Tư duy bên ngoài hộp để thúc đẩy đổi mới Trí tuệ nhân tạo

Đối với nhiều người trong chúng ta đang đổi mới trong không gian Trí tuệ nhân tạo, chúng ta đang làm việc trong lãnh thổ chưa được khám phá. Nhìn vào cách các công ty Trí tuệ nhân tạo đang phát triển các công nghệ mới, người ta có thể cho rằng công việc kiên trì đằng sau những cảnh quan này là điều đương nhiên. Nhưng trong một lĩnh vực như XR, nơi nhiệm vụ là làm mờ ranh giới giữa thế giới thực và thế giới kỹ thuật số – hiện tại không có nhiều dữ liệu lịch sử hoặc nghiên cứu để dựa vào; vì vậy chúng ta cần phải suy nghĩ bên ngoài hộp.

Trong khi việc dựa vào sự khôn ngoan của máy học thông thường và các phương pháp đã được thử nghiệm là điều tiện lợi nhất, thì điều này thường không thể thực hiện được (hoặc không phải là giải pháp đầy đủ) trong các lĩnh vực mới nổi. Để giải quyết các vấn đề chưa từng được giải quyết trước đây, chúng cần phải được tiếp cận theo những cách mới.

Đây là một thách thức buộc bạn phải nhớ lại lý do tại sao bạn đã tham gia vào lĩnh vực kỹ thuật, khoa học dữ liệu hoặc phát triển sản phẩm từ đầu: một niềm đam mê với việc khám phá. Tôi trải qua điều này mỗi ngày trong vai trò của mình tại Ultraleap, nơi chúng tôi phát triển phần mềm có thể theo dõi và phản hồi các chuyển động của bàn tay con người trong môi trường thực tế ảo. Vậy là rất nhiều điều chúng tôi nghĩ rằng mình đã biết về việc đào tạo các mô hình học máy đã bị đảo lộn trong công việc của chúng tôi, vì bàn tay con người – cùng với các vật thể và môi trường mà nó gặp phải – là cực kỳ khó dự đoán.

Dưới đây là một số cách tiếp cận mà nhóm của tôi và tôi đã thực hiện để tưởng tượng lại việc thử nghiệm và khoa học dữ liệu để mang lại tương tác trực quan đến thế giới kỹ thuật số, đó là chính xác và cảm giác tự nhiên như trong thế giới thực.

Đổi mới trong khuôn khổ

Khi đổi mới trong một không gian non trẻ, bạn thường phải đối mặt với các hạn chế dường như mâu thuẫn với nhau. Nhóm của tôi được giao nhiệm vụ thu thập các sắc thái của chuyển động tay và ngón tay, và cách tay và ngón tay tương tác với thế giới xung quanh chúng. Tất cả đều được đóng gói vào mô hình theo dõi tay vẫn phù hợp với phần cứng XR trên máy tính bị hạn chế. Điều này có nghĩa là các mô hình của chúng tôi – mặc dù tinh vi và phức tạp – phải chiếm ít dung lượng lưu trữ và tiêu thụ ít năng lượng hơn (với mức 1/100.000) so với các LLM khổng lồ đang thống trị các tiêu đề. Điều này mang lại cho chúng tôi một thách thức thú vị, đòi hỏi phải thử nghiệm và đánh giá mô hình của chúng tôi trong ứng dụng thực tế một cách không ngừng nghỉ.

Nhưng những thử nghiệm và thí nghiệm không ngừng nghỉ là đáng giá: tạo ra một mô hình mạnh mẽ vẫn cung cấp chi phí suy luận thấp, tiêu thụ năng lượng và độ trễ là một điều kỳ diệu có thể được áp dụng trong tính toán biên thậm chí bên ngoài không gian XR.

Các hạn chế chúng tôi gặp phải khi thử nghiệm sẽ ảnh hưởng đến các ngành công nghiệp khác. Một số doanh nghiệp sẽ có những thách thức duy nhất do sự tinh tế trong các lĩnh vực ứng dụng của họ, trong khi những doanh nghiệp khác có thể có dữ liệu hạn chế để làm việc do đang ở trong một thị trường nhỏ mà các công ty công nghệ lớn chưa chạm đến.

