Kutunun Dışına Çıkmak ve AI İnovasyonunu Sürdürmek

Bizim gibi AI alanında yenilikçi olanlar için, çoğu zaman haritalanmamış bir bölge üzerinde çalışıyoruz. AI şirketlerinin yeni teknolojiler geliştirmesinin ne kadar hızlı olduğu düşünüldüğünde, perde arkasındaki kararlı çalışmayı göz ardı edebiliriz. Ancak XR gibi, gerçek ve dijital dünyaları birbirine yaklaştırmak gibi bir misyona sahip olduğumuz bir alanda – şu anda çok fazla tarihi veri veya araştırma yok; bu nedenle kutunun dışına çıkmamız gerekiyor.

Conventional makine öğrenimi bilgisine ve denenmiş yöntemlere güvenmek en uygunudur, ancak yeni alanlarda bu her zaman mümkün değildir (veya tam bir çözüm değildir). Daha önce çözülmemiş sorunları çözmek için, yeni yaklaşımlarla ele alınmaları gerekir.

Bu, sizi mühendislik, veri bilimi veya ürün geliştirme alanına neden girdiğiniz hatırlamanızı gerektiren bir zorluktur: keşif tutkusu. Ultraleap’teki rolümde her gün bunu yaşıyorum, burada mixed reality ortamında insan elinin hareketlerini izleyip yanıt verebilecek yazılımlar geliştiriyoruz. Makine öğrenimi modellerini eğitmekle ilgili olarak bildiğimiz her şey, bizim işimizde, insan elinin ve elin karşılaştığı nesnelerin ve ortamların son derece öngörülemez olduğu için, baş aşağı gider.

Takımım ve ben, dijital dünyaya sezgisel bir etkileşim getirmek, gerçek dünyada olduğu kadar doğal hissetmek ve doğru olmak için deneysel yöntemleri ve veri bilimini yeniden düşünmek için birkaç yaklaşım geliştirdik.

Çizgiler İçinde İnovasyon

Yeni bir alanda yenilikçi olduğunuzda, birbirleriyle çelişen kısıtlamalarla karşı karşıya kalırsınız. Takımım, el ve parmak hareketlerinin nüanslarını ve ellerin ve parmakların周围indeki dünyayla nasıl etkileşime girdiklerini yakalamakla görevlendirilmiştir. Bunları, XR donanımında sınırlı hesaplama ile uyumlu olan el takibi modellerine paketliyoruz. Bu, modellerimizin – karmaşık ve sofistike olmalarına rağmen – büyük LLM’lerin başlıklarını yaptığı gibi önemli ölçüde daha az depolama alanı kaplayacağı ve daha az enerji tüketacağı anlamına gelir (1/100.000’de). Bize heyecan verici bir zorluk sunar ve gerçek dünya uygulamalarında modellerimizin acımasız bir şekilde test edilmesi ve değerlendirilmesi gerekir.

Ancak sayısız test ve deneyler buna değer: düşük çıkarım maliyeti, güç tüketimi ve gecikmeyle birlikte güçlü bir model oluşturmak, XR alanının ötesinde bile kenar bilgisayarında uygulanabilecek bir mucizedir.

Deneyler sırasında karşılaştığımız kısıtlamalar diğer endüstrileri de etkileyecektir. Bazı işletmeler, uygulama alanlarının incelikleri nedeniyle benzersiz zorluklarla karşılaşacakken, diğerleri büyük teknoloji şirketlerinin belum dokunmadığı niş bir pazarda sınırlı veri ile çalışmak zorunda kalacaktır.

Bazı görevler için tek boyutlu çözümler yeterli olabilir, ancak birçok uygulama alanı, görevlerine özgü gerçek ve zorlu sorunları çözmelidir. Örneğin, otomotiv montaj hatları, küçük hataları büyük bir araba yüzeyinde tanımlamak için yüksek çözünürlüklü görüntülerle çalışan ML modelleri uygular. Bu durumda, uygulama yüksek performans gerektirir, ancak düşük kare hızı ve yüksek çözünürlüklü bir model elde etme sorunu vardır.

İnovasyonu Sürdürmek için Model Mimarilerini Değerlendirmek

İyi bir veri kümesi, herhangi bir başarılı AI başarısının arkasındaki itici güçtür. Ancak bir amaç için bir veri kümesinin “iyi” olmasını ne belirler? Ve daha önce çözülmemiş sorunları çözerken, mevcut verilerin ilgili olacağından nasıl emin olabiliriz? Bir ML görevi için iyi olan metriklere diğer bir spesifik iş görevi performansına çevirelemez. İşte burada, yaygın olarak kabul edilen ML “gerçeklerine” karşı gelmek ve simüle edilmiş ve gerçek dünya verilerini etiketleme, temizleme ve uygulama şeklimizi aktif olarak keşfetmek zorunda kalıyoruz.

Doğası gereği, alanımız zorlu ve elle yapılan manuel kalite güvencesi gerektirir. Sadece veri kalite metriklerine bakmıyoruz. Veri kümelerimizi ve veri kaynaklarımızı iterasyon yapıyoruz ve bunları ürettiği modellerin gerçek dünya niteliklerine göre değerlendiriyoruz. Verilerimizi ve veri kaynaklarımızı yeniden değerlendirdiğimizde, daha önce gözden kaçırdığımız veri kümeleri veya eğilimler buluyoruz. Şimdi, bu veri kümeleriyle ve hangi verilere güvenmememiz gerektiğini gösteren sayısız deneylerle, daha önce eksik olduğumuz yeni bir yolu açtık.

Ultraleap’in son el takibi platformu Hyperion, bunun güzel bir örneğidir. Veri kümelerimizdeki gelişmeler, mikro jestleri ve el hareketlerini doğru bir şekilde takip edebilen daha sofistike el takibini geliştirmemizi sağladı, hatta kullanıcı bir nesne tutarken bile.

 Bir Adım Geri, Büyük Bir İleri Atılım

İnovasyonun hızı görünüşte asla yavaşlamıyor, ancak biz yavaşlayabiliriz. Deney yapma, öğrenme, geliştirme işindeyiz ve sadece bunu yaparsak, genellikle kitabın dışına çıkarak bir sonraki teknoloji inovasyonunu çıkarmaya çalışırken yaratabileceğimiznden çok daha değerli bir şey yaratıyoruz. Veri açıklamalarımızı keşfetmek, veri kaynaklarımızı sorgulamak ve kalite metriklarını yeniden tanımlamak için hiçbir yer yoktur. Ve bunu yapmak için tek yol, görevimize karşı ölçülen model performansıyla gerçek uygulama alanlarında denemek. alışılmadık gereksinimlere ve kısıtlamalara karşı değil, bunları inovasyon fırsatlarına ve sonunda rekabet avantajına dönüştürebiliriz. ve sadece gerçek uygulama alanlarında ölçülen model performansı ile deneysel çalışarak bunu yapabiliriz.