การคิดนอกกรอบเพื่อขับเคลื่อนนวัตกรรม AI

สำหรับหลายๆ คนในการสร้างนวัตกรรมในพื้นที่ AI เรากำลังทำงานในดินแดนที่ไม่มีใครเคยไปมาก่อน ด้วยความเร็วที่บริษัท AI พัฒนาเทคโนโลยีใหม่ๆ ทำให้บางคนอาจจะลืมไปว่ามีการทำงานอย่างหนักเบื้องหลัง แต่ในด้านเช่น XR ซึ่งมีภารกิจที่จะทำให้เส้นแบ่งระหว่างโลกแห่งความเป็นจริงและโลกดิจิทัลพร่ามัว — ในขณะนี้ยังไม่มีข้อมูลหรือการวิจัยที่มากพอที่จะอาศัยได้ ดังนั้นเราจึงต้องคิดนอกกรอบ

แม้ว่าจะสะดวกที่จะพึ่งพาปรัชญาและแนวปฏิบัติที่ได้รับการทดสอบแล้วของ การเรียนรู้ของเครื่อง แต่สิ่งนี้ไม่จำเป็นต้องเป็นไปได้หรือเป็นวิธีแก้ปัญหาเต็มรูปแบบเสมอไปในด้านที่เกิดใหม่ เพื่อแก้ปัญหาที่ไม่เคยถูกแก้มาก่อน เราต้องเข้าใกล้ปัญหาเหล่านั้นด้วยวิธีการใหม่ๆ

สิ่งนี้เป็นความท้าทายที่บังคับให้คุณนึกถึงเหตุผลที่คุณเข้าสู่สาขาวิศวกรรม วิทยาศาสตร์ข้อมูล หรือพัฒนาสินค้าในตอนแรกคือ ความหลงใหลในการค้นพบ สิ่งนี้เกิดขึ้นกับฉันทุกวันในบทบาทของฉันที่ Ultraleap โดยที่เราพัฒนาซอฟต์แวร์ที่สามารถติดตามและตอบสนองต่อการเคลื่อนไหวของมือในสภาพแวดล้อมความเป็นจริงผสม เราได้เรียนรู้ว่าสิ่งที่เราคิดว่ารู้เกี่ยวกับการฝึกอบรมโมเดลการเรียนรู้ของเครื่องจักรถูกพลิกผันในงานของเรา เนื่องจากมือของมนุษย์ — พร้อมกับวัตถุและสิ่งแวดล้อมที่มันพบ — มีความไม่แน่นอนสูง

เรามีวิธีการต่อไปนี้ที่ทีมของฉันและฉันใช้เพื่อสร้างสรรค์ใหม่ในการทดลองและการวิทยาศาสตร์ข้อมูลเพื่อนำการโต้ตอบที่มี直觉เข้าสู่โลกดิจิทัลที่แม่นยำและรู้สึกเป็นธรรมชาติเหมือนในโลกแห่งความเป็นจริง

การสร้างนวัตกรรมภายในขอบเขต

เมื่อสร้างนวัตกรรมในพื้นที่ที่เกิดใหม่ คุณมักจะเผชิญกับข้อจำกัดที่ดูเหมือนจะขัดแย้งกัน ทีมของฉันถูกมอบหมายให้จับข้อมูลที่ซับซ้อนของการเคลื่อนไหวของมือและนิ้ว และวิธีการที่มือและนิ้วโต้ตอบกับโลกที่อยู่รอบๆ มัน ทั้งหมดนี้ถูกจัดเก็บไว้ใน โมเดลติดตามมือ ที่ยังคงทำงานได้ในฮาร์ดแวร์ XR ที่มีการคำนวณจำกัด ซึ่งหมายความว่าโมเดลของเรา — แม้ว่าจะซับซ้อนและซับซ้อน — ต้องใช้พื้นที่จัดเก็บและใช้พลังงานน้อยมาก (ถึง 1/100,000) เมื่อเทียบกับโมเดล LLM ที่มีขนาดใหญ่ที่สุดในหัวข้อข่าว สิ่งนี้นำเสนอความท้าทายที่น่าตื่นเต้นซึ่งต้องใช้การทดลองและประเมินโมเดลของเราในด้านการประยุกต์ใช้จริงอย่างไม่ยอมแพ้

แต่การทดสอบและทดลองที่ไม่สิ้นสุดมีค่าใช้จ่ายที่คุ้มค่า: การสร้างโมเดลที่ทรงพลังซึ่งยังคงให้ผลลัพธ์ที่ดีในด้านต้นทุนการอนุมาน ต้นทุนการใช้พลังงาน และความล่าช้า เป็นเรื่องที่น่าประทับใจซึ่งสามารถใช้ได้ในการคำนวณขอบแม้กระทั่งนอกพื้นที่ XR

ข้อจำกัดที่เราพบระหว่างการทดลองจะส่งผลกระทบต่ออุตสาหกรรมอื่นๆ เช่นกัน บางธุรกิจจะมีความท้าทายที่ไม่เหมือนใครเนื่องจากความแตกต่างเล็กๆ น้อยๆ ในโดเมนการประยุกต์ใช้ ในขณะที่บางธุรกิจอาจมีข้อมูลที่จำกัดในการทำงานเนื่องจากอยู่ในตลาดเฉพาะที่ผู้เล่นเทคโนโลยีขนาดใหญ่ไม่ได้สัมผัส