Trong khi các giải pháp một kích cỡ phù hợp với tất cả có thể đủ cho một số nhiệm vụ, thì nhiều lĩnh vực ứng dụng cần giải quyết các vấn đề thực sự, đầy thách thức cụ thể cho nhiệm vụ của họ. Ví dụ, các dây chuyền lắp ráp ô tô triển khai các mô hình ML để kiểm tra khuyết tật. Những mô hình này phải đối mặt với hình ảnh độ phân giải rất cao cần thiết để xác định các khuyết tật nhỏ trên một diện tích bề mặt lớn của ô tô. Trong trường hợp này, ứng dụng đòi hỏi hiệu suất cao, nhưng vấn đề cần giải quyết là làm thế nào để đạt được tốc độ khung hình thấp nhưng độ phân giải cao, mô hình.

Đánh giá kiến trúc mô hình để thúc đẩy đổi mới

Một tập dữ liệu tốt là lực lượng thúc đẩy đằng sau bất kỳ đột phá Trí tuệ nhân tạo nào thành công. Nhưng điều gì làm cho một tập dữ liệu “tốt” cho một mục tiêu cụ thể, vậy? Và khi bạn đang giải quyết các vấn đề chưa từng được giải quyết trước đây, làm thế nào bạn có thể tin tưởng rằng dữ liệu hiện có sẽ có liên quan? Chúng tôi không thể giả định rằng các chỉ số mà chúng tôi sử dụng cho một số nhiệm vụ ML sẽ chuyển đổi thành hiệu suất nhiệm vụ kinh doanh cụ thể. Đây là nơi chúng tôi được kêu gọi đi ngược lại những “sự thật” ML phổ biến và thay vào đó tích cực khám phá cách chúng tôi gắn nhãn, làm sạch và áp dụng cả dữ liệu mô phỏng và dữ liệu thế giới thực.

Bằng bản chất, lĩnh vực của chúng tôi khó đánh giá và đòi hỏi phải đảm bảo chất lượng thủ công – được thực hiện bằng tay. Chúng tôi không chỉ xem xét các chỉ số chất lượng của dữ liệu. Chúng tôi lặp lại các tập dữ liệu và nguồn dữ liệu của chúng tôi và đánh giá chúng dựa trên các đặc điểm của các mô hình chúng tạo ra trong thế giới thực. Khi chúng tôi đánh giá lại cách chúng tôi đánh giá và phân loại dữ liệu của mình, chúng tôi thường tìm thấy các tập dữ liệu hoặc xu hướng mà chúng tôi có thể đã bỏ qua nếu không. Giờ đây, với những tập dữ liệu đó, và vô số thí nghiệm cho thấy chúng tôi không nên dựa vào dữ liệu nào, chúng tôi đã mở ra một con đường mới mà chúng tôi đã bỏ lỡ trước đây.

Nền tảng theo dõi tay mới nhất của Ultraleap, Hyperion, là một ví dụ tuyệt vời về điều này. Những tiến bộ trong các tập dữ liệu của chúng tôi đã giúp chúng tôi phát triển theo dõi tay tinh vi hơn, có thể theo dõi chính xác các microgesture cũng như chuyển động tay ngay cả khi người dùng đang cầm một vật thể.

 Một bước nhỏ lùi lại, một bước nhảy lớn về phía trước

Trong khi tốc độ đổi mới dường như không bao giờ chậm lại, chúng ta có thể. Chúng ta đang trong lĩnh vực thử nghiệm, học hỏi, phát triển và khi chúng ta dành thời gian để làm điều đó, chúng ta thường tạo ra điều gì đó có giá trị hơn nhiều so với khi chúng ta làm theo quy tắc và vội vã đưa ra đổi mới công nghệ tiếp theo. Không có sự thay thế cho những đột phá xảy ra khi chúng ta khám phá các chú thích dữ liệu của mình, đặt câu hỏi về nguồn dữ liệu của mình và重新 định nghĩa các chỉ số chất lượng. Và cách duy nhất chúng ta có thể làm điều này là bằng cách thử nghiệm trong lĩnh vực ứng dụng thực tế với hiệu suất mô hình đo lường được so với nhiệm vụ. Thay vì xem các yêu cầu và hạn chế không phổ biến là hạn chế, chúng ta có thể biến những thách thức này thành cơ hội đổi mới và cuối cùng là lợi thế cạnh tranh. và cách duy nhất chúng ta có thể làm điều này là bằng cách thử nghiệm trong lĩnh vực ứng dụng thực tế với hiệu suất mô hình đo lường được so với nhiệm vụ. Thay vì xem các yêu cầu và hạn chế không phổ biến là hạn chế, chúng ta có thể biến những thách thức này thành cơ hội đổi mới và cuối cùng là lợi thế cạnh tranh.