Gândirea în afara cutiei pentru a stimula inovația în domeniul IA

Pentru mulți dintre noi care inovăm în domeniul IA, lucrăm într-un teritoriu neexplorat. Având în vedere cât de repede companiile de IA dezvoltă tehnologii noi, se poate considera că munca asiduă din spatele scenei este luată ca atare. Dar într-un domeniu precum XR, unde misiunea este de a estompa granițele dintre lumea reală și cea digitală — în prezent, nu există multe date istorice sau cercetări pe care să ne bazăm; deci trebuie să gândim în afara cutiei.

Deși este cel mai convenabil să ne bazăm pe înțelepciunea convențională a învățării automate și pe practicile testate, acest lucru nu este întotdeauna posibil (sau soluția completă) în domenii emergente. Pentru a rezolva probleme care nu au fost rezolvate anterior, acestea trebuie abordate în moduri noi.

Acesta este un provocare care te obligă să-ți amintești de ce ai intrat în domeniul ingineriei, științei datelor sau dezvoltării de produse în primul rând: o pasiune pentru descoperire. Experiențez acest lucru în fiecare zi în rolul meu la Ultraleap, unde dezvoltăm software care poate urmări și răspunde la mișcările mâinii umane într-un mediu de realitate mixtă. Atât de multe dintre ceea ce credeam că știm despre modelele de învățare automată sunt date peste cap în munca noastră, deoarece mâna umană — împreună cu obiectele și mediile pe care le întâlnește — este extrem de imprevizibilă.

Iată câteva abordări pe care eu și echipa mea le-am adoptat pentru a reimagina experimentarea și știința datelor pentru a aduce interacțiunea intuitivă în lumea digitală, care este precisă și se simte la fel de naturală ca și în lumea reală.

Inovarea în interiorul liniilor

Când inovezi într-un spațiu în curs de dezvoltare, te confrunți adesea cu constrângeri care par a fi în contradicție una cu cealaltă. Echipa mea este însărcinată cu capturarea complexităților mișcărilor mâinii și degetelor și cu modul în care mâinile și degetele interacționează cu lumea din jurul lor. Toate acestea sunt împachetate în modele de urmărire a mâinii care încă se potrivesc în hardware-ul XR cu computație limitată. Acest lucru înseamnă că modelele noastre — deși sofisticate și complexe — trebuie să ocupe semnificativ mai puțin spațiu de stocare și să consume semnificativ mai puțină energie (în jur de 1/100.000) decât LLM-urile masive care domină știrile. Ne prezintă o provocare interesantă, care necesită experimentare și evaluare fără cruțare a modelelor noastre în aplicația lor reală.

Dar testele și experimentele numeroase sunt meritate: crearea unui model puternic care încă livrează la costuri scăzute de inferență, consum de energie și latență este o minune care poate fi aplicată în calculul de margine, chiar și în afara spațiului XR.

Constrângerile cu care ne confruntăm în timpul experimentării vor afecta și alte industrii. Unele afaceri vor avea provocări unice din cauza subtilităților din domeniile lor de aplicație, în timp ce altele pot avea date limitate cu care să lucreze ca urmare a faptului că se află într-o piață de nișă pe care jucătorii mari din tehnologie nu au atins-o.

Deși soluțiile universale pot fi suficiente pentru unele sarcini, multe domenii de aplicație au nevoie să rezolve probleme reale și provocatoare specifice sarcinii lor. De exemplu, liniile de asamblare auto implementează modele ML pentru inspectarea defectelor. Aceste modele trebuie să se lupte cu imagini de înaltă rezoluție care sunt necesare pentru a identifica defecte mici pe o suprafață mare a unei mașini. În acest caz, aplicația cere o performanță ridicată, dar problema de rezolvat este cum să obțină o rată a cadrelor joasă, dar o rezoluție ridicată, model.

Evaluarea arhitecturilor de modele pentru a stimula inovația

Un set de date bun este forța motrice din spatele oricărui progres semnificativ în IA. Dar ce face un set de date “bun” pentru un anumit obiectiv, oricum? Și când rezolvi probleme care nu au fost rezolvate anterior, cum poți avea încredere că datele existente vor fi relevante? Nu putem presupune că metricile care sunt bune pentru anumite sarcini ML se traduc într-o performanță specifică a unei sarcini de afaceri. Aici suntem chemați să mergem împotriva “adevărurilor” ML comun acceptate și, în schimb, să explorăm activ cum etichetăm, curățăm și aplicăm atât date simulate, cât și date din lumea reală.

Prin natura sa, domeniul nostru este dificil de evaluat și necesită asigurarea calității manuale – făcută de mână. Nu ne uităm doar la metricile de calitate ale datelor noastre. Iterăm asupra seturilor noastre de date și surselor de date și le evaluăm pe baza calităților modelelor pe care le produc în lumea reală. Când reevaluăm modul în care notăm și clasificăm datele noastre, adesea găsim seturi de date sau tendințe pe care altfel le-am fi ignorat. Acum, cu aceste seturi de date și cu numeroasele experimente care ne-au arătat ce date să nu ne bazăm, am deblocat o nouă cale pe care am pierdut-o anterior.

Ultima platformă de urmărire a mâinii a Ultraleap, Hyperion, este un exemplu excelent în acest sens. Progresele în seturile noastre de date ne-au ajutat să dezvoltăm o urmărire a mâinii mai sofisticată, care poate urmări cu acuratețe microgesturile, precum și mișcările mâinii, chiar și atunci când utilizatorul ține un obiect.

 Un pas mic înapoi, un salt mare înainte

Deși ritmul inovației pare să nu înceteze niciodată, noi putem. Suntem în afaceri cu experimentarea, învățarea, dezvoltarea și, atunci când avem timp să facem exact asta, adesea creăm ceva de o valoare mult mai mare decât atunci când mergem după carte și ne grăbim să lansăm următoarea inovație tehnologică. Nu există înlocuitor pentru progresele care apar atunci când explorăm annotările noastre de date, punem sub semnul întrebării sursele noastre de date și redefinim metricile de calitate însele. Și singurul mod în care putem face acest lucru este experimentând în domeniul real de aplicație, cu performanța modelului măsurată împotriva sarcinii. În loc să vedem cerințele și constrângerile neobișnuite ca limitatoare, putem lua aceste provocări și transforma-le în oportunități de inovație și, în cele din urmă, într-un avantaj competitiv. Și singurul mod în care putem face acest lucru este experimentând în domeniul real de aplicație, cu performanța modelului măsurată împotriva sarcinii. În loc să vedem cerințele și constrângerile neobișnuite ca limitatoare, putem lua aceste provocări și transforma-le în oportunități de inovație și, în cele din urmă, într-un avantaj competitiv.