Ajattelemalla ulkopuolelta laatikon tuomaan keksintöjä tekoälyyn

Monille meistä, jotka kehittävät tekoälyä, työskentelemme karttamattomilla alueilla. Ottaen huomioon, kuinka nopeasti tekoälyyritykset kehittävät uusia teknologioita, joku saattaa ottaa itsestäänselväksi taustalla tehdyn työn. Mutta alalla, kuten XR, jonka tehtävänä on häivyttää rajat todellisen ja digitaalisen maailman välillä – ei ole paljon historiallista dataa tai tutkimusta, johon voimme nojata; joten meidän on ajateltava ulkopuolelta laatikon.

On helpointa turvautua perinteiseen konenäön viisauteen ja kokeiltuihin käytäntöihin, mutta tämä usein ei ole mahdollista (tai täydellinen ratkaisu) nousujoissa aloissa. Jotta voimme ratkaista ongelmia, joita ei ole aiemmin ratkaistu, niitä on lähestyttävä uusin tavoin.

Se on haaste, joka pakottaa meidät muistamaan, miksi aloimme insinööritieteellisen, data-analytiikan tai tuotekehitystyön alalla: intohimo löytää uutta. Kokeneen jokapäiväisessä työssäni Ultraleapissa, jossa kehittämme ohjelmistoja, jotka voivat seurata ja reagoida ihmisen käden liikkeisiin sekaisin todellisen ja virtuaalisen maailman välillä. Paljon siitä, mitä luulimme tietävämme koneoppimisen mallien kouluttamisesta, kääntyy päälaelleen työssämme, koska ihmiset ja esineet, joita he kohtaavat, ovat erittäin ennustamattomia.

Tässä on muutamia lähestymistapoja, joita minun tiimini ja minä olemme ottaneet käyttöön kokeilemaan uudelleen ja soveltamaan data-analytiikkaa tuomaan intuitiivista vuorovaikutusta digitaaliseen maailmaan, joka on tarkin ja tuntuu yhtä luonnolliselta kuin se olisi todellisessa maailmassa.

Uudistaminen rajojen puitteissa

Kun uudistetaan nousujoisessa tilassa, usein kohtaamme rajoituksia, jotka näyttävät olevan ristiriidassa toistensa kanssa. Tiimini on tehtävänä havainnoida käden ja sormien liikkeiden yksityiskohtia ja miten kädet ja sormet vuorovaikuttavat ympäröivän maailman kanssa. Tämä on pakattu käden seuraamismalleihin, jotka edelleen mahtuvat XR-laitteiden rajoitettuun laskentaan. Tämä tarkoittaa, että mallimme – vaikka ne ovat monimutkaisia ja kehittyneitä – on otettava merkittävästi vähemmän tallennustilaa ja kuluttamaan huomattavasti vähemmän energiaa (1/100 000:een) kuin massiiviset LLM:t, jotka hallitsevat otsikoita. Se esittää meille jännittävän haasteen, joka vaatii armotonta kokeilua ja arviointia mallejamme niiden todellisessa soveltamisessa.

Mutta lukuisat testit ja kokeilut ovat sen arvoisia: voimallisen mallin luominen, joka toimii edelleen matalalla inference-kustannuksella, energiankulutuksella ja viiveellä, on ihme, jota voidaan soveltaa myös reunan laskennassa XR-tilan ulkopuolella.

Rajoitukset, joita kohtaamme kokeillessamme, vaikuttavat myös muihin aloihin. Jotkut yritykset kohtaavat ainutlaatuisia haasteita soveltamisalansa ominaisuuksien vuoksi, kun taas toiset saattavat olla rajoitettuja datan määrässä, koska ne toimivat niukasti kosketusta saaneilla markkinoilla, joissa suuret teknologiayritykset eivät ole toimineet.

Vaikka yksi kokoa sopiva ratkaisu voi riittää joillekin tehtäville, monet soveltamisalat tarvitsevat ratkaisemaan todellisia, haastavia ongelmia, jotka ovat ominaisia tehtävilleen. Esimerkiksi auton kokoonpanolinjat toteuttavat koneoppimismalleja virheiden tarkastamiseen. Nämä mallit on pakko kamppailla erittäin korkean resoluution kuvien kanssa, joita tarvitaan pienen virheen tunnistamiseen suurella auton pinnalla. Tässä tapauksessa soveltamisala vaatii suorituskykyä, mutta ongelma, jota on ratkaistava, on kuinka saavuttaa matala kehysnopeus, mutta korkearesoluutio, malli.

Mallirakenteiden arviointi innovaatiotoiminnan edistämiseksi

Hyvä datasetti on voimanlähde takana jokaisen onnistuneen tekoälyläpimurron. Mutta mikä tekee datasetin “hyväksi” tietyn tavoitteen kannalta? Ja kun ratkaistaan aiemmin ratkaisemattomia ongelmia, miten voimme luottaa, että olemassa oleva data on relevantti? Emme voi olettaa, että mitat, jotka ovat hyviä joillekin koneoppimistehtäville, kääntyvät toiseen tiettyyn liiketoimintatehtävään. Tässä meidän on haastettava yleisesti hyväksyttyjä koneoppimisen “totuuksia” ja sen sijaan aktiivisesti tutkia, miten merkitsemme, puhdistamme ja sovellemme sekä simuloituja että todellisia dataa.

Luonteemme mukaan meidän on haastava arvioida ja se vaatii manuaalista laadunvarmistusta – tehty käsin. Emme vain tarkastele ainoastaan datamme laadun mittareita. Iteroimme datasettejämme ja data-lähteitä ja arvioimme niitä perustuen siihen, mitä laatuja ne tuottavat malleja, jotka ovat todellisessa maailmassa. Kun arvioimme uudelleen, miten arvioimme ja luokittelemme dataamme, usein löydämme datasettejä tai trendejä, joita emme olisi muuten havainneet. Nyt näiden datasetien ja lukuisien kokeiden kanssa, jotka osoittivat meille, mihin dataan emme voi luottaa, olemme avanneet uuden kulkureitin, jota emme aiemmin nähneet.

Ultraleapin uusin käden seuraamisalusta, Hyperion, on erinomainen esimerkki tästä. Edistysaskeleet dataseteissamme auttoivat meitä kehittämään monimutkaisempaa käden seuraamista, joka pystyy tarkkaan seuraamaan mikroliikkeitä sekä käden liikkeitä, vaikka käyttäjä pitää esinettä kädessään.

 Yksi pieni askel taakse, yksi suuri loikka eteenpäin

Vaikka innovaation vauhti näyttää pysyvän, me voimme hidastaa. Olemme kokeilemisen, oppimisen, kehittämisen ja keksimisen liiketoimintaa, ja kun me otamme aikaa tehdä vain sitä, usein luomme jotain, joka on paljon arvokkaampaa kuin silloin, kun noudatamme kirjaa ja kiirehdimme julkaisemaan seuraavan teknologisen innovaation. Ei ole korvausta läpimurroille, jotka tapahtuvat, kun tutkimme data-merkintöjämme, kyseenalaistamme data-lähteitämme ja määrittelemme uudelleen laadun mittareita itse. Ja ainoa tapa, jolla voimme tehdä tämän, on kokeilemalla todellisessa soveltamisalassa mitattuna mallin suorituskykyä tehtävää vastaan. Sen sijaan, että näkisimme epätavalliset vaatimukset ja rajoitukset rajoittavina, voimme ottaa nämä haasteet ja muuttaa ne innovaation mahdollisuuksiksi ja lopulta kilpailuedulla.