Derin Dalış: Sentetik veriler AR/VR’yi ve meta veri deposunu nasıl geliştirebilir?


Transform 2022’ye katılamadınız mı? İsteğe bağlı kitaplığımızdaki tüm zirve oturumlarına şimdi göz atın! Buraya bak.


Metaverse, kolektif hayal gücümüzü büyüledi. İnternet bağlantılı cihazlarda ve sanal içerikteki üstel gelişme, meta veri deposunu genel kabul için hazırlıyor ve işletmelerin meta veri deposu içeriği oluşturmak için geleneksel yaklaşımların ötesine geçmesini gerektiriyor. Bununla birlikte, yapay zeka (AI) ve makine öğrenimi (ML) kullanan meta veri deposu gibi yeni nesil teknolojiler, etkin bir şekilde çalışmak için muazzam veri kümelerine güveniyor.

Büyük veri kümelerine olan bu bağımlılık yeni zorluklar getiriyor. Teknoloji kullanıcıları, hassas kişisel verilerinin nasıl elde edildiği, saklandığı ve kullanıldığı konusunda daha bilinçli hale geldi ve bunun sonucunda, kuruluşların kişisel verileri açık izin olmadan kullanmasını önlemek için tasarlanmış düzenlemeler ortaya çıktı.

Büyük miktarda doğru veri olmadan, meta veri deposu geliştirmeyi ciddi şekilde sınırlayan AI/ML modellerini eğitmek veya geliştirmek imkansızdır. Bu ikilem daha acil hale geldikçe, sentetik veriler bir çözüm olarak çekiş kazanıyor.

Aslında, Gartner’a göre2024 yılına kadar yapay zeka ve analitik projeleri oluşturmak için gereken verilerin %60’ı sentetik olarak oluşturulacak.

Makine öğrenimi algoritmaları, davranış kalıpları üzerinde eğitim almak için gerçek verileri alarak sentetik veriler üretir ve orijinal veri kümesinin istatistiksel özelliklerini koruyan benzetilmiş sahte veriler üretir. Bu tür veriler, gerçek dünya koşullarını çoğaltabilir ve standart anonimleştirilmiş veri kümelerinin aksine, gerçek verilerle aynı kusurlara karşı savunmasız değildir.

Dijital dünyaları sentetik verilerle yeniden hayal etmek

AR/VR ve metaverse geliştirmeleri daha doğru dijital ortamlara doğru ilerledikçe, insanların dijital dünyayla sorunsuz bir şekilde etkileşime girebilmesi için artık yeni yeteneklere ihtiyaç duyuyor. Buna sanal nesnelerle etkileşim yeteneği, doğru göz bakışı tahmini kullanarak cihaz üzerinde görüntü oluşturma optimizasyonu, gerçekçi kullanıcı avatarı gösterimi ve gerçek ortamın üzerinde sağlam bir 3D dijital kaplama oluşturulması dahildir. Makine öğrenimi modelleri, ağlar, biçimlendirilebilir modeller, yüzey normalleri gibi 3B nesneleri fotoğraflardan öğrenir ve bu yapay zeka modellerini eğitmek için bu tür görsel verileri elde etmek zordur.

Bir 3B modeli eğitmek, hassas 3B açıklama dahil olmak üzere büyük miktarda yüz ve tam vücut verisi gerektirir. Modele ayrıca el pozu ve ağ tahmini, vücut poz tahmini, bakış analizi, 3B ortam yeniden oluşturma ve kodek avatar sentezi gibi görevleri gerçekleştirmesi öğretilmelidir.

Metaverse, bir kullanıcının etrafındaki 3B alanı anlayabilen, hareketi doğru bir şekilde yakalayabilen, jestleri ve etkileşimleri anlayabilen ve duygu, konuşma ve yüz ayrıntılarını fotogerçekçi avatarlara çevirebilen yeni ve güçlü bilgisayarla görme makine öğrenimi modelleri tarafından desteklenecek.” Yaşar BehzadiCEO ve Synthesis AI’nin kurucusu VentureBeat’e söyledi.

Behzadi, “Bunları oluşturmak için temel modeller, zengin 3D etiketlerle büyük miktarda veri gerektirecektir.” Dedi.

