Adam Gross, Mitbegründer und CEO von HarmonEyes – Interviewreihe

Adam Gross, Mitbegründer und CEO von HarmonEyes, ist ein Serienunternehmer mit fast drei Jahrzehnten Erfahrung im Aufbau und Skalieren technologiegetriebener Unternehmen im Gesundheitswesen, Finanzdienstleistungen und Datenanalyse. Er gründete 2013 RightEye, entwickelte eine Eye‑Tracking‑Technologieplattform, die im Gesundheitswesen, im Profisport und in militärischen Leistungsanwendungen eingesetzt wird, bevor er 2024 gemeinsam mit Dr. Melissa Hunfalvay HarmonEyes gründete, um diese Expertise in KI‑gestützte Human‑State‑Intelligenz zu überführen. Zu Beginn seiner Karriere gründete Gross das Unternehmen zur Kosteneinsparung im Gesundheitswesen KeyClaims, das 2012 von Stratose/Zelis Healthcare übernommen wurde, sowie die Finanzanalyse‑Plattform Trending123.com, die 2007 von InvestorPlace Media übernommen wurde. Außerdem gründete er das FinTech‑Unternehmen KeepMore und war Mitbegründer von Eastern ATM, das ein privates Geldautomaten‑Netz an der Ostküste der USA betrieb, bevor es 1998 übernommen wurde.

HarmonEyes entwickelt Theia, ein KI‑Grundmodell, das in Echtzeit Aspekte des kognitiven, emotionalen und physischen Zustands einer Person aus Augenbewegungen ableitet. Die Technologie kann Signale wie kognitive Belastung, Aufmerksamkeit, mentale Bereitschaft, Müdigkeit, Stress, Ablenkung, Reisekrankheit und Benutzer‑Authentifizierung messen, mit potenziellen Anwendungsbereichen von KI‑Assistenten über Fahrzeugsysteme, erweiterte Realität, Verteidigung, Gesundheitswesen, Bildung, Industriesicherheit, Gaming bis hin zur Marktforschung. Theia ist dafür konzipiert, am Edge auf gewöhnlichen, kamerabasierten Geräten zu laufen, ohne spezielle Eye‑Tracking‑Hardware zu benötigen; HarmonEyes betont, dass Video‑ und personenbezogene Daten nicht gespeichert werden. Das Unternehmen führt seine Technologie auf RightEye zurück und gibt an, dass seine Modelle auf mehr als 585 Milliarden Augenbewegungs‑Datenpunkten aus 16,3 Millionen Aufzeichnungen basieren, was einen großen proprietären Datensatz für das Training und die Verfeinerung seiner Human‑State‑Intelligenz‑Technologie bereitstellt.

Sie haben RightEye 2013 mitbegründet und mehr als ein Jahrzehnt damit verbracht, Eye‑Tracking‑Technologie für das Gesundheitswesen, den Sport und militärische Anwendungen zu entwickeln, bevor Sie 2024 HarmonEyes ins Leben gerufen haben. Was hat Sie davon überzeugt, dass diese zugrunde liegende Technologie und der Datensatz ein breiteres Grundmodell für Human‑State‑Intelligenz unterstützen können, und warum war HarmonEyes das richtige Fahrzeug für diese Vision?

Mit mehr als einem Jahrzehnt Erfahrung in der Entwicklung von Eye‑Tracking‑Produkten für verschiedene Bereiche gab es drei Veränderungen, die unsere Vision für HarmonEyes, Human‑State‑Intelligenz auf Milliarden von Geräten:

1. Im letzten Jahrzehnt haben wir die größte validierte und gekennzeichnete Eye‑Tracking‑Datenbank erworben, die über 130 Datensätze umfasst, die demografische Angaben (z. B. Alter, Geschlecht), Leistung, Aufmerksamkeit, Emotion, Sehen und Gesundheitszustände usw. abdecken.
2. Mit der Verbreitung von KI standen uns plötzlich Techniken zum Training von Echtzeit‑Modellen zur Verfügung – und wir hatten die Daten, um sie zu trainieren.
3. Eye‑Tracking‑Signale werden von Kameras erfasst. Kürzlich, und zum ersten Mal überhaupt, wurden Consumer‑Kameras besser, schneller, günstiger und leistungsfähig genug, um diese Signale zu extrahieren. Durch die Innovationen unseres Teams können wir nun Eye‑Tracking‑Modelle auf jedem kamerabasierten Gerät einsetzen, einschließlich Laptops, Smartphones, Tablets, Autos usw.

