MediaMonks Labs ermöglicht schnelles, proaktives KI-Prototyping, wenn Geschwindigkeit entscheidend ist

Während sich die COVID-19-Pandemie auf der ganzen Welt ausbreitet und die Menschen sich in ihre Häuser zurückziehen, um sich sozial zu distanzieren, sind Einfallsreichtum und die Notwendigkeit einer digitalen Transformation offensichtlicher denn je. Das MediaMonks Labs-Team, das immer auf der Suche nach Möglichkeiten ist, Innovationen voranzutreiben, hat mit Möglichkeiten experimentiert, die Entwicklung von auf maschinellem Lernen basierenden Lösungen vom Prototyp bis zum Endprodukt zu beschleunigen, indem es unnötige Programmierstunden einspart, um schnell zu iterieren.

"Mentale Stärke und die Gewöhnung an Kurvenbälle sind Fähigkeiten und Arbeitsweisen, die jetzt in den Vordergrund treten", sagt Geert Eichhorn, Innovation Director bei MediaMonks. "Wir sehen, dass diejenigen, die bereit sind, sich anzupassen, an der Spitze stehen." Mit dem Ziel, proaktiv die Herausforderungen zu lösen, mit denen Marken und ihr Publikum täglich konfrontiert sind, experimentierte das Team kürzlich mit einer schnelleren Methode zur Entwicklung und Iteration von Produkten und Dienstleistungen, die auf künstlicher Intelligenz basieren.

Spaßige Experimente können zu proaktivem Wert führen

Die Idee hinter einem dieser Experimente, dem Kantinenzähler, mag oberflächlich betrachtet albern erscheinen: Es soll festgestellt werden, wann die Bürokantine weniger ausgelastet ist, um dem Team zu helfen, den optimalen Zeitpunkt zu finden, um dort einen Platz zu ergattern. Aber die Technologie, die dahinter steckt, bietet einige Lehren für diejenigen, die Herausforderungen schnell mit Standardwerkzeugen lösen wollen.

Und so funktioniert es. Die Kamera des Kantinentresens war auf die Salatbar gerichtet und erfasste den Weg vom Eingang zu den Geschirrspülern - der am stärksten frequentierte Ort in der Kantine. Das maschinelle Lernmodell erkennt die Personen im Bild und zählt, wie viele es sind, um festzustellen, wann viel los ist und wann nicht - ähnlich wie die Geschäftseinträge auf Google Maps die Haupt- und Nebenzeiten vorhersagen.

Jetzt, da das Team von zu Hause aus arbeitet, ist es natürlich nicht mehr nötig, die Kantine im Auge zu behalten. Aber man könnte sich ein ähnliches Tool vorstellen, mit dem man in Echtzeit feststellen kann, welche Räume aus der Ferne gemessen sicher für soziale Distanz sind. Ist der örtliche Park leer genug für ein wenig frische Luft und Bewegung? Ist der Lebensmittelladen überfüllt? Fragen Sie die KI, bevor Sie gehen!

"Ich würde gerne etwas entwickeln, das Menschen hilft, die von COVID-19 betroffen sind", sagt Luis Guajardo, Creative Technologist bei MediaMonks. "Ich denke, das wäre ein interessanter Nebeneffekt dieses Projekts." Das zeigt, wie solche Experimente, wenn sie schnell durchgeführt werden, die notwendigen Lösungen für neue Probleme liefern können, kurz nachdem sie auftauchen.

Standardtools helfen den Teams, neue Erkenntnisse einzubringen, zu spielen und anzuwenden

Unser Kantinenzähler wird von Googles Coral angetrieben, einem Board, das optimierte TensorFlow-Modelle mit einem Edge TPU-Chip ausführt. Um den Fachjargon aus dem Weg zu räumen, können Sie damit im Wesentlichen maschinelles Lernen offline anwenden - ein Prozess, der normalerweise mit einer Cloud verbunden ist, weshalb Sie eine Datenverbindung benötigen, um mit den meisten digitalen Assistenten zu interagieren. Der TPU-Chip (die Abkürzung steht für Tensor Processing Unit) ist so konstruiert, dass er das maschinelle Lernen mit Hilfe eines neuronalen Netzwerks direkt auf der Hardware durchführt.

