Adam Gross, medgründer og administrerende direktør i HarmonEyes – Intervjuserie

Adam Gross, medgründer og administrerende direktør i HarmonEyes, er en seriegründer med nesten tre tiår med erfaring i å bygge og skalere teknologidrevne virksomheter innen helsevesen, finansielle tjenester og dataanalyse. Han var med på å grunnlegge RightEye i 2013, og utviklet en øyesporingsteknologiplattform som brukes innen helsevesen, profesjonell sport og militære ytelsesapplikasjoner, før han i 2024 medgründet HarmonEyes sammen med Dr. Melissa Hunfalvay for å utvide denne ekspertisen til AI-drevet menneskelig tilstand‑intelligens. Tidligere i karrieren var Gross med på å grunnlegge helseforsikringskostnadsreduksjonsfirmaet KeyClaims, som ble kjøpt opp av Stratose/Zelis Healthcare i 2012, og finansanalytisk plattform Trending123.com, som ble kjøpt opp av InvestorPlace Media i 2007. Han grunnla også fintech‑selskapet KeepMore og var med på å grunnlegge Eastern ATM, som drev et privat minibanknettverk langs USAs østkyst før det ble kjøpt opp i 1998.

HarmonEyes utvikler Theia, en AI‑grunnmodell designet for å avlede aspekter av en persons kognitive, emosjonelle og fysiske tilstand fra øyebevegelser i sanntid. Teknologien kan måle signaler som kognitiv belastning, oppmerksomhet, mental beredskap, tretthet, stress, distraksjon, bevegelsessyke og brukerautentisering, med potensielle anvendelser som spenner fra AI‑assistenter, bilsystemer, utvidet virkelighet, forsvar, helsevesen, utdanning, industriell sikkerhet, spill og markedsundersøkelser. Theia er designet for å kjøre i kanten på vanlige enheter med kamera uten å kreve spesialisert øyesporingsmaskinvare, og HarmonEyes oppgir at video‑ og persondata ikke lagres. Selskapet sporer sin teknologi tilbake til RightEye og sier at modellene deres bygger på mer enn 585 milliarder øyebevegelsesdatapunkter fra 16,3 millioner poster, noe som gir et stort proprietært datasett for trening og finjustering av deres menneskelige tilstand‑intelligens‑teknologi.

Du var med på å grunnlegge RightEye i 2013 og tilbrakte mer enn et tiår med å utvikle øyesporingsteknologi for helsevesen, sport og militære applikasjoner før du lanserte HarmonEyes i 2024. Hva overbeviste deg om at denne underliggende teknologien og datasettet kunne støtte en bredere grunnmodell for menneskelig tilstand‑intelligens, og hvorfor var HarmonEyes det rette kjøretøyet for den visjonen?

Med mer enn et tiår med erfaring i å utvikle øyesporingsprodukter for ulike felt, var det tre endringer som drev vår visjon om at HarmonEyes skulle bringe menneskelig tilstand‑intelligens til milliarder av enheter:

1. I løpet av det siste tiåret har vi anskaffet den største validerte og merkede øyesporingsdatabasen, som inneholder over 130 datasett som dekker demografi (f.eks. alder, kjønn), ytelse, oppmerksomhet, følelser, syn og helsetilstander, osv.
2. Med AI‑utbredelsen ble teknikker for å trene sanntidsmodeller plutselig tilgjengelige for oss – og vi hadde dataene til å trene dem.
3. Øyesporingssignaler fanges opp av kameraer. Nylig, og for første gang, har forbrukerkameraer blitt bedre, raskere, billigere og kraftige nok til å trekke ut disse signalene. Gjennom teamets innovasjoner kan vi nå distribuere øyesporingsmodeller på enhver kamera‑basert enhet, inkludert bærbare PC‑er, telefoner, nettbrett, biler osv.

Ofcom har skilt mellom atferdsbasert aldersinferens, som krever observasjon av hvordan noen bruker en plattform, og alderskontroller som kan fungere før tilgang gis. Hvordan skiller teknisk og etisk aldersestimering fra øyebevegelser seg fra analyse av nettleserhistorikk, innholdspreferanser, språk eller andre atferdssignaler?