Ofcom hat die Verhaltens‑Altersinferenz, die erfordert, zu beobachten, wie jemand eine Plattform nutzt, von Altersprüfungen unterschieden, die bereits vor dem Gewähren des Zugangs funktionieren können. Wie unterscheidet sich die Altersbestimmung aus Augenbewegungen technisch und ethisch von der Analyse von Browserverlauf, Inhaltspräferenzen, Sprache oder anderen Verhaltenssignalen?

Unsere Technologie benötigt nur eine kleine Stichprobe von Augenbewegungen einer Person, um diese in eine Altersgruppe einzuordnen oder zu bestätigen, dass jemand jünger/älter als ein bestimmtes Alter ist. Wir können Augenbewegungsdaten passiv, kontinuierlich und nicht invasiv erfassen, ohne persönlich identifizierbare Informationen zu speichern oder zu sammeln. Darüber hinaus werden alle Eye‑Tracking‑Daten gelöscht, sobald die Ausgaben bereitgestellt wurden. Wir verfügen zudem über die Fähigkeit zur Lebenderkennung und zum Spoof‑Schutz, wodurch sichergestellt wird, dass das System nicht manipuliert werden kann.

Aus ethischer Sicht bedeutet das, dass wir das Verhalten, die Gewohnheiten, Entscheidungen oder Vorlieben einer Person nicht profilieren – im Gegensatz zur Verhaltensinferenz, die per Definition ein Bild einer Person aus ihrem langfristigen Handeln erstellt. Wir bieten Altersbestätigung, ohne derartige personenbezogene Informationen zu sammeln oder zu speichern, sodass Nutzer und Eltern sicher sein können, dass sie geschützt und nicht verfolgt oder profiliert werden.

Die veröffentlichte Forschung von HarmonEyes analysierte Augenbewegungen von 45.696 Personen und berichtete eine Klassifizierungsgenauigkeit von 94,67 % über 12 Altersgruppen. Was genau misst diese Genauigkeitszahl, und wie viel zusätzliche Validierung ist erforderlich, bevor das Modell zuverlässig bestimmen kann, ob jemand über oder unter einem bestimmten Schwellenwert wie Alter 16 liegt?

Die Genauigkeit misst, dass bei Hinzufügen der Daten einer beliebigen Person zum Datensatz in 94,67 % der Fälle die Augenbewegungen dieser Person die korrekte Altersgruppe (von 12 Gruppen) korrekt zuordnen. Die Fähigkeit, über oder unter 16 Jahre zu bestimmen, ist weniger aufwendig als die Identifizierung einer konkreten Altersspanne. Allerdings schloss die für die Studie verwendete Datenbasis Personen mit Sehstörungen oder neurologischen Erkrankungen aus, sodass zusätzliche Validierungen Menschen mit bestimmten nicht‑funktionalen Augenbewegungen einbeziehen müssen.

Können Sie uns erläutern, was technisch geschieht, wenn ein Entwickler die Altersabschätzungs‑Funktion von Theia aufruft – von der Erfassung der Augenbewegung über eine gewöhnliche Kamera bis zur Rückgabe eines Altersbereichs – und erklären, welche Schritte vollständig auf dem Gerät des Nutzers ablaufen?