Dies ermöglicht nicht nur eine schnellere Verarbeitung, sondern auch einen besseren Schutz der Privatsphäre, da die Daten nicht an Dritte weitergegeben werden. Die Entwickler können einfach ein vorhandenes, handelsübliches Modell für maschinelles Lernen verwenden, um es schnell an die Hardware und die Ziele eines Projekts anzupassen. Obwohl die Schritte hinter diesem Prozess einfacher sind als das Trainieren eines eigenen Modells, ist dennoch ein gewisses Maß an Fachwissen erforderlich, um herauszufinden, welches Modell am besten zu den eigenen Bedürfnissen passt - ein Punkt, der durch ein anderes von Labs entwickeltes Tool verdeutlicht wird, das Computer-Vision-Modelle und die Unterschiede zwischen ihnen vergleicht.

Was das Team an Coral besonders schätzt, ist die Flexibilität, die es dank des TPU-Chips hat, der in verschiedenen Boards und Modulen erhältlich ist, die einfach zusammengesteckt werden können. "Das bedeutet, dass man mit dem Coral Board erste Produktprototypen, Testmodelle und Peripheriegeräte bauen kann und dann in die Produktion übergehen kann, indem man nur die TPU-Module verwendet, die auf den eigenen Produktspezifikationen und der Elektronik basieren, und eine robuste Hardware-KI-Lösung schafft", sagt Guajardo.

Beschleunigen Sie das Entwicklungstempo, um den Herausforderungen voraus zu sein

Für das Labs-Team haben Tools wie Coral das Tempo beim Experimentieren und Entwickeln neuer Lösungen beschleunigt. "Die Standard-ML-Modelle in Kombination mit dem Coral-Board und etwas Kreativität ermöglichen es, praktische Lösungen innerhalb weniger Tage zu entwickeln", sagt Eichhorn. "Wenn es keine praktikable Lösung ist, werden Sie es so schnell wie möglich herausfinden, was verhindert, dass Sie wertvolle Zeit und Ressourcen verschwenden." Eichhorn vergleicht diesen Prozess mit X (ehemals Google X), wo Ideen so schnell wie möglich aufgeschlüsselt werden, um die Durchführbarkeit zu testen.

"Bei Labs stürzen wir uns auf neue Technologien und wenden sie auf neue, kreative Weise an, um Probleme zu lösen, von denen wir nicht wussten, dass wir sie haben, daher ist jedes Projekt oder jede Plattform, die so flexibel ist wie der Kantinenzähler, genau das Richtige für Labs", sagt Eichhorn. "Was heute ein Kantinenzähler ist, kann morgen eine Kamera sein, die Ihnen etwas über Ihre Körperhaltung erzählt. Alles ist möglich, und es ändert sich von Tag zu Tag" Er merkt an, dass hinter den Kulissen noch an mehr gearbeitet wird, da das Team über den Trend zum Livestreaming nachdenkt, über das Bedürfnis, Solidarität, Spiel und Interaktion zu zeigen, während man von zu Hause arbeitet.

Es lohnt sich, darüber nachzudenken, wie dramatisch sich die Welt verändert hat, seit wir auf die Idee gekommen sind, unsere Arbeitsplatzkantine durch ein lustiges, maschinelles Lernexperiment im Auge zu behalten. Eichhorn warnt jedoch davor, dass "Innovation" im Eifer des Gefechts um dringend benötigte Lösungen oft wie ein Modewort wirkt. "Was wir anders machen, ist, dass wir tatsächlich bauen, praktisch sein, ausführen und es zum Laufen bringen können

Außergewöhnliche Zeiten verlangen nach außergewöhnlichen Lösungen.