Σκέφτεστε Εκτός των Πλαίσιων για την Προώθηση της Καινοτομίας του AI

Για πολλούς από εμάς που καινοτομούμε στον χώρο του AI, εργαζόμαστε σε ανεξερεύνητο έδαφος. Λαμβάνοντας υπόψη πόσο γρήγορα οι εταιρείες AI αναπτύσσουν νέες τεχνολογίες, κάποιος μπορεί να θεωρήσει ως δεδομένο την επίμονη δουλειά που γίνεται πίσω από τις σκηνές. Αλλά σε ένα πεδίο όπως το XR, όπου η αποστολή είναι να θολώσει τα όρια μεταξύ του πραγματικού και του ψηφιακού κόσμου — δεν υπάρχει τώρα πολλή ιστορική δεδομένα ή έρευνα να στηριχθούμε; έτσι πρέπει να σκεφτόμαστε εκτός των πλαίσιων.

Ενώ είναι πιο βολικό να βασιστούμε στις συμβατικές σοφίες του machine learning και τις δοκιμασμένες πρακτικές, αυτό συχνά δεν είναι δυνατό (ή η πλήρης λύση) σε αναδυόμενους τομείς. Για να λύσουμε προβλήματα που δεν έχουν λυθεί ποτέ πριν, πρέπει να προσεγγιστούμε με νέους τρόπους.

Αυτή είναι μια πρόκληση που σας αναγκάζει να θυμηθείτε γιατί μπήκατε στον τομέα του μηχανικού, της επιστήμης των δεδομένων ή της ανάπτυξης προϊόντων από την αρχή: μια страсть για την ανακάλυψη. Βιώνω αυτό κάθε μέρα στο ρόλο μου στην Ultraleap, όπου αναπτύσσουμε λογισμικό που μπορεί να παρακολουθήσει και να ανταποκριθεί στις κινήσεις του ανθρώπινου χεριού σε ένα περιβάλλον μικτής πραγματικότητας. Πολύ από ό,τι νομίζαμε ότι γνωρίζαμε για την εκπαίδευση μοντέλων machine learning γυρίζει πίσω στο κεφάλι μας στη δουλειά μας, καθώς το ανθρώπινο χέρι — μαζί με τα αντικείμενα και τα περιβάλλοντα που συναντά — είναι εξαιρετικά απρόβλεπτο.

Εδώ είναι μερικές προσεγγίσεις που έχεις η ομάδα μου για να ξαναφανταστούμε το πείραμα και την επιστήμη των δεδομένων για να φέρουμε διαδραστική αλληλεπίδραση στο ψηφιακό κόσμο, που είναι ακριβής και αισθάνεται τόσο φυσικό όσο και στον πραγματικό κόσμο.

Καινοτομία μέσα στα πλαίσια

Όταν καινοτομούμε σε ένα νεοεμφανιζόμενο χώρο, συχνά αντιμετωπίζουμε περιορισμούς που φαίνονται να είναι αντίθετοι ο ένας με τον άλλον. Η ομάδα μου έχει ανατεθεί να καταγράψει τις ιδιομορφίες των κινήσεων του χεριού και των δακτυλικών, και πώς τα χέρια και τα δάκτυλα αλληλεπιδρούν με τον κόσμο γύρω τους. Αυτό είναι όλα συσκευασμένα σε μοντέλα παρακολούθησης χεριών που ainda ταιριάζουν στο XR hardware με περιορισμένη υπολογιστική ισχύ. Αυτό σημαίνει ότι τα μοντέλα μας — ενώ είναι sophistikated και σύνθετα — πρέπει να καταλαμβάνουν σημαντικά λιγότερο χώρο αποθήκευσης και να καταναλώνουν σημαντικά λιγότερη ενέργεια (στο μέτρο του 1/100,000) από τα τεράστια LLMs που κυριαρχούν στις ειδήσεις. Αυτό μας παρουσιάζει μια ενθουσιώδη πρόκληση, που απαιτεί αμείλικτη πειραματισμός και αξιολόγηση των μοντέλων μας στην πραγματική εφαρμογή τους.

Αλλά οι αμέτρητοι тест και πειράματα αξίζουν: η δημιουργία ενός ισχυρού μοντέλου που ακόμα παραδίδει χαμηλό κόστος συλλογής, κατανάλωση ενέργειας και καθυστέρηση είναι ένα θαύμα που μπορεί να εφαρμοστεί στην edge computing ακόμα και έξω από τον χώρο του XR.

Οι περιορισμοί με τους οποίους συναντιόμαστε ενώ πειραματιζόμαστε θα επηρεάσουν και άλλα βιομηχανίες. Ορισμένες επιχειρήσεις θα έχουν μοναδικές προκλήσεις λόγω των λεπτομερειών του τομέα τους, ενώ άλλες μπορεί να έχουν περιορισμένα δεδομένα για να εργαστούν λόγω του ότι βρίσκονται σε một νіш βιομηχανία που οι μεγάλες εταιρείες τεχνολογίας δεν έχουν αγγίξει.

