Pensare fuori dagli schemi per guidare l’innovazione dell’intelligenza artificiale

Per molti di noi che innovano nello spazio dell’intelligenza artificiale, stiamo lavorando in un territorio inesplorato. Considerando quanto rapidamente le aziende di intelligenza artificiale stanno sviluppando nuove tecnologie, si potrebbe dare per scontato il lavoro instancabile che si svolge dietro le quinte. Ma in un campo come XR, dove la missione è quella di confondere i confini tra mondi reali e digitali — non c’è attualmente molta ricerca o dati storici a cui fare riferimento; quindi dobbiamo pensare fuori dagli schemi.

Mentre è più conveniente affidarsi alla saggezza convenzionale dell’apprendimento automatico e alle pratiche collaudate, ciò spesso non è possibile (o non è la soluzione completa) in campi emergenti. Per risolvere problemi che non sono mai stati risolti prima, è necessario affrontarli in modi nuovi.

È una sfida che ti costringe a ricordare perché hai iniziato a lavorare nel campo dell’ingegneria, della scienza dei dati o dello sviluppo di prodotti: una passione per la scoperta. Io vivo questa esperienza ogni giorno nel mio ruolo in Ultraleap, dove sviluppiamo software che può tracciare e rispondere ai movimenti della mano umana in un ambiente di realtà mista. Molto di ciò che pensavamo di sapere sulla formazione di modelli di apprendimento automatico viene capovolto nel nostro lavoro, poiché la mano umana — insieme agli oggetti e agli ambienti che incontra — è estremamente imprevedibile.

Ecco alcuni approcci che il mio team e io abbiamo adottato per rimmaginare l’esperimentazione e la scienza dei dati per portare interazione intuitiva nel mondo digitale, che sia precisa e si senta naturale come nel mondo reale.

Innovare all’interno dei confini

Quando si innova in uno spazio nascente, si è spesso di fronte a vincoli che sembrano essere in contrasto tra loro. Il mio team è incaricato di catturare le sfumature dei movimenti della mano e delle dita, e di come le mani e le dita interagiscono con il mondo che le circonda. Tutto ciò è racchiuso in modelli di tracciamento della mano che devono ancora rientrare nell’hardware XR con calcolo vincolato. Ciò significa che i nostri modelli — seppur sofisticati e complessi — devono occupare significativamente meno spazio di archiviazione e consumare meno energia (fino a 1/100.000) rispetto ai grandi LLM che dominano i titoli. Ciò ci presenta una sfida emozionante, che richiede un’esperimentazione e una valutazione spietata dei nostri modelli nel loro reale ambito di applicazione.

Ma i numerosi test ed esperimenti valgono la pena: creare un modello potente che consegni ancora un basso costo di inferenza, consumo di energia e latenza è una meraviglia che può essere applicata anche nel calcolo edge al di fuori dello spazio XR.

I vincoli in cui ci imbattiamo durante l’esperimentazione avranno un impatto anche su altre industrie. Alcune aziende avranno sfide uniche a causa di sottigliezze nel loro dominio di applicazione, mentre altre potrebbero avere dati limitati a disposizione a causa del fatto di essere in un mercato di nicchia che i grandi player tecnologici non hanno toccato.

Mentre le soluzioni “una misura per tutti” possono essere sufficienti per alcuni compiti, molti domini di applicazione devono risolvere problemi reali e impegnativi specifici del loro compito. Ad esempio, le linee di montaggio automobilistiche implementano modelli di apprendimento automatico per l’ispezione dei difetti. Questi modelli devono affrontare immagini ad alta risoluzione necessarie per identificare piccoli difetti su una grande superficie di un’auto. In questo caso, l’applicazione richiede prestazioni elevate, ma il problema da risolvere è come raggiungere un basso frame rate, ma con alta risoluzione, del modello.

Valutare le architetture dei modelli per guidare l’innovazione

Un buon set di dati è la forza trainante dietro ogni importante innovazione dell’intelligenza artificiale. Ma cosa rende un set di dati “buono” per un obiettivo specifico, comunque? E quando si risolvono problemi che non sono mai stati risolti prima, come possiamo fidarci che i dati esistenti saranno pertinenti? Non possiamo supporre che le metriche che sono buone per alcuni compiti di apprendimento automatico si traducano in una prestazione specifica di un compito aziendale. È qui che siamo chiamati a sfidare le “verità” comunemente accettate dell’apprendimento automatico e invece esplorare attivamente come etichettiamo, puliamo e applichiamo sia dati simulati che del mondo reale.

Per natura, il nostro dominio è difficile da valutare e richiede un’assicurazione della qualità manuale – fatta a mano. Non stiamo solo guardando le metriche di qualità dei nostri dati. Iteriamo sui nostri set di dati e fonti di dati e li valutiamo in base alle qualità dei modelli che producono nel mondo reale. Quando rivediamo come valutiamo e classifichiamo i nostri dati, spesso troviamo set di dati o tendenze che altrimenti avremmo trascurato. Ora, con quei set di dati, e innumerevoli esperimenti che ci hanno mostrato quali dati non fare affidamento, abbiamo sbloccato una nuova strada che prima ci mancava.

La piattaforma di tracciamento della mano più recente di Ultraleap, Hyperion, è un ottimo esempio di ciò. I progressi nei nostri set di dati ci hanno aiutato a sviluppare un tracciamento della mano più sofisticato in grado di tracciare con precisione i microgesti e i movimenti della mano, anche mentre l’utente tiene un oggetto.

 Un piccolo passo indietro, un grande balzo in avanti

Mentre il ritmo dell’innovazione sembra non rallentare mai, noi possiamo. Siamo nel business dell’esperimentazione, dell’apprendimento, dello sviluppo e, quando prendiamo il tempo per farlo, spesso creiamo qualcosa di molto più valore di quando seguiamo il libro e ci affrettiamo a pubblicare la prossima innovazione tecnologica. Non c’è sostituto per i progressi che si verificano quando esploriamo le annotazioni dei nostri dati, mettiamo in discussione le nostre fonti di dati e ridefiniamo le metriche di qualità stesse. E l’unico modo in cui possiamo fare ciò è sperimentando nel reale dominio di applicazione con prestazioni del modello misurate rispetto al compito. Piuttosto che vedere requisiti e vincoli insoliti come limitanti, possiamo prendere queste sfide e trasformarle in opportunità di innovazione e, in definitiva, in un vantaggio competitivo.