Vår teknologi krever kun et lite utdrag av øyebevegelser fra en person for å plassere vedkommende i en aldersgruppe eller bekrefte at noen er yngre/eldre enn en spesifikk alder. Vi kan samle inn øyebevegelsesdata passivt, kontinuerlig og ikke‑invasivt uten å lagre eller samle inn noen personlig identifiserbare opplysninger. Videre blir all øyesporingsdata destruert så snart resultatene er levert. Vi har også mulighet til å utføre levetidsdeteksjon og beskyttelse mot forfalskning, slik at folk ikke kan manipulere systemet.

Etisk betyr dette at vi ikke profilerer en persons atferd, vaner, beslutninger eller preferanser – i motsetning til atferdsinferens, som per definisjon bygger et bilde av noen basert på hvordan de opptrer over tid. Vi leverer aldersbekreftelse uten å samle inn eller beholde slik personlig informasjon, slik at brukere og foreldre kan være trygge på at de blir beskyttet i stedet for sporet eller profilert.

HarmonEyes’ publiserte forskning analyserte øyebevegelser fra 45 696 personer og rapporterte 94,67 % klassifiseringsnøyaktighet på tvers av 12 aldersgrupper. Hva måler akkurat dette nøyaktighetsnivået, og hvor mye ekstra validering kreves før modellen pålitelig kan fastslå om noen er over eller under en spesifikk terskel som for eksempel 16 år?

Nøyaktigheten måler at når en persons data legges til datasettet, vil 94,67 % av tiden den personens øyebevegelser korrekt kategorisere aldersgruppen de tilhører (blant 12 grupper). Evnen til å måle om noen er over eller under 16 år er mindre krevende enn å identifisere en spesifikk aldersgruppe. Imidlertid ekskluderte dataene som ble brukt i studien personer med synsforstyrrelser eller nevrologiske tilstander, så ekstra validering må inkludere personer med visse ikke‑funksjonelle øyebevegelser.

Kan du gå gjennom hva som skjer teknisk når en utvikler kaller Theias aldersestimeringsfunksjon, fra innfangning av øyebevegelser med et vanlig kamera til å returnere et aldersområde‑resultat, og forklare hvilke trinn som skjer helt på brukerens enhet?

Kameraet beregner først blikkvektorene, som hjelper med å fastslå hvor brukeren ser. Disse blikkvektorene behandles deretter gjennom vårt SDK hvor de konverteres til øyesporingsfunksjoner, som hastighet (hvor raskt øynene beveger seg) og fikseringer (hvor øynene fokuserer).

Når disse funksjonene er generert, mates de inn i våre ML‑ og AI‑algoritmer for å bestemme brukerens aldersområde.

All denne behandlingen er kant‑basert og kan utføres direkte på brukerens enhet eller, avhengig av distribusjonsstrategi, i skyen. Ingen rå øyesporingsdata beholdes; de kastes umiddelbart etter at hvert resultat er generert.

Aldersestimeringssystemer kan fungere ulikt avhengig av lysforhold, kamerakvalitet, briller, kontaktlinser, øyetilstander, funksjonsnedsettelser, etnisitet og brukerens avstand til enheten. Hvordan tester dere Theia på tvers av disse variablene, og hvilken dokumentasjon vil utviklere få om nøyaktighet for ulike befolkningsgrupper og miljøer?

Det er sant at aldersestimeringsnøyaktigheten varierer avhengig av forhold. For å levere aldersbekreftelsesmodeller til den brede befolkningen tester, validerer og rapporterer HarmonEyes resultater på en transparent måte slik at Theia brukes ansvarlig. Dette inkluderer å utvide og generalisere modellene våre ved hjelp av større og mer mangfoldige datasett.

• Vi gir veiledning om nøyaktighetsnivåer og om for eksempel lave datasamplingsrater påvirker aldersbekreftelsesutdataenes forsinkelse.
• Vurdering og sanntidsovervåking av mange aspekter ved datakvalitet.

Hvordan vil Theia forsvare seg mot omgåelsesforsøk som forhåndsinnspilt video, fotografier, syntetiske ansikter, en eldre søsken som fullfører sjekken, eller en bruker som bevisst endrer blikket, og vil levetidsdeteksjon bli bygget direkte inn i programvareutviklingssettet?

Alle aldersbekreftelsesmodeller fra HarmonEyes vil inkludere levetidsdeteksjon og sjekk for forfalskning. Øyebevegelser er unike for hver enkelt, og HarmonEyes kan fastslå om øyebevegelsen for en konto samsvarer med personen som opprettet kontoen, eller om det er en annen person, for eksempel et eldre søsken.