แม้ว่าวิธีแก้ปัญหาแบบหนึ่งขนาดจะเพียงพอสำหรับงานบางอย่าง แต่โดเมนการประยุกต์ใช้หลายโดเมนต้องการแก้ปัญหาที่แท้จริงและท้าทายที่เฉพาะเจาะจงสำหรับงานของตน ตัวอย่างเช่น ในสายการผลิตรถยนต์ จะใช้โมเดล ML เพื่อตรวจสอบข้อบกพร่อง โมเดลเหล่านี้ต้องต่อสู้กับภาพที่มีความละเอียดสูงซึ่งจำเป็นต้องระบุข้อบกพร่องเล็กๆ บนพื้นผิวรถยนต์ ในกรณีนี้ การใช้งานต้องการประสิทธิภาพสูง แต่ปัญหาที่ต้องแก้คือวิธีการบรรลุอัตราเฟรมต่ำแต่มีความละเอียดสูงของโมเดล

การประเมินโครงสร้างโมเดลเพื่อขับเคลื่อนนวัตกรรม

ชุดข้อมูลที่ดีเป็นพลังขับเคลื่อนเบื้องหลังความสำเร็จของ AI ทุกครั้ง แต่สิ่งใดที่ทำให้ชุดข้อมูล “ดี” สำหรับวัตถุประสงค์เฉพาะๆ ล่ะ และเมื่อคุณกำลังแก้ปัญหาที่ไม่เคยแก้มาก่อน คุณจะไว้วางใจได้อย่างไรว่าข้อมูลที่มีอยู่จะเกี่ยวข้อง เราไม่สามารถสันนิษฐานได้ว่าเมตริกที่ดีสำหรับงาน ML บางอย่างจะแปลเป็นประสิทธิภาพงานเฉพาะของธุรกิจอื่นได้ นี่คือจุดที่เราต้องไปขัดแย้งกับ “ความจริง” ของ ML ที่ยอมรับกันและสำรวจวิธีการที่เราจะระบุ ล้าง และใช้ข้อมูลทั้งแบบจำลองและแบบจริง

โดยธรรมชาติ โดเมนของเราท้าทายในการประเมินและต้องการการรับรองคุณภาพด้วยมือ เราไม่ได้มองแค่คุณภาพของเมตริกข้อมูลของเราเท่านั้น เราทำซ้ำข้อมูลและแหล่งข้อมูลของเราและประเมินตามคุณภาพของโมเดลที่พวกมันผลิตในโลกแห่งความเป็นจริง เมื่อเราทบทวนการให้คะแนนและจำแนกข้อมูลของเรา เรามักพบชุดข้อมูลหรือแนวโน้มที่เราอาจมองข้ามไปก่อนหน้านี้ ด้วยชุดข้อมูลเหล่านั้นและการทดลองที่ไม่สิ้นสุดซึ่งแสดงให้เราเห็นว่าข้อมูลใดที่ไม่ควรพึ่งพา เราได้ปลดล็อกเส้นทางใหม่ที่เราไม่เห็นมาก่อน

แพลตฟอร์มติดตามมือล่าสุดของ Ultraleap คือ Hyperion เป็นตัวอย่างที่ดีของสิ่งนี้ การปรับปรุงชุดข้อมูลของเราได้ช่วยให้เราได้รับการติดตามมือที่ซับซ้อนมากขึ้นซึ่งสามารถติดตามท่าทางเล็กๆ และการเคลื่อนไหวของมือได้แม่นยำ แม้ว่าผู้ใช้จะถือวัตถุอยู่ก็ตาม

 ก้าวเล็กๆ ถอยหลัง ก้าวใหญ่ไปข้างหน้า

แม้ว่าความเร็วของนวัตกรรมดูเหมือนจะไม่เคยชะลอตัว แต่เราสามารถชะลอได้ เราอยู่ในธุรกิจของการทดลอง การเรียนรู้ การพัฒนา และเมื่อเรามีเวลาในการทำสิ่งเหล่านั้น เรามักจะสร้างสิ่งที่มีค่ามากกว่าเมื่อเรากำลังทำตามตำราและรีบปล่อยนวัตกรรมทางเทคนิคต่อไป ไม่มีทางเลือกอื่นที่จะเทียบเท่ากับการพัฒนาที่เกิดขึ้นเมื่อเราสำรวจการทำเครื่องหมายข้อมูลของเรา ท้าทายแหล่งข้อมูลของเรา และกำหนดเมตริกคุณภาพใหม่ และทางเดียวที่เราสามารถทำได้คือการทดลองในโดเมนการประยุกต์ใช้จริงด้วยประสิทธิภาพของโมเดลที่วัดได้เทียบกับงาน และไม่เห็นข้อกำหนดและข้อจำกัดที่ไม่เหมือนใครว่าเป็นการจำกัด แต่เราสามารถนำความท้าทายเหล่านั้นมาเป็นโอกาสในการสร้างนวัตกรรมและในที่สุดก็เป็นข้อได้เปรียบในการแข่งขัน