การคิดนอกกรอบเพื่อขับเคลื่อนนวัตกรรม AI

สำหรับหลายๆ คนในการสร้างสรรค์นวัตกรรมในพื้นที่ AI เรากำลังทำงานในพื้นที่ที่ไม่มีใครเคยสำรวจมาก่อน ด้วยความเร็วที่บริษัท AI พัฒนาเทคโนโลยีใหม่ๆ ทำให้บางคนอาจมองข้ามการทำงานอย่างหนักเบื้องหลัง แต่ในด้าน เช่น XR ซึ่งมีภารกิจในการทำให้เส้นแบ่งระหว่างโลกแห่งความเป็นจริงและโลกดิจิทัลพร่ามัว — ในขณะนี้ยังไม่มีข้อมูลหรือการวิจัยทางประวัติศาสตร์มากมายให้เราสามารถอาศัยได้ ดังนั้นเราจึงต้องคิดนอกกรอบ

แม้ว่าการพึ่งพาความรู้และแนวปฏิบัติที่ทดลองและพิสูจน์แล้วของ machine learning จะเป็นเรื่องที่สะดวกที่สุด แต่สิ่งนี้ไม่ใช่ทางออกที่ดีที่สุดเสมอไป (หรือเป็นวิธีแก้ปัญหาแบบเต็มรูปแบบ) ในด้านที่เกิดใหม่ๆ เพื่อแก้ปัญหาที่ไม่เคยแก้ได้ก่อนหน้านี้ เราต้องเข้าใกล้ปัญหาเหล่านี้ด้วยวิธีใหม่ๆ

สิ่งนี้เป็นความท้าทายที่บังคับให้คุณจำได้ว่าทำไมคุณจึงเข้าสู่สาขาวิศวกรรม วิทยาศาสตร์ข้อมูล หรือพัฒนาสินค้าในตอนแรก: ความหลงใหลในการค้นพบ สิ่งนี้เกิดขึ้นกับฉันทุกวันในบทบาทของฉันที่ Ultraleap ซึ่งเราพัฒนาซอฟต์แวร์ที่สามารถติดตามและตอบสนองต่อการเคลื่อนไหวของมือในสภาพแวดล้อมความเป็นจริงผสม ดังนั้น สิ่งที่เราคิดว่าเรารู้เกี่ยวกับการฝึกอบรมแบบจำลอง machine learning จึงถูกพลิกผันในงานของเรา เนื่องจากมือของมนุษย์ — พร้อมกับวัตถุและสภาพแวดล้อมที่มันพบ — มีความไม่แน่นอนสูง

นี่คือแนวทางบางอย่างที่ทีมของฉันและฉันใช้เพื่อสร้างสรรค์ใหม่ในการทดลองและวิทยาศาสตร์ข้อมูลเพื่อนำเสนอการโต้ตอบที่เป็นธรรมชาติเข้าสู่โลกดิจิทัลที่มีความแม่นยำและรู้สึกเป็นธรรมชาติเหมือนในโลกแห่งความเป็นจริง

สร้างสรรค์ภายในขอบเขต

เมื่อสร้างสรรค์นวัตกรรมในพื้นที่ที่เกิดใหม่ๆ คุณมักจะเผชิญกับข้อจำกัดที่ดูเหมือนจะขัดแย้งกัน ทีมของฉันถูกมอบหมายให้จับจุดซับซ้อนของการเคลื่อนไหวของมือและนิ้ว และวิธีการที่มือและนิ้วโต้ตอบกับโลกที่อยู่รอบๆ สิ่งนี้ถูกบรรจุเข้าไปใน แบบจำลองการติดตามมือ ที่ยังคงเหมาะกับฮาร์ดแวร์ XR ที่มีการคำนวณจำกัด ซึ่งหมายความว่าแบบจำลองของเรา — แม้ว่าจะซับซ้อนและซับซ้อน — ต้องใช้พื้นที่จัดเก็บและใช้พลังงานน้อยกว่ามาก (ถึง 1/100,000) เมื่อเทียบกับ LLM ใหญ่ๆ ที่ครอบงำหัวข้อข่าว สิ่งนี้นำเสนอความท้าทายที่น่าตื่นเต้นให้กับเรา ซึ่งต้องใช้การทดลองและประเมินแบบจำลองของเราอย่างไม่หยุดยั้งในการใช้งานจริง

แต่การทดสอบและทดลองที่ไม่สิ้นสุดมีค่า: การสร้างแบบจำลองที่ทรงพลังซึ่งยังคงให้ผลลัพธ์ที่ดีในต้นทุนการอนุมานต่ำ การใช้พลังงาน และความล่าช้าเป็นสิ่งมหัศจรรย์ที่สามารถนำไปใช้ในการประมวลผลขอบนอกพื้นที่ XR ได้
ข้อจำกัดที่เราพบในการทดลองจะส่งผลกระทบต่ออุตสาหกรรมอื่นๆ เช่นกัน บางธุรกิจจะมีความท้าทายที่ไม่เหมือนใครเนื่องจากความละเอียดอ่อนในโดเมนการประยุกต์ใช้ของตน ในขณะที่บางธุรกิจอาจมีข้อมูลที่จำกัดในการทำงานเนื่องจากอยู่ในตลาดเฉพาะที่ผู้เล่นเทคโนโลยีรายใหญ่ไม่ได้สัมผัส