Ενώ οι λύσεις που ταιριάζουν σε όλους μπορεί να είναι επαρκείς για ορισμένες εργασίες, πολλές εφαρμογές домένων χρειάζονται να λύσουν πραγματικά, δύσκολα προβλήματα που είναι συγκεκριμένα για την εργασία τους. Για παράδειγμα, οι γραμμές συναρμολόγησης αυτοκινήτων εφαρμόζουν μοντέλα ML για την επιθεώρηση ελαττωμάτων. Αυτά τα μοντέλα πρέπει να παλέψουν με πολύ υψηλής ανάλυσης εικόνων που χρειάζονται για να αναγνωρίσουν μικρά ελαττώματα σε μια μεγάλη επιφάνεια του αυτοκινήτου. Σε αυτή την περίπτωση, η εφαρμογή απαιτεί υψηλή απόδοση, αλλά το πρόβλημα που πρέπει να λυθεί είναι πώς να επιτύχουμε χαμηλό ρυθμό καρέ, αλλά υψηλής ανάλυσης, μοντέλο.

Αξιολόγηση αρχιτεκτονικών μοντέλων για την προώθηση της καινοτομίας

Ένα καλό σύνολο δεδομένων είναι η κινητήρια δύναμη πίσω από κάθε επιτυχημένη καινοτομία του AI. Αλλά τι κάνει ένα σύνολο δεδομένων “καλό” για ένα συγκεκριμένο αντικείμενο, άλλωστε; Και όταν λύνουμε προβλήματα που δεν έχουν λυθεί ποτέ πριν, πώς μπορούμε να εμπιστευτούμε ότι τα υπάρχοντα δεδομένα θα είναι σχετικά; Δεν μπορούμε να υποθέσουμε ότι τα μετρικά που είναι καλά για ορισμένες εργασίες ML μεταφράζονται σε μια συγκεκριμένη απόδοση εργασίας. Αυτό είναι όπου καλούμαστε να αντιταχθούμε σε κοινά ML “αλήθειες” και αντί να εξερευνήσουμε ενεργά πώς να etiquetar, να καθαρίσουμε και να εφαρμόσουμε και προσομοιωμένα και πραγματικά δεδομένα.

Φυσικά, ο τομέας μας είναι δύσκολος να αξιολογηθεί και απαιτεί χειροκίνητη ποιότητα εγγύησης – γίνεται με το χέρι. Δεν κοιτάμε μόνο τα μετρικά ποιότητας των δεδομένων μας. Επαναλαμβάνουμε τα σύνολα δεδομένων και τις πηγές δεδομένων και τις αξιολογούμε με βάση τις ιδιότητες των μοντέλων που παράγουν στον πραγματικό κόσμο. Όταν ξανααξιολογούμε πώς βαθμολογούμε και ταξινομούμε τα δεδομένα μας, συχνά ανακαλύπτουμε σύνολα δεδομένων ή τάσεις που μπορεί να había παραβλέψουμε. Τώρα με αυτά τα σύνολα δεδομένων, και τα αμέτρητα πειράματα που μας έδειξαν ποια δεδομένα όχι να βασιστούμε, abbiamo ξεκλειδώσει μια νέα οδό που μας έλειπε πριν.

Το τελευταίο πλατφόρμα παρακολούθησης χεριών της Ultraleap, Hyperion, είναι ένα εξαιρετικό παράδειγμα. Οι προόδους στις βάσεις δεδομένων μας βοήθησαν να αναπτύξουμε πιο sophistikated παρακολούθηση χεριών που μπορεί να παρακολουθήσει ακριβώς τις μικροκινήσεις καθώς και τις κινήσεις του χεριού ακόμα και όταν ο χρήστης κρατάει ένα αντικείμενο.

 Ένα μικρό βήμα πίσω, ένα μεγάλο άλμα μπροστά

Ενώ ο ρυθμός της καινοτομίας φαίνεται να μην σταματά ποτέ, μπορούμε. Είμαστε στην επιχείρηση του πειραματισμού, της μάθησης, της ανάπτυξης και όταν παίρνουμε τον χρόνο να κάνουμε ακριβώς αυτό, συχνά δημιουργούμε κάτι πολύ πιο πολύτιμου από όταν ακολουθούμε το βιβλίο και βιάζουμε να βγάλουμε την επόμενη τεχνολογική καινοτομία. Δεν υπάρχει αντικατάσταση για τις καινοτομίες που συμβαίνουν όταν εξερευνούμε τις σημειώσεις δεδομένων μας, αμφισβητούμε τις πηγές δεδομένων μας και ξαναορίζουμε τα μετρικά ποιότητας. Και ο μόνος τρόπος που μπορούμε να κάνουμε αυτό είναι πειραματιζόμενοι στην πραγματική εφαρμογή του τομέα με μετρημένη απόδοση μοντέλου ενάντια στην εργασία. Αντί να βλέπουμε ασυνήθιστες απαιτήσεις και περιορισμούς ως περιοριστικούς, μπορούμε να πάρουμε αυτές τις προκλήσεις και να τις μετατρέψουμε σε ευκαιρίες για καινοτομία και, τελικά, einen ανταγωνιστικό πλεονέκτημα.