Buiten de gebaande paden denken om AI-innovatie te stimuleren

Voor velen van ons die innoveren in de AI-ruimte, werken we in onverkende gebieden. Gezien de snelheid waarmee AI-bedrijven nieuwe technologieën ontwikkelen, kan men de harde werkzaamheden achter de schermen gemakkelijk voor lief nemen. Maar in een domein als XR, waar de missie is om de grenzen tussen de echte en digitale werelden te laten vervagen — is er momenteel niet veel historische gegevens of onderzoek om op terug te vallen; dus moeten we buiten de gebaande paden denken.

Hoewel het het meest gemakkelijk is om te vertrouwen op conventionele machine learning wijsheid en beproefde praktijken, is dit vaak niet mogelijk (of de volledige oplossing) in opkomende domeinen. Om problemen op te lossen die nog nooit eerder zijn opgelost, moeten ze op nieuwe manieren worden benaderd.

Het is een uitdaging die je dwingt om je te herinneren waarom je het ingenieurs-, datawetenschaps- of productontwikkelingsveld bent ingegaan: een passie voor ontdekking. Ik ervaar dit elke dag in mijn rol bij Ultraleap, waar we software ontwikkelen die handbewegingen in een gemengde realiteitomgeving kan volgen en erop reageren. Zo veel van wat we dachten te weten over het trainen van machine learning-modellen wordt in ons werk op zijn kop gezet, aangezien de menselijke hand — samen met de objecten en omgevingen die het tegenkomt — extreem onvoorspelbaar is.

Hier zijn een paar benaderingen die mijn team en ik hebben genomen om experimenten en datawetenschap te herdefiniëren om intuïtieve interactie met de digitale wereld te brengen, die nauwkeurig is en net zo natuurlijk aanvoelt als in de echte wereld.

Innovatie binnen de lijnen

Wanneer je innoveert in een nieuwgeboren ruimte, word je vaak geconfronteerd met beperkingen die lijken te botsen met elkaar. Mijn team heeft de taak om de nuances van hand- en vingerbewegingen en hoe handen en vingers met de omgeving omgaan, te volgen. Dit wordt allemaal verpakt in handvolgmodellen die nog steeds in XR-hardware passen met beperkte berekeningen. Dit betekent dat onze modellen — hoewel geavanceerd en complex — aanzienlijk minder opslagruimte in beslag nemen en aanzienlijk minder energie verbruiken (tot 1/100.000ste) dan de enorme LLM’s die de koppenlijst domineren. Het presenteert ons een spannende uitdaging, die meedogenloze experimenten en evaluatie van onze modellen in hun reële toepassingsdomein vereist.

Maar de talloze tests en experimenten zijn het waard: het creëren van een krachtig model dat nog steeds presteert op lage inferentiekosten, energieverbruik en latentie is een wonder dat kan worden toegepast in edge computing, zelfs buiten de XR-ruimte.

De beperkingen waar we tijdens het experimenteren mee te maken krijgen, zullen ook andere industrieën beïnvloeden. Sommige bedrijven zullen unieke uitdagingen hebben vanwege de subtiliteiten in hun toepassingsdomeinen, terwijl anderen mogelijk beperkte gegevens hebben om mee te werken als gevolg van het feit dat ze in een niche-markt zitten die grote technologiebedrijven nog niet hebben aangeraakt.

Terwijl one-size-fits-all-oplossingen voldoende kunnen zijn voor sommige taken, moeten veel toepassingsdomeinen echte, moeilijke problemen oplossen die specifiek zijn voor hun taak. Bijvoorbeeld, automotive-assemblagelijnen implementeren ML-modellen voor defectinspectie. Deze modellen moeten omgaan met zeer hoge resolutiebeelden die nodig zijn om kleine defecten over een groot oppervlak van een auto te identificeren. In dit geval eist de toepassing hoge prestaties, maar het probleem dat moet worden opgelost is hoe een lage frame-rate, maar hoge resolutie, model te bereiken.

Modelarchitecturen evalueren om innovatie te stimuleren

Een goede dataset is de drijvende kracht achter elke succesvolle AI-doorbraak. Maar wat maakt een dataset “goed” voor een bepaald doel, eigenlijk? En wanneer je problemen oplost die nog nooit eerder zijn opgelost, hoe kun je ervan uitgaan dat bestaande gegevens relevant zullen zijn? We kunnen niet aannemen dat de metrics die goed zijn voor sommige ML-taken, vertaalt naar een specifieke bedrijfstaakprestatie. Dit is waar we worden opgeroepen om tegen gangbare ML-“waarheden” in te gaan en in plaats daarvan actief te onderzoeken hoe we onze gegevens labelen, schoonmaken en zowel gesimuleerde als echte wereldgegevens toepassen.

Door hun aard is ons domein moeilijk te evalueren en vereist handmatige kwaliteitscontrole – gedaan met de hand. We kijken niet alleen naar de kwaliteitsmetrics van onze gegevens. We itereren op onze datasets en gegevensbronnen en evalueren ze op basis van de kwaliteiten van de modellen die ze in de echte wereld produceren. Wanneer we opnieuw beoordelen hoe we onze gegevens beoordelen en classificeren, vinden we vaak datasets of trends die we anders zouden hebben gemist. Nu, met die datasets, en talloze experimenten die ons lieten zien welke gegevens we niet mochten vertrouwen, hebben we een nieuwe weg ontsloten die we eerder misten.

Ultraleap’s laatste handvolgplatform, Hyperion, is een goed voorbeeld hiervan. Verbeteringen in onze datasets hielpen ons om meer geavanceerde handvolging te ontwikkelen die microgebaren evenals handbewegingen kan volgen, zelfs wanneer de gebruiker een object vasthoudt.

 Een kleine stap terug, een grote sprong vooruit

Terwijl het tempo van innovatie schijnbaar nooit vertraagt, kunnen wij dat wel. We zijn in de business van experimenteren, leren, ontwikkelen en wanneer we de tijd nemen om dat te doen, creëren we vaak iets van veel meer waarde dan wanneer we volgens het boekje handelen en haasten om de volgende technologie-innovatie uit te brengen. Er is geen vervanging voor de doorbraken die optreden wanneer we onze gegevensannotaties onderzoeken, onze gegevensbronnen in twijfel trekken en de kwaliteitsmetrics zelf opnieuw definiëren. En de enige manier waarop we dit kunnen doen is door te experimenteren in het reële toepassingsdomein met gemeten modelprestaties tegen de taak. In plaats van ongebruikelijke vereisten en beperkingen als beperkend te zien, kunnen we deze uitdagingen omzetten in kansen voor innovatie en, uiteindelijk, een concurrentievoordeel. En de enige manier waarop we dit kunnen doen is door te experimenteren in de reële toepassingsdomein met gemeten modelprestaties tegen de taak. In plaats van ongebruikelijke vereisten en beperkingen als beperkend te zien, kunnen we deze uitdagingen omzetten in kansen voor innovatie en, uiteindelijk, een concurrentievoordeel.