แม้ว่าวิธีแก้ปัญหาแบบหนึ่งขนาดจะเหมาะสมสำหรับงานบางอย่าง แต่โดเมนการประยุกต์ใช้หลายโดเมนต้องแก้ปัญหาที่แท้จริงและท้าทายเฉพาะสำหรับงานของตน ตัวอย่างเช่น ในสายการประกอบรถยนต์ จะใช้แบบจำลอง ML สำหรับการตรวจสอบข้อบกพร่อง แบบจำลองเหล่านี้ต้องจัดการกับภาพที่มีความละเอียดสูงมากซึ่งจำเป็นในการระบุข้อบกพร่องเล็กๆ บนพื้นที่ผิวรถยนต์ขนาดใหญ่ ในกรณีนี้ การประยุกต์ใช้ต้องมีการแสดงผลสูง แต่ปัญหาที่ต้องแก้คือวิธีการบรรลุอัตราเฟรมต่ำ แต่มีการแสดงผลสูง

การประเมินโครงสร้างแบบจำลองเพื่อขับเคลื่อนนวัตกรรม

ชุดข้อมูลที่ดีเป็นพลังขับเคลื่อนเบื้องหลังความสำเร็จของ AI ที่ประสบความสำเร็จ แต่สิ่งใดที่ทำให้ชุดข้อมูล “ดี” สำหรับวัตถุประสงค์เฉพาะบ้าง? และเมื่อคุณกำลังแก้ปัญหาที่ไม่เคยแก้ได้ก่อนหน้านี้ คุณจะไว้วางใจได้อย่างไรว่าข้อมูลที่มีอยู่จะเกี่ยวข้อง? เราไม่สามารถถือว่าเมตริกที่ดีสำหรับงาน ML บางงานจะแปลเป็นประสิทธิภาพงานเฉพาะธุรกิจได้ สิ่งนี้ทำให้เราต้องไปขัดแย้งกับ “ความจริง” ของ ML ที่ยอมรับกันอย่างกว้างขวาง และแทนที่จะสำรวจอย่างแข็งขันเกี่ยวกับวิธีการที่เราติดฉลาก ตรวจสอบความถูกต้อง และใช้ข้อมูลทั้งแบบจำลองและโลกแห่งความเป็นจริง

โดยธรรมชาติ โดเมนของเราท้าทายในการประเมินและต้องมีการรับรองคุณภาพด้วยมือ เราไม่ได้แค่มองหาคุณภาพของข้อมูลของเราเท่านั้น เราเริ่มต้นใหม่ด้วยชุดข้อมูลและแหล่งข้อมูลของเรา และประเมินตามคุณภาพของแบบจำลองที่ผลิตในโลกแห่งความเป็นจริง เมื่อเราทบทวนการให้คะแนนและการจัดประเภทข้อมูลของเรา เรามักพบชุดข้อมูลหรือแนวโน้มที่เราอาจพลาดไปก่อนหน้านี้ ด้วยชุดข้อมูลเหล่านั้น และการทดลองที่ไม่สิ้นสุดซึ่งแสดงให้เราเห็นว่าข้อมูลใดที่ไม่ควรพึ่งพา เราได้ปลดล็อกเส้นทางใหม่ที่เราไม่พบมาก่อน

แพลตฟอร์มการติดตามมือล่าสุดของ Hyperion ของ Ultraleap เป็นตัวอย่างที่ดีของสิ่งนี้ ความก้าวหน้าในข้อมูลของเราได้ช่วยให้เราได้รับการติดตามมือที่ซับซ้อนมากขึ้นซึ่งสามารถติดตามการเคลื่อนไหวของมือและนิ้วได้อย่างแม่นยำ รวมถึงการเคลื่อนไหวของมือในขณะที่ผู้ใช้ถือวัตถุ

 ก้าวเล็กๆ หนึ่งก้าวไปข้างหน้า

แม้ว่าความเร็วของนวัตกรรมดูเหมือนจะไม่เคยชะลอตัว แต่เราสามารถทำได้ เราอยู่ในธุรกิจของการทดลอง การเรียนรู้ การพัฒนา และเมื่อเรามีเวลาในการทำสิ่งเหล่านี้ เรามักจะสร้างสิ่งที่มีค่ามากกว่าเมื่อเรากำลังทำตามตำราและรีบนำนวัตกรรมทางเทคใหม่ๆ ออกสู่ตลาด ไม่มีอะไรทดแทนการผุดผ่องที่เกิดขึ้นเมื่อเราสำรวจการบันทึกข้อมูลของเรา ทั้งการตรวจสอบแหล่งข้อมูลของเรา และการกำหนดมาตรฐานคุณภาพใหม่ และวิธีเดียวที่เราสามารถทำได้คือการทดลองในโดเมนการประยุกต์ใช้จริงด้วยประสิทธิภาพแบบจำลองที่วัดได้เทียบกับงาน แทนที่จะเห็นข้อกำหนดและข้อจำกัดที่ไม่เหมือนใครว่าเป็นข้อจำกัด เราสามารถนำความท้าทายเหล่านี้มาเป็นโอกาสสำหรับการสร้างสรรค์นวัตกรรมและในที่สุดก็เป็นข้อได้เปรียบในการแข่งขัน