Adam Gross, cofundador y CEO de HarmonEyes – Serie de entrevistas

Adam Gross, cofundador y CEO de HarmonEyes, es un emprendedor en serie con casi tres décadas de experiencia creando y escalando negocios impulsados por tecnología en los sectores de salud, servicios financieros y análisis de datos. Co‑fundó RightEye en 2013, desarrollando una plataforma de tecnología de seguimiento ocular utilizada en salud, deportes profesionales y aplicaciones de rendimiento militar, antes de co‑fundar HarmonEyes con Dr. Melissa Hunfalvay en 2024 para ampliar esa experiencia hacia la inteligencia del estado humano impulsada por IA. Al inicio de su carrera, Gross co‑fundó la empresa de contención de costos de salud KeyClaims, que fue adquirida por Stratose/Zelis Healthcare en 2012, y la plataforma de análisis financiero Trending123.com, adquirida por InvestorPlace Media en 2007. También fundó la empresa de tecnología financiera KeepMore y co‑fundó Eastern ATM, que operó una red privada de cajeros automáticos a lo largo de la costa este de EE. UU. antes de ser adquirida en 1998.

HarmonEyes está desarrollando Theia, un modelo de base de IA diseñado para inferir aspectos del estado cognitivo, emocional y físico de una persona a partir de los movimientos oculares en tiempo real. La tecnología puede medir señales como carga cognitiva, atención, preparación mental, fatiga, estrés, distracción, cinetosis y autenticación de usuarios, con aplicaciones potenciales que abarcan asistentes de IA, sistemas automotrices, realidad extendida, defensa, salud, educación, seguridad industrial, videojuegos e investigación de mercado. Theia está diseñada para operar en el borde en dispositivos comunes con cámara sin requerir hardware especializado de seguimiento ocular, y HarmonEyes declara que los videos y datos personales no se almacenan. La empresa remonta su tecnología a RightEye y afirma que sus modelos se basan en más de 585 mil millones de puntos de datos de movimiento ocular en 16,3 millones de registros, proporcionando un gran conjunto de datos propietario para entrenar y perfeccionar su tecnología de inteligencia del estado humano.

Co‑fundó RightEye en 2013 y pasó más de una década desarrollando tecnología de seguimiento ocular para salud, deportes y aplicaciones militares antes de lanzar HarmonEyes en 2024. ¿Qué le convenció de que esta tecnología subyacente y el conjunto de datos podrían sustentar un modelo de base más amplio para la inteligencia del estado humano, y por qué HarmonEyes era el vehículo adecuado para esa visión?

Con más de una década de experiencia desarrollando productos de seguimiento ocular para una variedad de campos, hubo tres cambios que impulsaron nuestra visión de HarmonEyes para llevar la inteligencia del estado humano a miles de millones de dispositivos:

1. Durante la última década hemos adquirido la mayor base de datos de seguimiento ocular validada y etiquetada, que incluye más de 130 conjuntos de datos que abarcan demografía (p. ej., edad, sexo), rendimiento, atención, emoción, visión y condiciones de salud, etc.
2. Con la proliferación de la IA, las técnicas para entrenar modelos en tiempo real se volvieron repentinamente disponibles para nosotros, y contábamos con los datos para entrenarlos.
3. Las señales de seguimiento ocular son capturadas por cámaras.  Recientemente, y por primera vez, las cámaras de consumo mejoraron, se volvieron más rápidas, más baratas y lo suficientemente potentes como para extraer estas señales.  Gracias a las innovaciones de nuestro equipo, ahora podemos desplegar modelos de seguimiento ocular en cualquier dispositivo con cámara, incluidos portátiles, teléfonos, tabletas, automóviles, etc.

Ofcom ha distinguido la inferencia de edad conductual, que requiere observar cómo alguien usa una plataforma, de los controles de edad que pueden funcionar antes de conceder el acceso. ¿En qué se diferencia técnicamente y éticamente estimar la edad a partir del movimiento ocular de analizar el historial de navegación, las preferencias de contenido, el idioma u otras señales conductuales?