Dijital avatarlar için jest tahmini oluşturma örneği. Kaynak: Sentez AI

Bu nedenlerden dolayı, meta veri deposu bir paradigma kayması yaşıyor – modellemeden ve veri merkezli bir geliştirme yaklaşımına doğru ilerliyor. Araştırmacılar, bir algoritma veya modelde artımlı iyileştirmeler yapmak yerine, eğitim verilerinin kalitesini iyileştirerek bir meta veri deposunun AI model performansını çok daha etkili bir şekilde optimize edebilir.

“Bilgisayar vizyonu oluşturmaya yönelik geleneksel yaklaşımlar, gerekli etiketleri sağlayamayan insan yorumlayıcılara dayanır. Ancak gerçekliği taklit eden sentetik veriler veya bilgisayar tarafından oluşturulan veriler umut verici yeni bir yaklaşım olduğunu kanıtladı” dedi.

Şirketler, sentetik verileri kullanarak, gizlilik yasalarına uyma endişesi olmadan yaratıcı ekipler arasında kolayca dağıtılabildiği için projelerin daha verimli çalışmasını sağlayan özelleştirilebilir veriler üretebilir. Bu, daha fazla özerklik sağlayarak geliştiricilerin daha verimli olmasını ve gelir getiren görevlere odaklanmasını sağlar.

Behzadi, sinematik görsel efekt teknolojilerinin üretken AI modelleriyle birleştirilmesinin, sentetik veri teknolojilerinin meta veriye güç sağlamak için çok çeşitli ve mükemmel etiketlenmiş veriler sağlamasına izin vereceğine inandığını söylüyor.

Kullanıcı deneyimini geliştirmek için, meta veri deposuna adım atmak için kullanılan donanım cihazları da eşit derecede önemli bir rol oynamaktadır. Bununla birlikte, donanımın gerçek ve sanal dünyalar arasındaki geçişi sorunsuz hale getiren bir yazılım tarafından desteklenmesi gerekiyor ve bu, bilgisayar görüşü olmadan imkansız olurdu.

AR/VR donanımının düzgün çalışması için, kullanıcıları sanal ortamın ayrıntılı ve doğru bir 3D haritasıyla büyütmek için gerçek dünyadaki konumunu anlaması gerekir. Bu nedenle, bakış tahmini (yani, bir kişinin yüzünün ve gözlerinin resminden nereye baktığını bulmak), mevcut AR ve VR cihazları için çok önemli bir problemdir. Özellikle VR, büyük ölçüde, bir görüş alanının merkezindeki görüntünün yüksek çözünürlükte ve mükemmel ayrıntıda üretildiği, ancak çevredeki görüntünün giderek bozulduğu bir teknik olan foveated rendering’e bağlıdır.

VR cihazları için göz bakışı tahmini ve izleme mimarisi, foveated rendering’i dağıtır. Yani, görüş alanının ortasındaki görüntü yüksek çözünürlükte üretilir, ancak daha verimli performans için çevredeki görüntü giderek bozulur. Kaynak: Sentez AI

Göre Richard KerrisNVIDIA’daki Omniverse geliştirme platformunun başkan yardımcısı olan , sentetik veri üretimi, nesnelerle etkileşime girerken veya eğitim için ortamlar oluştururken görsel olarak doğru kullanım örnekleri sunabildiğinden, bu tür durumlar için bir çare işlevi görebilir.

Kerris, VentureBeat’e “Simülasyonla oluşturulan sentetik veriler, sürekli geliştirme entegrasyonu ve test iş akışları sağlayarak AR/VR uygulama geliştirmesini hızlandırıyor” dedi. “Ayrıca, gerçek dünyanın dijital ikizinden oluşturulduğunda, bu tür veriler, konum sensörlerinin izleme doğruluklarını iyileştirmenin yanı sıra, insan gözüyle görülemeyen çeşitli yakın alan sensörleri için AI’ların eğitilmesine yardımcı olabilir.”

Sanal gerçekliğe girerken, sürükleyici bir sanal sosyal deneyim için kişinin bir avatarla temsil edilmesi gerekir. Gelecekteki metaverse ortamları, gerçek insanları temsil eden ve onların pozlarını yakalayabilen fotogerçekçi sanal avatarlara ihtiyaç duyacaktır. Bununla birlikte, böyle bir avatar oluşturmak, şimdi sentetik verilerin kullanımıyla ele alınan, zor bir bilgisayar görme sorunudur.