Die Kamera berechnet zunächst die Blickvektoren, die bestimmen, wohin der Nutzer schaut. Diese Blickvektoren werden anschließend über unser SDK verarbeitet, wo sie in Eye‑Tracking‑Merkmale wie Geschwindigkeit (wie schnell sich die Augen bewegen) und Fixationen (wo die Augen fokussieren) umgewandelt werden.

Sobald diese Merkmale erzeugt sind, werden sie an unsere ML‑ und KI‑Algorithmen übergeben, um den Altersbereich des Nutzers zu bestimmen.

All diese Verarbeitung erfolgt am Edge und kann direkt auf dem Gerät des Nutzers oder, je nach Bereitstellungsstrategie, in der Cloud durchgeführt werden. Roh‑Eye‑Tracking‑Daten werden nicht gespeichert; sie werden sofort nach jeder Ausgabe verworfen..

Altersabschätzungssysteme können je nach Beleuchtung, Kamerqualität, Brille, Kontaktlinsen, Augenbedingungen, Behinderung, Ethnie und Abstand des Nutzers zum Gerät unterschiedlich funktionieren. Wie testen Sie Theia hinsichtlich dieser Variablen, und welche Nachweise erhalten Entwickler bezüglich der Genauigkeit für verschiedene Bevölkerungsgruppen und Umgebungen?

Es stimmt, dass die Genauigkeit der Altersabschätzung je nach Bedingungen variiert. Um Altersbestätigungs‑Modelle der breiten Bevölkerung bereitzustellen, testet, validiert und berichtet HarmonEyes die Ergebnisse transparent, damit Theia verantwortungsbewusst eingesetzt wird. Dies beinhaltet die Erweiterung und Verallgemeinerung unserer Modelle mittels größerer und vielfältigerer Datensätze.

• Wir bieten Leitlinien zu den Genauigkeitsraten und beispielsweise, ob niedrige Datenabtastraten die Latenz der Altersbestätigung beeinflussen.
• Berücksichtigung und Echtzeit‑Überwachung vieler Aspekte der Datenqualität.

Wie wird Theia sich gegen Umgehungsversuche wie voraufgezeichnete Videos, Fotos, synthetische Gesichter, ein älteres Geschwister, das die Prüfung durchführt, oder einen Nutzer, der bewusst seinen Blick ändert, verteidigen, und wird die Lebenderkennung direkt in das Software‑Development‑Kit integriert werden?

Alle Altersbestätigungs‑Modelle von HarmonEyes werden Lebenderkennung und Spoof‑Prüfungen enthalten. Augenbewegungen sind für jede Person einzigartig, und HarmonEyes kann feststellen, ob die Augenbewegung eines Kontos mit der Person übereinstimmt, die das Konto eingerichtet hat, oder ob es sich um eine andere Person handelt, beispielsweise ein älteres Geschwister.

Kein Altersabschätzungs‑Modell wird perfekt genau sein, insbesondere für Nutzer, die nahe an einer gesetzlichen Schwelle liegen. Wie sollten Entwickler mit unsicheren Ergebnissen umgehen, und sehen Sie Theia als primäre Prüfung, als Risikosignal oder als Teil eines mehrstufigen Prozesses, der bestimmte Nutzer zu einer anderen Verifizierungsmethode weiterleitet?

Kein Altersabschätzungs‑Modell ist perfekt. Wir geben zu jedem Ergebnis einen Vertrauensgrad an.. Dieser Grad an Genauigkeit und Vertrauen kann ausreichen, um die Altersbestätigung zu verifizieren. Sollte jedoch beispielsweise der Vertrauensgrad einer bestimmten Messung unter einem Schwellenwert liegen, könnte er als Auslöser für eine sekundäre Verifizierung dienen. Unser Altersbestätigungs‑Modell kann als eine von mehreren Methoden zur Validierung des Alters einer Person verwendet werden, wobei mehrere Methoden bestanden werden müssen. Schließlich bestimmen Risikotoleranz und ob der Anwendungsfall ein konkretes Alter, einen Altersbereich oder sogar einen Schwellenwert (z. B. 16 Jahre oder jünger) erfordert, ob die Lösung eine primäre Prüfung oder ein mehrstufiger Prozess ist.