Nuestra tecnología solo necesita una pequeña muestra de movimientos oculares de un sujeto para situar a la persona en un rango de edad o para confirmar que alguien es menor/mayor que una edad específica. Podemos recopilar datos de movimiento ocular de forma pasiva, continua y no invasiva sin almacenar ni recopilar información de identificación personal. Además, todos los datos de seguimiento ocular se destruyen una vez entregados los resultados. También contamos con la capacidad de realizar detección de vivacidad y protección contra suplantación, garantizando que las personas no puedan manipular el sistema.

Éticamente, esto significa que no estamos perfilando el comportamiento, los hábitos, decisiones o preferencias de una persona, a diferencia de la inferencia conductual, que por definición construye una imagen de alguien a partir de cómo actúa a lo largo del tiempo. Ofrecemos una garantía de edad sin recopilar ni retener ese tipo de información personal, de modo que usuarios y padres pueden estar seguros de que están protegidos en lugar de ser rastreados o perfilados.

La investigación publicada por HarmonEyes analizó los movimientos oculares de 45 696 personas y reportó una precisión de clasificación del 94,67 % en 12 grupos de edad. ¿Qué mide exactamente esa cifra de precisión y cuánta validación adicional se necesita antes de que el modelo pueda determinar de manera fiable si alguien está por encima o por debajo de un umbral específico, como los 16 años?

La precisión mide que, al añadir los datos de cualquier persona al conjunto, el 94,67 % de las veces los movimientos oculares de esa persona categorizarán correctamente el grupo de edad al que pertenece (de 12 grupos). La capacidad de determinar si está por encima o por debajo de los 16 años es menos exigente que identificar un rango de edad específico. Sin embargo, los datos utilizados en el estudio excluyeron a personas con trastornos visuales o condiciones neurológicas, por lo que la validación adicional debe incluir a personas con ciertos movimientos oculares no funcionales.

¿Puede explicarnos qué ocurre técnicamente cuando un desarrollador invoca la capacidad de estimación de edad de Theia, desde la captura del movimiento ocular mediante una cámara ordinaria hasta la devolución de un rango de edad, y señalar qué etapas se realizan completamente en el dispositivo del usuario?

La cámara primero calcula los vectores de mirada, que ayudan a determinar a dónde está mirando el usuario. Estos vectores de mirada se procesan luego a través de nuestro SDK, donde se convierten en características de seguimiento ocular, como la velocidad (qué tan rápido se mueven los ojos) y las fijaciones (dónde se enfocan los ojos).

Una vez generadas estas características, se alimentan a nuestros algoritmos de ML e IA para determinar el rango de edad del usuario.

Todo este procesamiento se realiza en el borde y puede ejecutarse directamente en el dispositivo del usuario o, según la estrategia de despliegue, en la nube. No se retienen datos crudos de seguimiento ocular; se descartan inmediatamente después de generar cada salida.

Los sistemas de estimación de edad pueden funcionar de manera diferente según la iluminación, la calidad de la cámara, gafas, lentes de contacto, condiciones oculares, discapacidad, etnia y la proximidad del usuario al dispositivo. ¿Cómo está probando Theia estas variables y qué evidencia recibirán los desarrolladores sobre la precisión para distintas poblaciones y entornos?

Es cierto que la precisión de la estimación de edad varía según las condiciones.  Para ofrecer modelos de garantía de edad a la población general, HarmonEyes prueba, valida y reporta los resultados de manera transparente para que Theia se utilice responsablemente. Esto incluye ampliar y generalizar nuestros modelos usando conjuntos de datos más grandes y diversos.

• Proporcionamos orientación sobre las tasas de precisión y, por ejemplo, si las bajas tasas de muestreo de datos afectan la latencia de la salida de garantía de edad.
• Consideración y monitoreo en tiempo real de muchos aspectos de la calidad de los datos.

¿Cómo defenderá Theia los intentos de elusión, como videos pregrabados, fotografías, rostros sintéticos, un hermano mayor realizando la verificación o un usuario que altere deliberadamente su mirada, y la detección de vivacidad se incorporará directamente al kit de desarrollo de software?

Todos los modelos de garantía de edad de HarmonEyes incluirán detección de vivacidad y comprobaciones contra suplantación.  Los movimientos oculares son únicos para cada individuo y HarmonEyes puede determinar si el movimiento ocular de una cuenta coincide con la persona que creó la cuenta, o si es una persona diferente, como un hermano mayor, por ejemplo.

