DARPA lanceert KAIROS AI om wereldwijde gebeurtenissen te voorspellen door miljarden digitale signalen te koppelen

DARPA wil complexe gebeurtenissen ontdekken die in de digitale wereld voorkomen. Hun plan is om een half-geautomatiseerd systeem te creëren dat correlaties kan detecteren en trekken tussen miljarden gebeurtenissen die wereldwijd momenteel plaatsvinden.

KAIROS: Een schema-gebaseerde AI

Dit nieuwe programma heeft als doel een machine learning-systeem te bouwen dat een grote hoeveelheid data kan analyseren die dagelijkse gebeurtenissen vertegenwoordigen en ontdekken of er een draad van verbinding is.

Tallooze gebeurtenissen vinden echter niet in een sequentie plaats, maar betreffen complexe fenomena samengesteld uit verschillende subcomponenten. Het steeds groeiende volume ongestructureerde data maakt deze taak nog uitdagender voor bestaande tools en systemen.

Daarom zal het programma "schemas" gebruiken om verbindingen te vinden in informatie. Eerst geconceptualiseerd in de vroege jaren '20, is een schema een kennis-eenheid waarin gebeurtenissen georganiseerd zijn in veelvoorkomende narratieve structuren.

Bijvoorbeeld: mensen gaan naar winkels om iets te kopen. Dit type gebeurtenis betreft een aankoop-transactieschema gedefinieerd door bepaalde rollen (verkoper, koper), een set acties (product, betaling) en temporale beperkingen (betaalbaar per kaart als het bedrag groter is dan $100).

Referentie: KAIROS | DARPA

Om een uitvoerbaar begrip van complexe real-world gebeurtenissen te bouwen en nauwkeurig te voorspellen hoe ze zich zullen ontvouwen, stelt de schema-gebaseerde AI tijdelijke en contextuele redenering van deze gebeurtenissen in staat. Eenvoudig gezegd: het genereert brede verhalen van alles wat om ons heen gebeurt.

Hoe het werkt

DARPA's doel zal in twee fasen benaderd worden. In de eerste fase zal het system schemas genereren uit massive hoeveelheden data door gebeurtenissen te identificeren, classificeren en clusteren op basis van redenering en linguïstische inferentie.

Twee fasen van het KAIROS-programma | Credit: DARPA

Ontwikkelaars plannen generalisatie, compositie en specialisatie procedures in te zetten om schemas te creëren die complexe gebeurtenissen efficiënt beschrijven, en domeinspecifieke kennis te implementeren om de analyse aan te passen voor specifieke behoeften.

In de tweede fase zal het systeem een set schemas (gegenereerd tijdens fase één) toepassen op complexe, real-world data, en proberen gebeurtenissen en verhalen te extraheren. Dit zal niet zo makkelijk zijn want het bouwen en uitbreiden van een kennisbasis vereist het detecteren van complexe entiteiten en gebeurtenissen, alsook hun relaties onderling.

Op dit moment lijkt het hele systeem theoretisch, maar dat is precies waarom de instantie ernaar kijkt. Gegeven de eenvoud van de AI die we vandaag hebben, is het behoorlijk moeilijk om zo'n gesofisticeerd systeem in de nabije toekomst te verplaatsen.