Ajattelu laatikon ulkopuolella AI-innovaatioiden edistämiseksi

Monille meistä, jotka innovoimme tekoälytilassa, työskentelemme karttamattomalla alueella. Ottaen huomioon, kuinka nopeasti tekoälyyritykset kehittävät uusia teknologioita, joku saattaa ottaa annettujen taustatyön kovasta työstä. Mutta alalla, kuten XR, jossa tehtävänä on häivyttää rajat välinen todellinen ja digitaalinen maailma — ei ole paljon historiallista dataa tai tutkimusta, johon voimme nojata; joten meidän on ajateltava laatikon ulkopuolella.

Vaikka on helppoa turvautua perinteiseen machine learning -viisauteen ja kokeiltuihin käytäntöihin, tämä usein ei ole mahdollista (tai täydellinen ratkaisu) uusissa aloissa. Jotta voimme ratkaista ongelmia, joita ei ole aiemmin ratkaistu, niitä on lähestyttävä uusissa tavoissa.

Tämä on haaste, joka pakottaa meidät muistamaan, miksi astuimme insinööri-, data-tiede- tai tuotekehitysalaan ensinnäkin: intohimo löytää. Kokeneen jokapäiväisessä roolissani Ultraleap: ssä, jossa kehitämme ohjelmistoja, jotka voivat seurata ja reagoida ihmisen käden liikkeisiin sekaisin todellisen ja virtuaalisen maailman ympäristössä. Niin paljon siitä, mitä luulimme tietävämme koneoppimisen mallien kouluttamisesta, kääntyy päälaelleen työssämme, koska ihmiset — yhdessä niiden kanssa olevien esineiden ja ympäristöjen kanssa — ovat erittäin ennakkaamattomia.

Tässä on muutamia lähestymistapoja, joita minun tiimini ja minä olemme ottaneet käyttöön kokeilujen ja data-tieteen uudelleenmuokkaamiseen, jotta voidaan tuoda intuitiivisia vuorovaikutuksia digitaaliseen maailmaan, joka on tarkin ja tuntuu yhtä luonnolliselta kuin se olisi todellisessa maailmassa.

Innovaatiot rajojen sisällä

Kun innovoimme nuorella alalla, usein kohtaamme rajoituksia, jotka näyttävät olevan ristiriidassa toistensa kanssa. Tiimini on tehtävänä kaapata käden ja sormien liikkeiden yksityiskohtia ja sitä, miten kädet ja sormet vuorovaikuttavat ympäröivän maailman kanssa. Tämä on pakattu hand tracking -malleihin, jotka edelleen sopivat XR-laitteisiin rajoitettuun laskentaan. Tämä tarkoittaa, että mallimme — vaikka ne ovat kehittyneitä ja monimutkaisia — on otettava merkittävästi vähemmän tallennustilaa ja kuluttamaan huomattavasti vähemmän energiaa (1/100 000: een) kuin massiiviset LLM: t, jotka hallitsevat otsikoita. Se esittää meille innostavan haasteen, joka vaatii armotonta kokeilua ja arviointia malleistamme niiden todellisessa soveltamisessa.

Mutta lukemattomat testit ja kokeilut ovat sen arvoisia: voimallisen mallin luominen, joka toimii edelleen alhaisen inference-kustannuksen, virrankulutuksen ja viiveen kanssa, on ihme, jota voidaan soveltaa reunan laskennassa, jopa XR-tilan ulkopuolella.

Rajoitukset, joita kohtaamme kokeillessamme, vaikuttavat myös muihin aloihin. Jotkut yritykset kohtaavat ainutlaatuisia haasteita soveltamisalansa hienouksien vuoksi, kun taas toiset saattavat olla rajoitettuja datan kanssa johtuen niiden olemassaolosta niukassa markkinassa, jota suuret teknologiayritykset eivät ole kosketteet.

Vaikka yksi-koko-kaikki-ratkaisut saattavat riittää joillekin tehtäville, monilla soveltamisaloilla on ratkaistava todellisia, haastavia ongelmia, jotka ovat ominaisia tehtävilleen. Esimerkiksi auton kokoonpanolinjoissa toteutetaan ML-malleja virheiden tarkasteluun. Nämä mallit on pakko kamppailla erittäin korkean resoluution kuvilla, joita tarvitaan pienten virheiden tunnistamiseen suuren pinnan alueella autossa. Tässä tapauksessa soveltamisala vaatii korkeaa suorituskykyä, mutta ongelmana on, miten saavuttaa matala kehysnopeus, mutta korkearesoluutioinen malli.

Mallirakenteiden arviointi innovaatioiden edistämiseksi

Hyvä dataset on voimavara, joka ajaa kaikkia onnistuneita tekoälyläpimurtoja. Mutta mikä tekee datasetin “hyväksi” tietyn tavoitteen kannalta? Ja kun ratkaistaan aiemmin ratkaistuja ongelmia, miten voimme luottaa, että olemassa oleva data on relevantti? Emme voi olettaa, että metriikka, jotka ovat hyviä joillekin ML-tehtäville, kääntävät toiseen tiettyyn liiketoimintatehtävään. Tässä meidät kutsutaan menemään vastoin yleisesti hyväksyttyjä ML “totuuksia” ja sen sijaan aktiivisesti tutkia, miten me merkitsemme, puhdistamme ja sovellemme sekä simuloituja että todellisia dataa.

Luonnostaan alueemme on haastava arvioida ja vaatii manuaalista laadunvarmistusta – tehty käsin. Emme vain tarkastele datamme laadun metriikkaa. Iteroimme datamme ja data-lähteitä ja arvioimme niitä tuotettujen mallien laadun perusteella todellisessa maailmassa. Kun arvioimme uudelleen, miten arvioimme ja luokittelemme dataamme, usein löydämme datasettejä tai tendenssejä, joita emme olisi muuten havainneet. Nyt näiden datasetien ja lukemattomien kokeilujen kanssa, jotka osoittivat meille, mihin dataan emme voi luottaa, olemme avanneet uuden tien, jota emme olleet aikaisemmin havainneet.

Ultraleapin uusin hand-tracking-alusta, Hyperion, on erinomainen esimerkki tästä. Edistykset dataseteissamme auttoivat meitä kehittämään monimutkaisempaa käden seuraamista, joka pystyy seuraamaan tarkasti mikroilmeitä sekä käden liikkeitä, vaikka käyttäjä pitää esinettä.

 Yksi pieni askel taakse, yksi suuri askel eteenpäin

Vaikka innovaatioiden vauhti näyttää pysähtyvän, me voimme. Olemme kokeilun, oppimisen, kehittämisen liiketoiminnassa, ja kun otamme aikaa tehdä vain sitä, usein luomme jotain, joka on paljon arvokkaampaa kuin silloin, kun toimimme kirjan mukaan ja kiirehdimme julkaisemaan seuraavan teknologisen innovaation. Ei ole korvausta läpimurroille, jotka tapahtuvat, kun tutkimme data-merkintöjämme, kyseenalaistamme data-lähteitämme ja määrittelemme uudelleen laadun metriikkaa. Ja ainoa tapa, jolla voimme tehdä tämän, on kokeilemalla todellisessa soveltamisalassa mallin suorituskyvyn mittaamiseksi tehtävää vastaan. Sen sijaan, että näkisimme epätavalliset vaatimukset ja rajoitukset rajoittavina, voimme ottaa nämä haasteet ja muuttaa ne innovaation ja lopulta kilpailuedun mahdollisuuksiksi.