Ningún modelo de estimación de edad será perfectamente preciso, especialmente para usuarios cercanos a un umbral legal. ¿Cómo deberían los desarrolladores manejar resultados inciertos y visualiza usted que Theia se use como la verificación principal, una señal de riesgo o como parte de un proceso en capas que eleve a ciertos usuarios a otro método de verificación?

Ningún modelo de estimación de edad es perfecto. Proporcionamos un nivel de confianza con cada resultado. Este nivel de precisión y confianza puede ser suficiente para confirmar la garantía de edad.  Sin embargo, si, por ejemplo, el nivel de confianza de una medida específica está por debajo de cierto umbral, podría usarse para activar una verificación secundaria.  Nuestro modelo de garantía de edad puede emplearse como uno de varios métodos para validar la edad de una persona, donde deben superarse múltiples métodos. Finalmente, la tolerancia al riesgo y si el caso de uso requiere una edad específica, en lugar de un rango de edad, o incluso un umbral de edad (p. ej., 16 años o menos) determinará si la solución es una verificación primaria o un proceso en capas.

HarmonEyes afirma que Theia procesa la información en el borde y descarta los datos de seguimiento ocular una vez entregada una salida. ¿Cómo pueden los desarrolladores, auditores o reguladores verificar independientemente esa arquitectura, y cómo mejorará la empresa sus modelos sin recopilar datos crudos de seguimiento ocular de las aplicaciones desplegadas?

Nuestro proceso de desarrollo de modelos, y la posterior mejora de los mismos, se lleva a cabo dentro de nuestra canalización propietaria de seguimiento ocular.  No utilizamos datos de clientes para ello; empleamos datos validados existentes (y en crecimiento).

Esto nos permite ofrecer nuestras soluciones en el borde (sin nube) si se desea.  En estos entornos basados en el borde, la computación y el almacenamiento suelen estar limitados y no hay posibilidad de almacenar datos en el dispositivo.  Entregamos nuestras salidas de garantía de edad cada segundo, y nuestra política es destruir los datos de seguimiento ocular cada segundo (después de cada salida).

Reconocemos que las afirmaciones arquitectónicas sólo son tan creíbles como la capacidad de confirmarlas externamente. Estamos buscando certificaciones y atestaciones de terceros diseñadas para permitir a desarrolladores, auditores y reguladores verificar que los datos de seguimiento ocular no se recopilan ni retienen en las aplicaciones desplegadas.

El Reino Unido está desarrollando criterios para verificaciones altamente efectivas, mientras que la Unión Europea enfatiza sistemas anónimos de prueba de edad que revelan la menor cantidad posible de información personal. ¿Cómo demostrará HarmonEyes que la estimación fisiológica de la edad cumple con estos requisitos emergentes en lugar de simplemente introducir una forma diferente de vigilancia biométrica?

Cada modelo que entregamos incluye un documento técnico que detalla la metodología de desarrollo, la precisión del modelo y sus limitaciones conocidas, y ponemos Theia a disposición para pruebas en vivo y remotas, de modo que reguladores o auditores puedan evaluar directamente su rendimiento en el mundo real.

A medida que la garantía de edad pasa de plataformas sociales individuales a sistemas operativos, tiendas de aplicaciones e infraestructura a nivel de dispositivo, ¿dónde cree que Theia debería ubicarse en esa pila tecnológica y cómo sería una adopción responsable en aplicaciones de consumo, videojuegos, redes sociales y otros servicios con restricción de edad?

Estamos explorando varios tipos de integraciones para nuestra capacidad de garantía de edad.  Visualizamos Theia operando dentro de la pila tecnológica privada de una empresa, como una plataforma de redes sociales; dentro de la infraestructura del dispositivo, como un sistema operativo; dentro de la infraestructura comercial, como una red de pagos; o directamente a nivel de aplicación.

Para nosotros, una adopción responsable implica ofrecer una capacidad de garantía de edad precisa con transparencia en los procesos de validación, diversidad de datos dentro del modelo, y hacerlo de manera privada y rentable de implementar.

Gracias por la excelente entrevista; los lectores que deseen obtener más información deberían visitar HarmonEyes.