Berpikir di Luar Kotak untuk Menggerakkan Inovasi AI

Bagi banyak dari kita yang berinovasi di ruang AI, kita bekerja di wilayah yang belum dipetakan. Mengingat seberapa cepat perusahaan AI mengembangkan teknologi baru, seseorang mungkin menganggap remeh pekerjaan yang gigih di balik layar. Namun, di bidang seperti XR, di mana misinya adalah untuk memburamkan garis antara dunia nyata dan digital — saat ini tidak banyak data historis atau penelitian yang dapat diandalkan; jadi kita perlu berpikir di luar kotak.

Sementara itu lebih mudah untuk mengandalkan kebijaksanaan pembelajaran mesin konvensional dan praktik yang terbukti, ini sering tidak mungkin (atau solusi penuh) di bidang yang muncul. Untuk memecahkan masalah yang belum pernah diselesaikan sebelumnya, mereka perlu diatasi dengan cara baru.

Ini adalah tantangan yang memaksa Anda untuk mengingat mengapa Anda memasuki bidang teknik, ilmu data, atau pengembangan produk di tempat pertama: passion untuk penemuan. Saya mengalami ini setiap hari dalam peran saya di Ultraleap, di mana kami mengembangkan perangkat lunak yang dapat melacak dan merespons gerakan tangan manusia di lingkungan realitas campuran. Banyak dari apa yang kita pikir kita ketahui tentang pelatihan model pembelajaran mesin berubah secara dramatis dalam pekerjaan kami, karena tangan manusia — bersama dengan objek dan lingkungan yang dihadapinya — sangat tidak terduga.

Berikut beberapa pendekatan yang saya dan tim saya ambil untuk membayangkan kembali eksperimen dan ilmu data untuk membawa interaksi yang intuitif ke dunia digital, yang akurat dan terasa alami seperti di dunia nyata.

Berpikir di Luar Kotak

Ketika berinovasi di ruang yang baru, Anda sering kali dihadapkan pada keterbatasan yang tampaknya bertentangan satu sama lain. Tim saya ditugaskan untuk menangkap kerumitan gerakan tangan dan jari, dan bagaimana tangan dan jari berinteraksi dengan dunia di sekitarnya. Ini semua dikemas dalam model pelacakan tangan yang masih sesuai dengan perangkat keras XR pada komputasi terbatas. Ini berarti bahwa model kami — meskipun canggih dan kompleks — harus menggunakan penyimpanan yang jauh lebih sedikit dan mengonsumsi energi yang jauh lebih sedikit (sekitar 1/100.000) daripada LLM besar yang mendominasi berita. Ini mempresentasikan tantangan yang menarik, memerlukan eksperimen dan evaluasi yang kejam dari model kami dalam aplikasi dunia nyata.

Namun, tes dan eksperimen yang tak terhitung jumlahnya sepadan: menciptakan model yang kuat yang masih memberikan hasil pada biaya inferensi rendah, konsumsi daya, dan latensi adalah keajaiban yang dapat diterapkan dalam komputasi edge bahkan di luar ruang XR.

Keterbatasan yang kita temui saat bereksperimen akan mempengaruhi industri lain juga. Beberapa bisnis akan memiliki tantangan unik karena kehalusan dalam domain aplikasi mereka, sementara yang lain mungkin memiliki data terbatas untuk bekerja karena berada di pasar niche yang belum disentuh oleh pemain teknologi besar.

Sementara solusi satu-ukuran untuk semua tugas mungkin cukup, banyak domain aplikasi perlu memecahkan masalah nyata yang menantang yang spesifik untuk tugas mereka. Misalnya, jalur perakitan otomotif menerapkan model ML untuk inspeksi cacat. Model ini harus berhadapan dengan citra resolusi tinggi yang diperlukan untuk mengidentifikasi cacat kecil di atas permukaan mobil yang luas. Dalam kasus ini, aplikasi menuntut kinerja tinggi, tetapi masalah yang perlu dipecahkan adalah bagaimana mencapai laju bingkai rendah, tetapi resolusi model yang tinggi.

Mengevaluasi Arsitektur Model untuk Menggerakkan Inovasi

Dataset yang baik adalah kekuatan pendorong di balik setiap terobosan AI yang sukses. Tapi apa yang membuat dataset “baik” untuk tujuan tertentu, sih? Dan ketika Anda memecahkan masalah yang belum pernah diselesaikan sebelumnya, bagaimana Anda bisa percaya bahwa data yang ada akan relevan? Kami tidak bisa menganggap metrik yang baik untuk beberapa tugas ML akan diterjemahkan ke kinerja tugas bisnis tertentu. Ini adalah tempat di mana kami dipanggil untuk melawan “kebenaran” ML yang umum diterima dan sebaliknya secara aktif menjelajahi bagaimana kami melabel, membersihkan, dan menerapkan data yang disimulasikan dan dunia nyata.

Oleh sifatnya, domain kami menantang untuk dievaluasi dan memerlukan jaminan kualitas manual – dilakukan dengan tangan. Kami tidak hanya melihat kualitas metrik dari data kami. Kami mengulangi dataset dan sumber data kami dan mengevaluasi mereka berdasarkan kualitas model yang dihasilkan di dunia nyata. Ketika kami meninjau kembali bagaimana kami menilai dan mengklasifikasikan data kami, kami sering menemukan dataset atau tren yang mungkin kita lewatkan sebelumnya. Sekarang dengan dataset tersebut, dan eksperimen tak terhitung yang menunjukkan kepada kita data mana yang tidak boleh diandalkan, kita telah membuka jalur baru yang kita lewatkan sebelumnya.

Platform pelacakan tangan terbaru Ultraleap, Hyperion, adalah contoh yang baik dari ini. Kemajuan dalam dataset kami membantu kami mengembangkan pelacakan tangan yang lebih canggih yang dapat melacak mikrogerakan serta gerakan tangan bahkan ketika pengguna sedang memegang objek.

 Satu Langkah Kecil ke Belakang, Satu Lompatan Besar ke Depan

Sementara kecepatan inovasi tampaknya tidak pernah melambat, kita bisa. Kita berada dalam bisnis bereksperimen, belajar, mengembangkan, dan ketika kita mengambil waktu untuk melakukan hal itu, kita sering menciptakan sesuatu yang jauh lebih berharga daripada ketika kita mengikuti buku dan terburu-buru untuk mengeluarkan inovasi teknologi berikutnya. Tidak ada pengganti untuk terobosan yang terjadi ketika kita menjelajahi anotasi data kami, mempertanyakan sumber data kami, dan mendefinisikan kembali metrik kualitas itu sendiri. Dan satu-satunya cara kita bisa melakukan ini adalah dengan bereksperimen di domain aplikasi nyata dengan kinerja model yang diukur terhadap tugas. Daripada melihat persyaratan dan keterbatasan yang tidak umum sebagai pembatas, kita bisa mengambil tantangan ini dan mengubahnya menjadi kesempatan untuk inovasi dan, pada akhirnya, keunggulan kompetitif. Dan satu-satunya cara kita bisa melakukan ini adalah dengan bereksperimen di domain aplikasi nyata dengan kinerja model yang diukur terhadap tugas. Daripada melihat persyaratan dan keterbatasan yang tidak umum sebagai pembatas, kita bisa mengambil tantangan ini dan mengubahnya menjadi kesempatan untuk inovasi dan, pada akhirnya, keunggulan kompetitif.