Außerhalb des Rahmens denken, um die KI-Innovation voranzutreiben

Für viele von uns, die im KI-Bereich innovativ tätig sind, bewegen wir uns in unerforschtem Gebiet. Angesichts der Geschwindigkeit, mit der KI-Unternehmen neue Technologien entwickeln, könnte man die harte Arbeit hinter den Kulissen als selbstverständlich hinnehmen. Doch in einem Bereich wie XR, dessen Mission es ist, die Grenzen zwischen der realen und digitalen Welt zu verwischen – gibt es derzeit nicht viel historische Daten oder Forschung, auf die man zurückgreifen kann; also müssen wir außerhalb des Rahmens denken.

Es ist am bequemsten, auf herkömmliche Maschinelles Lernen Weisheit und bewährte Praktiken zurückzugreifen, aber dies ist oft nicht möglich (oder die vollständige Lösung) in aufstrebenden Bereichen. Um Probleme zu lösen, die noch nie zuvor gelöst wurden, müssen sie auf neue Weise angegangen werden.

Es ist eine Herausforderung, die uns zwingt, uns daran zu erinnern, warum wir ursprünglich in die Bereiche Ingenieurwesen, Data Science oder Produktentwicklung eingestiegen sind: eine Leidenschaft für die Entdeckung. Ich erlebe dies jeden Tag in meiner Rolle bei Ultraleap, wo wir Software entwickeln, die Bewegungen der menschlichen Hand in einer gemischten Realitätsumgebung verfolgen und darauf reagieren kann. So viel von dem, was wir über das Training von Maschinelles-Lernen-Modellen zu wissen glaubten, wird in unserer Arbeit auf den Kopf gestellt, da die menschliche Hand – zusammen mit den Objekten und Umgebungen, mit denen sie in Berührung kommt – extrem unvorhersehbar ist.

Hier sind einige Ansätze, die mein Team und ich ergriffen haben, um das Experimentieren und die Datenwissenschaft neu zu gestalten, um intuitive Interaktionen in der digitalen Welt zu ermöglichen, die genau und so natürlich wie in der realen Welt sind.

Innovieren innerhalb der Grenzen

Wenn man in einem aufstrebenden Bereich innoviert, steht man oft vor Einschränkungen, die einander zu widersprechen scheinen. Mein Team ist mit der Aufgabe betraut, die Feinheiten von Hand- und Fingerbewegungen und deren Interaktion mit der Umgebung zu erfassen. All dies wird in Hand-Tracking-Modellen verpackt, die immer noch in XR-Hardware mit begrenzter Rechenleistung passen. Dies bedeutet, dass unsere Modelle – obwohl komplex und anspruchsvoll – erheblich weniger Speicherplatz einnehmen und weniger Energie verbrauchen müssen (um den Faktor 1/100.000) als die riesigen LLMs, die in den Schlagzeilen dominieren. Dies stellt uns vor eine spannende Herausforderung, die eine rücksichtslose Experimentierung und Bewertung unserer Modelle in ihrer realen Anwendung erfordert.

Aber die unzähligen Tests und Experimente sind es wert: Die Erstellung eines leistungsstarken Modells, das immer noch eine geringe Inferenzkosten, Stromverbrauch und Latenz bietet, ist ein Meisterwerk, das in der Edge-Computing auch außerhalb des XR-Bereichs angewendet werden kann.

Die Einschränkungen, auf die wir bei der Experimentierung stoßen, werden auch andere Branchen beeinflussen. Einige Unternehmen werden aufgrund von Feinheiten in ihren Anwendungsdomänen einzigartige Herausforderungen haben, während andere möglicherweise aufgrund der Tatsache, dass sie in einem Nischenmarkt tätig sind, den großen Tech-Unternehmen nicht bekannt sind, nur begrenzte Daten zur Verfügung haben.

Während Einheitslösungen für einige Aufgaben ausreichen, müssen viele Anwendungsbereiche reale, herausfordernde Probleme lösen, die spezifisch für ihre Aufgabe sind. Zum Beispiel implementieren Automobilmontagehallen ML-Modelle zur Defektinspektion. Diese Modelle müssen mit sehr hochauflösenden Bildern umgehen, die erforderlich sind, um kleine Defekte auf einer großen Oberfläche eines Autos zu identifizieren. In diesem Fall erfordert die Anwendung eine hohe Leistung, aber das Problem, das gelöst werden muss, ist, wie man eine niedrige Bildfrequenz, aber eine hohe Auflösung, erreicht.

Modellarchitekturen bewerten, um die Innovation voranzutreiben

Ein guter Datensatz ist der Motor hinter jedem erfolgreichen KI-Durchbruch. Aber was macht einen Datensatz “gut” für ein bestimmtes Ziel? Und wenn man bisher ungelöste Probleme löst, wie kann man sicherstellen, dass bestehende Daten relevant sind? Wir können nicht annehmen, dass die Metriken, die für einige ML-Aufgaben gut sind, auf eine bestimmte Geschäftsaufgabe übertragbar sind. Hier müssen wir gegen gängige ML-“Wahrheiten” verstoßen und stattdessen aktiv erforschen, wie wir unsere Daten beschriften, reinigen und sowohl simulierte als auch reale Daten anwenden.

Durch ihre Natur ist unser Bereich schwierig zu bewerten und erfordert manuelle Qualitätskontrolle – von Hand. Wir schauen nicht nur auf die Qualitätsmetriken unserer Daten. Wir iterieren über unsere Datensätze und Datenquellen und bewerten sie auf der Grundlage der Qualität der Modelle, die sie in der realen Welt produzieren. Wenn wir unsere Bewertungsmethode für unsere Daten überdenken, finden wir oft Datensätze oder Trends, die wir sonst übersehen hätten. Jetzt, mit diesen Datensätzen und unzähligen Experimenten, die uns gezeigt haben, auf welche Daten wir nicht vertrauen sollten, haben wir einen neuen Weg gefunden, den wir zuvor nicht hatten.

Die neueste Hand-Tracking-Plattform von Ultraleap, Hyperion, ist ein großartiges Beispiel dafür. Fortschritte in unseren Datensätzen halfen uns, eine fortschrittlichere Hand-Tracking-Technologie zu entwickeln, die mikrofeine Gesten sowie Handbewegungen genau verfolgen kann, selbst wenn der Benutzer ein Objekt hält.

 Einen kleinen Schritt zurück, einen großen Sprung nach vorne

Während das Tempo der Innovation scheinbar nie nachlässt, können wir. Wir sind im Geschäft des Experimentierens, Lernens, Entwickelns und wenn wir uns die Zeit nehmen, dies zu tun, schaffen wir oft etwas von viel größerem Wert als wenn wir nach dem Buch vorgehen und uns beeilen, die nächste Tech-Innovation zu veröffentlichen. Es gibt keinen Ersatz für die Durchbrüche, die auftreten, wenn wir unsere Datenannotationen erforschen, unsere Datenquellen in Frage stellen und die Qualitätsmetriken selbst neu definieren. Und die einzige Möglichkeit, dies zu tun, ist, durch Experimentieren in der realen Anwendung mit gemessener Modellleistung gegen die Aufgabe. Anstatt ungewöhnliche Anforderungen und Einschränkungen als begrenzend zu sehen, können wir diese Herausforderungen in Chancen für Innovation und letztendlich in einen Wettbewerbsvorteil verwandeln.