Σκέφτεστε Εκτός των Πλαίων για την Οδήγηση της Καινοτομίας του AI

Για πολλούς από εμάς που καινοτομούμε στον χώρο του AI, εργαζόμαστε σε ανεξερεύνητο έδαφος. Δεδομένου πόσο γρήγορα οι εταιρείες AI αναπτύσσουν νέες τεχνολογίες, κάποιος μπορεί να θεωρήσει ως προφανές το αδιάκοπο έργο πίσω από τις σκηνές. Αλλά σε ένα πεδίο όπως το XR, όπου η αποστολή είναι να θολώσει τα όρια μεταξύ του πραγματικού και ψηφιακού κόσμου — δεν υπάρχει τώρα很多 ιστορικά δεδομένα ή έρευνα για να στηριχθούμε; έτσι πρέπει να σκεφτόμαστε εκτός των πλαίων.

Ενώ είναι πιο βολικό να βασίζεστε στις συμβατικές γνώσεις της μηχανικής μάθησης και τις δοκιμασμένες πρακτικές, αυτό συχνά δεν είναι δυνατό (ή η πλήρης λύση) σε αναδυόμενους τομείς. Για να λύσετε προβλήματα που δεν έχουν λυθεί ποτέ trước από το παρελθόν, πρέπει να προσεγγιστούν με νέους τρόπους.

Είναι μια πρόκληση που σας αναγκάζει να θυμηθείτε γιατί μπήκατε στον τομέα της μηχανικής, της επιστήμης των δεδομένων ή της ανάπτυξης προϊόντων από την αρχή: μια страсть για ανακάλυψη. Βιώνομαι 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. Τόσο πολλά από αυτά που νομίζαμε ότι ξέραμε για την εκπαίδευση μοντέλων μηχανικής μάθησης γυρίζονται ανάποδα στο έργο μας, καθώς το ανθρώπινο χέρι — μαζί με τα αντικείμενα και τα περιβάλλοντα που συναντά — είναι εξαιρετικά απρόβλεπτο.

Εδώ είναι μερικές προσεγγίσεις που η ομάδα μου και εγώ έχουμε λάβει για να ξαναφανταστούμε το πείραμα και την επιστήμη των δεδομένων για να φέρει ενστικτώδη αλληλεπίδραση στον ψηφιακό κόσμο, που είναι ακριβής και feels ως φυσικό όπως θα ήταν στον πραγματικό κόσμο.

Καινοτομία μέσα στις γραμμές

Όταν καινοτομούμε σε ένα νεοεμφανιζόμενο χώρο, συχνά αντιμετωπίζετε περιορισμούς που φαίνονται να είναι αντίθετοι ο ένας με τον άλλον. Η ομάδα μου έχει ανατεθεί να καταγράψει τις λεπτομέρειες των κινήσεων του χεριού και των δακτύλων, και πώς τα χέρια και τα δάχτυλα αλληλεπιδρούν με τον κόσμο γύρω τους. Αυτό είναι όλα συσκευασμένα σε μοντέλα παρακολούθησης χεριών που ainda ταιριάζουν στο υλικό XR 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 τους τίτλους. Αυτό μας παρουσιάζει μια συναρπαστική πρόκληση, απαιτώντας αμείλικτο πείραμα και αξιολόγηση των μοντέλων μας στην πραγματική τους εφαρμογή.

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

Οι περιορισμοί με τους οποίους συναντιόμαστε ενώ πειραματιζόμαστε θα επηρεάσουν και άλλους κλάδους. Ορισμένες επιχειρήσεις θα έχουν μοναδικές προκλήσεις λόγω των λεπτομερειών στους τομείς εφαρμογής τους, ενώ άλλες μπορεί να έχουν περιορισμένα δεδομένα για να εργαστούν λόγω του ότι βρίσκονται σε einen νіш市场 που οι μεγάλοι παίκτες της τεχνολογίας δεν έχουν αγγίξει.

Ενώ οι λύσεις的一サイズ που ταιριάζουν σε όλους μπορεί να είναι επαρκείς για ορισμένες εργασίες, πολλοί τομείς εφαρμογής πρέπει να λύσουν πραγματικά, απαιτητικά προβλήματα συγκεκριμένα για την εργασία τους. Για παράδειγμα, οι γραμμές συναρμολόγησης αυτοκινήτων εφαρμόζουν μοντέλα ML για έλεγχο ελαττωμάτων. Αυτά τα μοντέλα πρέπει να παλέψουν με πολύ υψηλής ανάλυσης εικόνες που χρειάζονται για να αναγνωρίσουν μικρά ελαττώματα σε ένα μεγάλο επιφάνεια αυτοκινήτου. Σε αυτή την περίπτωση, η εφαρμογή απαιτεί υψηλή απόδοση, αλλά το πρόβλημα που πρέπει να λυθεί είναι πώς να επιτύχετε χαμηλό ρυθμό καρέ, αλλά υψηλής ανάλυσης, μοντέλο.

Αξιολόγηση αρχιτεκτονικών μοντέλων για να οδηγήσει την καινοτομία

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 στόχο; Και όταν λύνετε προβλήματα που δεν έχουν λυθεί ποτέ πριν, πώς μπορείτε να εμπιστευτείτε ότι τα υπάρχοντα δεδομένα θα είναι σχετικά; Δεν μπορούμε να υποθέσουμε ότι τα μετρικά που είναι καλά για ορισμένες εργασίες ML μεταφράζονται σε άλλη συγκεκριμένη απόδοση εργασίας. Αυτό είναι όπου καλούμαστε να αντιταχθούμε στις κοινές ML “αλήθειες” και αντίθετα να εξερευνήσουμε ενεργά πώς να etiquetάμε, να καθαρίζουμε και να εφαρμόζουμε τόσο τα προσομοιωμένα όσο και τα πραγματικά δεδομένα.

Φυσικά, ο τομέας μας είναι απαιτητικός για αξιολόγηση και απαιτεί χειροκίνητη ποιότητα ασφαλείας – 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 των ιδιοτήτων των μοντέλων που παράγουν στον πραγματικό κόσμο. Όταν ξανααξιολογούμε πώς να βαθμολογούμε και να ταξινομούμε τα δεδομένα μας, συχνά βρισκόμαστε σε σύνολα δεδομένων ή τάσεις που θα μπορούσαμε να 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.

 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 το χρόνο να το κάνουμε, 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 αναnotaions των δεδομένων μας, αμφισβητούμε τις πηγές δεδομένων μας, και ξαναορίζουμε τα μετρικά ποιότητας τους. Και ο唯一 τρόπος που μπορούμε να το κάνουμε είναι πειραματίζοντας στην πραγματική εφαρμογή του τομέα με μετρημένη απόδοση μοντέλου ενάντια στην εργασία. Αντί να βλέπουμε τις ασυνήθιστες απαιτήσεις και τους περιορισμούς ως περιοριστικούς, μπορούμε να πάρουμε αυτές τις προκλήσεις και να τις μετατρέψουμε σε ευκαιρίες για καινοτομία και, τελικά, конкурентικό πλεονέκτημα.