विचार नेता
बॉक्स के बाहर सोचना एआई नवाचार को बढ़ावा देने के लिए
Unite.AI को Google पर अपने पसंदीदा स्रोतों में जोड़ें
एआई क्षेत्र में नवाचार करने वालों के लिए, हम अक्सर अनचाहे क्षेत्र में काम कर रहे होते हैं। एआई कंपनियों द्वारा नए प्रौद्योगिकियों के विकास की गति को देखते हुए, कोई भी पृष्ठभूमि में हो रहे कठिन काम को स्वीकार कर सकता है। लेकिन एक क्षेत्र में जहां मिशन वास्तविक और डिजिटल दुनिया के बीच की रेखाओं को धुंधला करना है – वर्तमान में ऐतिहासिक डेटा या शोध पर निर्भर करने के लिए बहुत कुछ नहीं है; इसलिए हमें बॉक्स के बाहर सोचने की आवश्यकता है।
जबकि परंपरागत मशीन लर्निंग ज्ञान और परीक्षण-निष्ठा प्रथाओं पर निर्भर रहना सबसे सुविधाजनक है, यह अक्सर संभव नहीं है (या पूर्ण समाधान) उभरते क्षेत्रों में। पहले से हल न किए गए समस्याओं को हल करने के लिए, उन्हें नए तरीकों से हल करने की आवश्यकता है।
यह एक चुनौती है जो आपको याद दिलाती है कि आप इंजीनियरिंग, डेटा विज्ञान, या उत्पाद विकास क्षेत्र में क्यों आए: खोज के लिए जुनून। मैं इसे अपने दैनिक कार्य में अनुभव करता हूं Ultraleap में, जहां हम मिश्रित वास्तविकता वातावरण में मानव हाथ की गतिविधियों को ट्रैक और प्रतिक्रिया देने वाले सॉफ्टवेयर विकसित करते हैं। हमारे काम में, मशीन लर्निंग मॉडल को प्रशिक्षित करने के बारे में जो हम जानते हैं वह अक्सर उलट जाता है, क्योंकि मानव हाथ – साथ ही वस्तुओं और पर्यावरण के साथ इसके संपर्क – बहुत अप्रत्याशित है।
मेरी टीम और मैंने डिजिटल दुनिया में सहज इंटरैक्शन लाने के लिए प्रयोग और डेटा विज्ञान को पुनः कल्पना करने के लिए कुछ दृष्टिकोण अपनाए हैं, जो सटीक है और वास्तविक दुनिया में महसूस होता है।
रेखाओं के भीतर नवाचार
जब आप एक नए क्षेत्र में नवाचार कर रहे होते हैं, तो आपको अक्सर ऐसे प्रतिबंधों का सामना करना पड़ता है जो एक दूसरे के विरोधी लगते हैं। मेरी टीम को हाथ और उंगलियों की गतिविधियों की जटिलताओं को पकड़ने और हाथों और उंगलियों को उनके आसपास की दुनिया के साथ कैसे बातचीत करते हैं, इसे समझने का काम सौंपा गया है। यह सभी हाथ ट्रैकिंग मॉडल में पैक किया जाता है जो अभी भी सीमित कंप्यूट में एक्सआर हार्डवेयर में फिट होते हैं। इसका मतलब है कि हमारे मॉडल – जो जटिल और जटिल हैं – को महत्वपूर्ण रूप से कम स्टोरेज लेने और कम ऊर्जा की खपत करने की आवश्यकता है (१/१००,००० वें के बराबर) बड़े एलएलएम की तुलना में जो हेडलाइंस को प्रभावित करते हैं। यह हमें एक रोमांचक चुनौती प्रस्तुत करता है, जिसमें हमारे मॉडलों की निर्मम प्रयोग और मूल्यांकन की आवश्यकता होती है उनके वास्तविक अनुप्रयोग में।
लेकिन अनगिनत परीक्षण और प्रयोग इसके लायक हैं: एक शक्तिशाली मॉडल बनाना जो अभी भी कम अनुमान लागत, शक्ति की खपत और विलंबता पर डिलीवर करता है, एक आश्चर्य है जिसे एज कंप्यूटिंग में भी एक्सआर स्पेस के बाहर लागू किया जा सकता है।
प्रयोग के दौरान हमें जो प्रतिबंध मिलते हैं वे अन्य उद्योगों को भी प्रभावित करेंगे। कुछ व्यवसायों को उनके अनुप्रयोग डोमेन में सूक्ष्मताओं के कारण अद्वितीय चुनौतियों का सामना करना पड़ेगा, जबकि अन्य के पास सीमित डेटा हो सकता है क्योंकि वे एक निचे बाजार में हैं जिसे बड़े प्रौद्योगिकी खिलाड़ियों ने नहीं छुआ है।
