Tenk utenfor boksen for å drive AI-innovasjon

For mange av oss som innoverer i AI-rommet, arbeider vi i ukartet territorium. Gitt hvor raskt AI-selskaper utvikler nye teknologier, kan en person ta for gitt det grundige arbeidet bak scenen. Men i et felt som XR, hvor oppdraget er å utviske grensene mellom den virkelige og digitale verden — finnes det for øyeblikket ikke mye historisk data eller forskning å stole på; så vi må tenke utenfor boksen.

Mens det er mest praktisk å stole på konvensjonell maskinlæring visdom og prøvede og sanne praksiser, er dette ofte ikke mulig (eller full løsning) i nye felt. For å løse problemer som aldri har vært løst før, må de nærme seg på nye måter.

Dette er en utfordring som tvinger deg til å huske hvorfor du gikk inn i ingeniør-, datavitenskap- eller produktutviklingsfeltet i første omgang: en lidenskap for oppdagelse. Jeg opplever dette hver dag i min rolle hos Ultraleap, hvor vi utvikler programvare som kan spore og svare på bevegelser av den menneskelige hånden i en blandet virkelighet. Så mye av det vi trodde vi visste om å trene maskinlæringmodeller blir snudd på hodet i vårt arbeid, ettersom den menneskelige hånden — sammen med objektene og miljøene den møter — er ekstremt uforutsigbar.

Her er noen tilnærminger mitt team og jeg har tatt for å gjenopprette eksperimentering og datavitenskap for å bringe intuitiv interaksjon til den digitale verden, som er nøyaktig og føles like naturlig som i den virkelige verden.

Innovasjon innenfor linjene

Når man innoverer i et nytt område, møter man ofte begrensninger som ser ut til å være i motstrid med hverandre. Mitt team er oppnevnt til å fange inn det intrikate av hånd- og fingerbevegelser, og hvordan hender og fingre samhandler med verden rundt dem. Dette er pakket inn i håndsporingmodeller som fortsatt passer inn i XR-hardware på begrenset beregning. Dette betyr at våre modeller — selv om de er sofistikerte og komplekse — må ta opp betydelig mindre lagringsplass og forbruke betydelig mindre energi (til en verdi av 1/100 000-del) enn de massive LLM-ene som dominerer overskriftene. Dette presenterer oss med en spennende utfordring, som krever ubarmhjertig eksperimentering og evaluering av våre modeller i deres virkelige anvendelsesområde.

Men de talløse testene og eksperimentene er verdt det: å skape en kraftig modell som fortsatt leverer på lav inferenskostnad, strømforbruk og latency er et under som kan anvendes i edge computing, selv utenfor XR-rommet.

Begrensningene vi møter under eksperimentering, vil også påvirke andre industrier. Noen bedrifter vil ha unike utfordringer på grunn av nyanser i deres anvendelsesdomener, mens andre kan ha begrenset data å jobbe med som et resultat av å være i en nisje marked som store teknologiselskaper ikke har berørt.

Mens en-størrelse-til-alle-løsninger kan være tilstrekkelige for noen oppgaver, må mange anvendelsesdomener løse virkelige, utfordrende problemer som er spesifikke for deres oppgave. For eksempel implementerer bilmonteringslinjer ML-modeller for feilinspeksjon. Disse modellene må håndtere svært høyoppløste bilder som er nødvendige for å identifisere små feil over en stor overflate av en bil. I dette tilfelle krever anvendelsen høy ytelse, men problemet å løse er hvordan man kan oppnå lav rammerate, men høyoppløst modell.

Evaluering av modellarkitekturer for å drive innovasjon

En god datasett er drivkraften bak enhver vellykket AI-gjennombrudd. Men hva gjør et datasett “godt” for et bestemt mål, uansett? Og når du løser problemer som aldri har vært løst før, hvordan kan du stole på at eksisterende data vil være relevante? Vi kan ikke anta at målene som er gode for noen ML-oppgaver oversettes til en annen spesifik forretningsoppgave-ytelse. Dette er der vi må gå imot vanlige ML-“sannheter” og i stedet aktivt utforske hvordan vi merker, rensker og anvender både simulerede og virkelige data.

Ved sin natur er vårt domene utfordrende å evaluere og krever manuell kvalitetsikring – gjort for hånd. Vi ser ikke bare på kvalitetsmålene for våre data. Vi itererer på våre datasett og datasources og evaluerer dem basert på kvalitetene til modellene de produserer i den virkelige verden. Når vi reevaluerer hvordan vi karakteriserer og klassifiserer våre data, finner vi ofte datasett eller trender som vi ellers ville ha oversett. Nå, med disse datasettene, og talløse eksperimenter som viste oss hvilke data ikke å stole på, har vi låst opp en ny avenue vi tidligere manglet.

Ultraleaps nyeste håndsporingplattform, Hyperion, er et godt eksempel på dette. Fremgang i våre datasett hjalp oss å utvikle mer sofistikert håndsporing som kan nøyaktig spore mikrogest og håndbevegelser, selv når brukeren holder et objekt.

 Et lite skritt tilbake, et stort sprang fremover

Mens innovasjonens tempo synes å aldri sakke, kan vi. Vi er i virksomheten av å eksperimentere, lære, utvikle og når vi tar tiden til å gjøre nettopp det, skaper vi ofte noe av langt større verdi enn når vi følger boken og rusher for å komme ut med den neste teknologiske innovasjonen. Det finnes ingen erstatning for gjennombruddene som skjer når vi utforsker våre dataannoteringer, spør våre datasources, og redefinere kvalitetsmålene selv. Og den eneste måten vi kan gjøre dette på er ved å eksperimentere i den virkelige anvendelsesdomenen med målt modellprestasjon mot oppgaven. I stedet for å se uvanlige krav og begrensninger som begrensninger, kan vi ta disse utfordringene og omdanne dem til muligheter for innovasjon og, til slutt, en konkurransefordel. og den eneste måten vi kan gjøre dette på er ved å eksperimentere i den virkelige anvendelsesdomenen med målt modellprestasjon mot oppgaven. Rather enn å se uvanlige krav og begrensninger som begrensninger, kan vi ta disse utfordringene og omdanne dem til muligheter for innovasjon og, til slutt, en konkurransefordel.