- 컴퓨터가 데이터를 이해하고 결과를 관리하며 불확실한 정보로부터 통찰력을 갖고 추론 할 수 있는 능력에 대한 요구가 커지고 있음

- 불확실한 정보를 관리하고 인사이트를 추론할 수 있는 새로운 프로그래밍 패러다임 구축이 필요

 

 

○ 프로그램 내용

 

- 확률론적 프로그래밍 언어를 사용하여 ML응용프로그램을 성공적으로 구축할 수 있는 ML전문가를 양성하는 것이 목표

- 또한 이 프로그램은 현재 기술보다 더 정확한 결과를 산출하되 더 적은 양의 데이터를 가지고 학습함으로써 더 경제적이고 더 강력한 애플리케이션을 개발하고자 함

 

- PPAML에는 이외 다섯 가지 구체적인 전술적 목표가 있음

- 프로그래밍 코드를 단축하여 모델을 더 빨리 작성하고 이해하기 쉽게 만드는 것

- 프로그래밍 실험을 장려하고 개발 시간과 비용 절감

- 풍부한 도메인 지식을 통합하고 기본 코드와 별도의 쿼리를 통합하는 보다 정교한 모델의 구축을 용이하게 함

- 기계 학습 애플리케이션을 구축하는 데 필요한 전문성을 줄임

- 다양한 도메인 및 도구 유형에 대한 통합 모델 구축 지원

 

 

 

6. 세계 모델러 프로그램 (World Modelers)

 

 

○ 프로그램 배경

 

- 복잡하고 역동적인 국가 안전 및 보안 문제를 포괄적으로 이해할 수 있는 설명모델과 관련 기술 개발 필요

 

 

○ 프로그램 내용

 

- 국가 보안 관련 수천 개의 정보 경로로 연결된 수십 개의 관련 분석모델이 존재, 이들을 수용하고 통합할 수 있는 접근법 개발 필요

- 이 프로그램은 상당히 단순한 시스템을 이해하는 데 수 개월 또는 수 년이 소요되는 것과 비교하여 수 주 또는 수 시간 내에 명확하게 매개변수화 된 양적 예측을 제공하는 기술을 개발 목표

 

 

 

 

 

- 그림설명: 세계 모델러의 첫 번째 사례는 (수단 남부) 식량 불안정성 문제를 해결할 모델을 개발하는 것으로 기후, 물 가용성, 토양 생존력, 시장 불안정성 및 물리적 보안을 비롯한 여러 요소의 상호 작용을 포괄적으로 이해

 

 

 

■ 응용 연구 프로그램

 

 

7. 이질적 정보로부터 컨텍스트 이해하기 (AIDA: Active Interpretation of Disparate Alternatives)

 

 

○ 프로그램 배경

 

- 미국 정부는 전 세계의 다양한 분야에서 일어나는 사건, 상황 및 추세를 파악하고 전략적으로 이해하는 데 관심이 많음

- 그러나 연관 정보는 여러 가지 다른 출처, 다양한 장르 및 데이터 유형, 구조화된 데이터와 비구조화 된 데이터가 혼합 등 매우 이질적임

 

 

○ 프로그램 내용

 

- 다양하고 이질적 정보 환경에서 사건, 상황 및 추세에 대한 명시적인 대안 해석을 가능하게 하는 다중가설검정 시맨틱 엔진을 개발

- 이 엔진은 여러 미디어 소스에서 자동으로 생성된 정보를 매핑하여 공통된 표현이나 스토리를 만들 수 있어야 하고

- 이벤트, 상황 및 동향의 진정한 본질과 영향에 대한 여러 이론을 생성 및 탐색할 수 있는 기술을 개발해야 함

- 이외 분석의 정확성과 가설의 의미론적 표현의 일관성에 기초하여 파생된 지식과 각 가설에 대한 신뢰도 측정을 확립해야 함

 

 

 

 

 

 

8. 심층탐구 및 텍스트 필터링(DEFT: Deep Exploration and Filtering of Text)

 

 

○ 프로그램 배경

 