HarmonEyes gibt an, dass Theia Informationen am Edge verarbeitet und Eye‑Tracking‑Daten löscht, sobald ein Ergebnis geliefert wird. Wie können Entwickler, Prüfer oder Regulierungsbehörden diese Architektur eigenständig verifizieren, und wie wird das Unternehmen seine Modelle verbessern, ohne Roh‑Eye‑Tracking‑Daten aus eingesetzten Anwendungen zu sammeln?

Unser Modell‑Entwicklungsprozess und die anschließende Modellverbesserung erfolgen innerhalb unserer proprietären Eye‑Tracking‑Pipeline. Wir nutzen dafür keine Kundendaten – wir verwenden bestehende (und wachsende) validierte Daten.

Damit können wir unsere Lösungen am Edge bereitstellen (ohne Cloud), falls gewünscht. In diesen edge‑basierten Umgebungen sind Rechenleistung und Speicher meist begrenzt, und es besteht keine Möglichkeit, Daten auf dem Gerät zu speichern. Wir liefern unsere Altersbestätigungs‑Ausgaben jede Sekunde – und unsere Richtlinie sieht vor, Eye‑Tracking‑Daten jede Sekunde zu löschen (nach jeder Ausgabe).

Wir erkennen an, dass architektonische Aussagen nur so glaubwürdig sind, wie die Möglichkeit, sie extern zu bestätigen. Wir streben Zertifizierungen und Atteste von Drittanbietern an, die es Entwicklern, Prüfern und Regulierungsbehörden ermöglichen zu verifizieren, dass Eye‑Tracking‑Daten in eingesetzten Anwendungen weder gesammelt noch gespeichert werden.

Das Vereinigte Königreich entwickelt Kriterien für hochwirksame Prüfungen, während die Europäische Union anonyme Altersnachweis‑Systeme betont, die möglichst wenig persönliche Informationen preisgeben. Wie wird HarmonEyes nachweisen, dass die physiologische Altersbestimmung diesen aufkommenden Anforderungen entspricht und nicht lediglich eine andere Form der biometrischen Überwachung einführt?

Jedes von uns bereitgestellte Modell wird mit einem Whitepaper geliefert, das die Entwicklungsmethodik, Modellgenauigkeit und bekannte Einschränkungen dokumentiert, und wir stellen Theia für Live‑Remote‑Tests zur Verfügung, damit Regulierungsbehörden oder Prüfer die reale Leistungsfähigkeit direkt bewerten können.

Während die Altersbestätigung von einzelnen sozialen Plattformen zu Betriebssystemen, App‑Stores und gerätebezogener Infrastruktur übergeht, wo sollte Ihrer Meinung nach Theia in diesem Technologiestack positioniert werden, und wie würde eine verantwortungsvolle Einführung in Verbraucher‑Apps, Gaming, sozialen Medien und anderen altersbeschränkten Diensten aussehen?

Wir verfolgen zahlreiche Integrationsmöglichkeiten für unsere Altersbestätigungs‑Funktion. Wir stellen uns vor, dass Theia innerhalb des privaten Technologie‑Stacks eines Unternehmens, etwa einer Social‑Media‑Plattform, innerhalb der Geräte‑Infrastruktur, z. B. eines Betriebssystems, innerhalb der Handels‑Infrastruktur, etwa eines Zahlungsnetzwerks, oder direkt auf Anwendungsebene betrieben wird.

Für uns bedeutet verantwortungsvolle Einführung, eine präzise Altersbestätigungs‑Funktion zu liefern, die Transparenz der Validierungsprozesse, Datenvielfalt im Modell bietet und dies auf eine datenschutzfreundliche und kosteneffiziente Weise bereitstellt.

Vielen Dank für das großartige Interview, Leser, die mehr erfahren möchten, sollten HarmonEyes besuchen.