एक-आकार-फिट-सभी समाधान कुछ कार्यों के लिए पर्याप्त हो सकते हैं, लेकिन कई अनुप्रयोग डोमेन को वास्तविक, चुनौतीपूर्ण समस्याओं को हल करने की आवश्यकता होती है जो उनके कार्य के लिए विशिष्ट हैं। उदाहरण के लिए, ऑटोमोटिव असेंबली लाइनें दोष निरीक्षण के लिए एमएल मॉडल लागू करती हैं। इन मॉडलों को बहुत उच्च-रिज़ॉल्यूशन वाली इमेजरी से निपटना पड़ता है जो एक कार की बड़ी सतह पर छोटे दोषों की पहचान करने के लिए आवश्यक है। इस मामले में, अनुप्रयोग उच्च प्रदर्शन की मांग करता है, लेकिन समस्या यह है कि कैसे कम फ्रेम दर, लेकिन उच्च-रिज़ॉल्यूशन मॉडल प्राप्त किया जाए।
नवाचार को बढ़ावा देने के लिए मॉडल आर्किटेक्चर का मूल्यांकन
एक अच्छा डेटासेट किसी भी सफल एआई ब्रेकथ्रू के पीछे ड्राइविंग बल है। लेकिन किसी विशिष्ट उद्देश्य के लिए एक डेटासेट “अच्छा” क्या बनाता है? और जब आप पहले से हल न की गई समस्याओं को हल करने की कोशिश कर रहे हों, तो आप कैसे विश्वास कर सकते हैं कि मौजूदा डेटा प्रासंगिक होगा? हम यह मान नहीं सकते कि कुछ एमएल कार्यों के लिए अच्छे मेट्रिक्स अन्य विशिष्ट व्यावसायिक कार्य प्रदर्शन में अनुवाद करते हैं। यहीं पर हमें सामान्य रूप से आयोजित एमएल “सच” के खिलाफ जाने और इसके बजाय सक्रिय रूप से अन्वेषण करने के लिए कहा जाता है कि हम डेटा को कैसे लेबल, साफ और लागू करते हैं और दोनों सिम्युलेटेड और वास्तविक दुनिया के डेटा।
प्रकृति से, हमारा डोमेन मूल्यांकन के लिए चुनौतीपूर्ण है और मैनुअल गुणवत्ता आश्वासन की आवश्यकता होती है – हाथ से। हम केवल अपने डेटा की गुणवत्ता मेट्रिक्स को नहीं देख रहे हैं। हम अपने डेटासेट और डेटा स्रोतों पर पुनरावृत्ति करते हैं और उन्हें उनके द्वारा उत्पादित मॉडलों की गुणवत्ता के आधार पर मूल्यांकन करते हैं वास्तविक दुनिया में। जब हम अपने डेटा को ग्रेड और वर्गीकृत करने के तरीके की पुनः समीक्षा करते हैं, तो हम अक्सर ऐसे डेटासेट या रुझानों को पाते हैं जिन्हें हमने पहले अनदेखा किया होगा। अब उन डेटासेट के साथ, और उन प्रयोगों के साथ जिन्होंने हमें दिखाया कि कौन से डेटा पर भरोसा नहीं करना है, हमने एक नए मार्ग को अनलॉक किया है जिसे हम पहले से याद कर रहे थे।
Ultraleap का नवीनतम हाथ-ट्रैकिंग प्लेटफ़ॉर्म, हाइपरियन, इसका एक उत्कृष्ट उदाहरण है। हमारे डेटासेट में सुधार ने हमें अधिक परिष्कृत हाथ ट्रैकिंग विकसित करने में मदद की जो सूक्ष्म इशारों के साथ-साथ हाथ की गतिविधियों को भी सटीक रूप से ट्रैक कर सकती है, यहां तक कि जब उपयोगकर्ता कोई वस्तु पकड़े हुए हों।
एक छोटा सा कदम पीछे, एक बड़ा कदम आगे
जबकि नवाचार की गति कभी भी धीमी नहीं लगती, हम कर सकते हैं। हम प्रयोग, सीखने, विकास में हैं, और जब हम बस इतना करते हैं, तो हम अक्सर कुछ ऐसा बनाते हैं जो बहुत मूल्यवान है जब हम किताब के अनुसार जा रहे होते हैं और अगले तकनीकी नवाचार को बाहर निकालने की जल्दी में। डेटा एनोटेशन का अन्वेषण करने, डेटा स्रोतों पर प्रश्न उठाने और गुणवत्ता मेट्रिक्स को स्वयं पुनः परिभाषित करने के लिए कोई विकल्प नहीं है। और हम यह केवल वास्तविक अनुप्रयोग डोमेन में प्रयोग करके और कार्य के खिलाफ मॉडल प्रदर्शन को मापकर कर सकते हैं। असामान्य आवश्यकताओं और प्रतिबंधों को सीमित करने के बजाय, हम इन चुनौतियों को नवाचार के अवसरों में बदल सकते हैं और अंततः, एक प्रतिस्पर्धी लाभ के लिए।