- 국방(DoD) 업무담당자는 계획을 수립하고 임무를 수행하기 위해 다양한 출처의 풍부한 양의 데이터를 수집하고 처리

- 간접적으로 참조되는 업무 관련 정보를 자동으로 추출하는 기능을 지원받으면 담당자가 효율적으로 데이터를 처리하는데 도움이 됨

 

 

○ 프로그램 내용

 

- 자연어처리(NLP) 기술과 AI기술을 기반으로 하고 언어 이해, 추론, 인과관계 및 이상탐지(사실확인) 등 수행하는 솔루션 개발

- 평가, 기획, 예측 및 보고서 작성의 초기 단계를 지원하기 위해 정보가 처리 될 때 개별 사실을 대규모 도메인 모델에 통합하고 분석 수행

- 정교한 AI기술을 활용하여 보다 많은 문서를 효율적으로 필터링하고 암시적으로 표현되고 실행 가능한 정보를 발견

 

 

 

 

 

- 그림설명: 거대한 데이터 세트의 제한된 단순처리에서 사용가능한 정보의 전략적인 탐구로 이동, 인과관계분석과 이상탐지분석을 쉽게 수행

 

 

 

9. 설명가능 인공지능 (XAI)

 

 

○ 프로그램 배경

 

- 미래의 戰士가 AI기계를 파트너 전사로 신뢰하고 협력이 가능하기 위해서 AI기계는 자신과 자신의 의사결정을 설명할 수 있어야 함

 

 

○ 프로그램 내용

 

- 설명가능 인공지능(XAI) 프로그램은 다음과 같은 기계 학습 기술 모음을 만드는 것을 목표

- 높은 수준의 학습 성과(정확도)를 유지하면서 자신의 의사결정에 대하여 더 자세한 설명이 가능한 모델을 개발

- 사람이 차세대의 AI파트너를 이해하고, 적절하게 신뢰하고, 효과적으로 관리할 수 있도록 지원

 

 

 

 

 

- 그림설명: XAI 프로그램은 이기종 멀티미디어 데이터에서 관심 있는 이벤트를 분류하고 다양한 시뮬레이션 임무를 수행하는 자율 시스템의 의사결정 정책을 어떻게 만드는지 설명가능한 AI를 개발

 

 

 

10. 긴급한 사태 대응을 위한 언어 통번역 (LORELEI: Low Resource Languages for Emergent Incidents)

 

 

○ 프로그램 배경

 

- 세계에는 7,000개 이상의 언어가 있고 당장 통번역기술이 필요한 언어를 예측하기가 어려우며 기술 적용 범위를 알 수 없는 상황

 

 

○ 프로그램 내용

 

- 프로그램의 목적은 전산 언어처리학 및 언어통번역 기술을 획기적으로 향상시켜 통번역수요가 많지 않은 언어에 대한 신속하고 저비용의 통번역기술개발을 가능하게 하는 것

- 자동 음성 인식 및 기계 번역 뿐 아니라 전반적인 목표는 외국어 자료를 영어로 번역하는 것이 아니고 주제, 이름 등의 외국어 및 영어 자료의 정보 요소를 식별하여 상황 인식을 제공하는 것

 

 

 

 

 

 

 

11. 머신러닝을 적용한 라디오주파수 신호 식별 (RFMLS: Radio Frequency Machine Learning Systems)

 

12. 스마트폰을 활용한 군사 건강도 측정 (WASH: Warfighter Analytics using Smartphones for Health)

 

13. 광범위한 사용언어 번역 프로그램 (BOLT: Broad Operational Language Translation)

 

 

 

■ 기타 연구 프로그램

 

 

14. 근지구 우주환경 탐지(SEE: DARPA Space Environment Exploitation)

 

15. 목적이 있는 딥러닝 (Deep Purple: Deep Purposeful Learning)

 

16. 기본 설계 (FUN Design: Fundamental Design)

 

17. 적은 라벨(데이터)로 러닝하기 (LwLL: Learning with Less Labels)

 

18. 변형가능 디자인 (TRADES: Transformative Design)

19. 그룹 바이어스 이해하기 (UGB: Understanding Group Biases)