Ingen aldersestimeringsmodell vil være helt nøyaktig, spesielt for brukere som er nær en lovbestemt terskel. Hvordan bør utviklere håndtere usikre resultater, og ser du for deg at Theia brukes som hovedsjekk, et risikosignal, eller som en del av en lagdelt prosess som eskalerer enkelte brukere til en annen verifiseringsmetode?

Ingen aldersestimeringsmodell er perfekt. Vi gir et konfidensnivå med hvert resultat. Dette nivået av nøyaktighet og tillit kan være tilstrekkelig for å bekrefte aldersbekreftelse. Men dersom for eksempel konfidensnivået for en spesifikk måling er under et visst nivå, kan det brukes som en trigger for en sekundær verifisering. Vår aldersbekreftelsesmodell kan brukes som én av flere metoder for å validere en persons alder, hvor flere metoder må bestås. Til slutt vil risikotoleranse og om bruksområdet krever en spesifikk alder, versus et aldersintervall, eller til og med en aldersgrense (f.eks. 16 eller yngre) avgjøre om løsningen er en hovedsjekk eller en lagdelt prosess.

HarmonEyes sier at Theia behandler informasjon i kanten og destruerer øyesporingsdata så snart et resultat er levert. Hvordan kan utviklere, revisorer eller regulatorer uavhengig verifisere denne arkitekturen, og hvordan vil selskapet forbedre modellene sine uten å samle inn rå øyesporingsdata fra distribuerte applikasjoner?

Vår modellutviklingsprosess, og påfølgende modellforbedring, utføres innenfor vår proprietære øyesporingspipeline. Vi bruker ikke kundedata til dette – vi benytter eksisterende (og voksende) validerte data.

Dette gjør at vi kan levere løsningene våre i kanten (ingen sky) om ønskelig. I slike kant‑baserte miljøer er beregning og lagring vanligvis begrenset, og det er ingen mulighet til å lagre data på enheten. Vi leverer aldersbekreftelsesresultater hvert sekund – og vår policy er å destruere øyesporingsdata hvert sekund (etter hvert resultat er levert).

Vi erkjenner at arkitekturpåstander kun er troverdige så langt de kan bekreftes eksternt. Vi jobber mot tredjepartssertifiseringer og attestasjoner som skal gjøre det mulig for utviklere, revisorer og regulatorer å verifisere at øyesporingsdata ikke samles inn eller beholdes i distribuerte applikasjoner.

Storbritannia utvikler kriterier for svært effektive kontroller, mens EU legger vekt på anonyme aldersbevis‑systemer som avslører så lite personlig informasjon som mulig. Hvordan vil HarmonEyes demonstrere at fysiologisk aldersestimering oppfyller disse fremvoksende kravene i stedet for bare å introdusere en annen form for biometrisk overvåkning?

Hver modell vi leverer kommer med et hvitt papir som dokumenterer utviklingsmetodikk, modellnøyaktighet og kjente begrensninger, og vi gjør Theia tilgjengelig for live, fjern‑testing slik at regulatorer eller revisorer kan evaluere ytelsen i virkelige forhold direkte.

Etter hvert som aldersbekreftelse beveger seg fra individuelle sosiale plattformer til operativsystemer, app‑butikker og enhetsnivå‑infrastruktur, hvor tror du Theia bør plasseres i den teknologiske stakken, og hvordan vil ansvarlig adopsjon se ut på tvers av forbruker‑apper, spill, sosiale medier og andre aldersbegrensede tjenester?

Vi forfølger mange typer integrasjoner for vår aldersbekreftelsesfunksjon. Vi ser for oss at Theia opererer innenfor et selskaps private teknologiske stack, for eksempel en sosial medieplattform; innen enhetsinfrastruktur, som et operativsystem; innen handelsinfrastruktur, som et betalingsnettverk; eller direkte på app‑nivå.

For oss betyr ansvarlig adopsjon å levere nøyaktig aldersbekreftelsesfunksjon med åpenhet rundt valideringsprosesser, datamangfold i modellen, og å levere dette på en måte som er privat og kostnadseffektiv å implementere.

Takk for det flotte intervjuet, lesere som ønsker å lære mer bør besøke HarmonEyes.