Para muitos de nós que inovamos no espaço da IA, estamos trabalhando em território desconhecido. Dada a rapidez com que as empresas de IA estão a desenvolver novas tecnologias, pode-se considerar o trabalho obstinado nos bastidores. Mas num campo como o XR, onde a missão é confundir os limites entre os mundos actual e digital – atualmente não há muitos dados históricos ou pesquisas em que se apoiar; então precisamos pensar fora da caixa.
Embora seja mais conveniente confiar na sabedoria convencional do aprendizado de máquina e em práticas testadas e comprovadas, isso muitas vezes não é possível (ou a solução completa) em campos emergentes. Para resolver problemas que nunca foram resolvidos antes, eles precisam ser abordados de novas maneiras.
É um desafio que obriga você a lembrar por que entrou na área de engenharia, ciência de dados ou desenvolvimento de produtos: uma paixão pela descoberta. Experimento isso todos os dias em minha função na Ultraleap, onde desenvolvemos software program que pode rastrear e responder aos movimentos da mão humana em um ambiente de realidade mista. Muito do que pensávamos saber sobre o treinamento de modelos de aprendizado de máquina vira de cabeça para baixo em nosso trabalho, já que a mão humana – junto com os objetos e ambientes que encontra – é extremamente imprevisível.
Aqui estão algumas abordagens que minha equipe e eu adotamos para reimaginar a experimentação e a ciência de dados para trazer interação intuitiva ao mundo digital, que seja precisa e pareça tão pure quanto seria no mundo actual.
Inovando dentro das linhas
Ao inovar em um espaço emergente, muitas vezes você se depara com restrições que parecem estar em conflito umas com as outras. Minha equipe tem a tarefa de capturar as complexidades dos movimentos das mãos e dos dedos e como as mãos e os dedos interagem com o mundo ao seu redor. Tudo isso está incluído em modelos de rastreamento guide que ainda cabem no {hardware} XR em computação restrita. Isto significa que os nossos modelos – embora sofisticados e complexos – devem ocupar significativamente menos armazenamento e consumir significativamente menos energia (na ordem de 1/100.000) do que os enormes LLMs que dominam as manchetes. Apresenta-nos um desafio emocionante, exigindo experimentação e avaliação implacáveis dos nossos modelos na sua aplicação no mundo actual.
Mas os inúmeros testes e experimentos valem a pena: criar um modelo poderoso que ainda ofereça baixo custo de inferência, consumo de energia e latência é uma maravilha que pode ser aplicada na computação de ponta, mesmo fora do espaço XR.
As restrições que enfrentamos durante os experimentos também impactarão outros setores. Algumas empresas enfrentarão desafios únicos devido às sutilezas em seus domínios de aplicação, enquanto outras poderão ter dados limitados para trabalhar como resultado de estarem em um nicho de mercado que os grandes gamers de tecnologia ainda não atingiram.
Embora soluções únicas possam ser suficientes para algumas tarefas, muitos domínios de aplicação precisam resolver problemas reais e desafiadores, específicos para suas tarefas. Por exemplo, linhas de montagem automotiva implementam modelos de ML para inspeção de defeitos. Esses modelos precisam lidar com imagens de altíssima resolução, necessárias para identificar pequenos defeitos em uma grande área de superfície de um carro. Neste caso, a aplicação exige alto desempenho, mas o problema a resolver é como conseguir um modelo de baixa taxa de quadros, mas de alta resolução.
Avaliando arquiteturas de modelos para impulsionar a inovação
Um bom conjunto de dados é a força motriz por trás de qualquer avanço bem-sucedido em IA. Mas afinal, o que torna um conjunto de dados “bom” para um objetivo específico? E quando você está resolvendo problemas anteriormente não resolvidos, como pode confiar que os dados existentes serão relevantes? Não podemos presumir que as métricas que são boas para algumas tarefas de ML se traduzem no desempenho de outra tarefa de negócios específica. É aqui que somos chamados a ir contra as “verdades” de ML comumente aceitas e, em vez disso, explorar ativamente como rotulamos, limpamos e aplicamos dados simulados e do mundo actual.
Por natureza, o nosso domínio é difícil de avaliar e requer garantia de qualidade guide – feita à mão. Não estamos apenas observando as métricas de qualidade dos nossos dados. Iteramos nossos conjuntos de dados e fontes de dados e os avaliamos com base nas qualidades dos modelos que produzem no mundo actual. Quando reavaliamos como avaliamos e classificamos nossos dados, muitas vezes encontramos conjuntos de dados ou tendências que, de outra forma, teríamos esquecido. Agora, com esses conjuntos de dados e inúmeras experiências que nos mostraram quais dados não em que confiar, abrimos um novo caminho que perdíamos antes.
A mais recente plataforma de rastreamento guide da Ultraleap, Hyperion, é um ótimo exemplo disso. Os avanços em nossos conjuntos de dados nos ajudaram a desenvolver um rastreamento guide mais sofisticado, capaz de rastrear com precisão microgestos, bem como movimentos das mãos, mesmo quando o usuário está segurando um objeto.
Um pequeno passo para trás, um grande salto à frente
Embora o ritmo da inovação aparentemente nunca diminua, nós podemos. Nosso negócio é experimentar, aprender, desenvolver e quando dedicamos tempo para fazer exatamente isso, muitas vezes criamos algo de muito mais valor do que quando seguimos as regras e corremos para lançar a próxima inovação tecnológica. Não há substituto para os avanços que ocorrem quando exploramos nossas anotações de dados, questionamos nossas fontes de dados e redefinimos as próprias métricas de qualidade. E a única maneira de fazer isso é experimentando no domínio actual do aplicativo o desempenho medido do modelo em relação à tarefa. Em vez de encararmos os requisitos e restrições incomuns como limitativos, podemos aproveitar estes desafios e transformá-los em oportunidades de inovação e, em última análise, numa vantagem competitiva.