Kerries, en büyük zorlukların, gizlilikten ödün vermeden, giysi ve saç stilleri gibi aksesuarlar ve ilgili duygularla birlikte, aslına uygun çeşitli avatarlar oluştururken karşılaşıldığını açıkladı.

“Geniş bir ölçekte çeşitli dijital insan karakterlerinin prosedürel olarak üretilmesi, sonsuz sayıda karakter yaratabilir. farklı insan pozları ve belirli kullanım durumları için karakterleri canlandırın. Sentetik verileri kullanarak prosedürel oluşturma, bu birçok avatar stilini ele almaya yardımcı olur, ”dedi Kerries.

Bilgisayarla görme ile nesneleri tanımlama

Meta veri deposu gibi dijital dünyalarda 3B nesnelerin konumunu ve malzeme özelliklerini tahmin etmek için, ışığın gerçek dünyaya benzer bir etki yaratmak için nesne ve çevresi ile etkileşime girmesi gerekir. Bu nedenle, meta veri tabanı için AI tabanlı bilgisayarlı görü modelleri, onları 3B ortamda doğru bir şekilde oluşturmak için nesnenin yüzeylerini anlamayı gerektirir.

Göre Swapnil SrivastavaEvalueserve’de küresel veri ve analitik başkanı olan Evalueserve’de yapay zeka modelleri, diğerlerinin yanı sıra vücut tipleri, aydınlatma/aydınlatma, arka planlar ve ortamlara dayalı olarak tahminde bulunabilir ve daha gerçekçi izleme yapabilir.

“Metaverse/omniverse veya benzeri ekosistemler, artık sentetik verilerle elde edilebilen, fotogerçekçi, dışavurumcu ve davranışsal insanlara büyük ölçüde bağlı olacaktır. 2B ve 3B görüntülere mükemmel piksel ölçeğinde açıklama eklemek insanca imkansızdır. Sentetik verilerle, bu teknolojik ve fiziksel engel, gerçekçilik sağlarken doğru açıklama, çeşitlilik ve özelleştirmeye izin vererek köprülenir, ”diyor Srivastava VentureBeat’e.

Hareket tanıma, sanal dünyalarla etkileşim için başka bir birincil mekanizmadır. Bununla birlikte, ellerin karmaşıklığı ve 3B konumsal izleme ihtiyacı göz önüne alındığında, doğru el takibi için modeller oluşturmak karmaşıktır. Ten renginden yüzüklerin, saatlerin, gömlek kollarının ve daha fazlasının varlığına kadar, kullanıcıların çeşitliliğini doğru bir şekilde temsil eden verileri yakalama ihtiyacı, görevi daha da karmaşık hale getiriyor.

Behzadi, endüstrinin artık bu tür zorlukların üstesinden gelmek için el takip sistemlerini eğitmek için sentetik verileri kullandığını söylüyor.

Behzadi, “Şirketler, 3B parametrik el modellerinden yararlanarak, demografik bilgiler, karışıklıklar, kamera bakış açıları ve ortamlar arasında çok miktarda doğru 3B etiketli veri oluşturabilir” dedi.

“Oluşturulan verilerin hiçbir mahremiyet kaygısı olmadığından, benzeri görülmemiş çeşitlilik için ortamlar ve kamera konumları/tipleri arasında veriler üretilebilir. Bu ayrıntı düzeyi, insanlar tarafından sağlanabilecek olandan çok daha büyük ve metaverseyi güçlendirmek için daha yüksek düzeyde bir gerçekçilik sağlıyor” diye ekledi.

Srivastava, mevcut süreçle karşılaştırıldığında, metaverse’in diğerlerinin yanı sıra yüz özellikleri, vücut hareketleri, sağlık, finansal, sosyal tercih ve biyometri gibi daha fazla kişisel veri toplayacağını söyledi.

“Bu kişisel veri noktalarının korunması en yüksek öncelik olmalıdır. Kuruluşların, etkin veri yönetimi ve güvenlik politikalarının yanı sıra bir rıza yönetim sürecine ihtiyacı vardır. Yapay zekada etiğin sağlanması, üretimde modellerin eğitimi, depolanması ve dağıtılması için sorumlu veriler oluştururken meta veri tabanındaki etkinliği ölçeklendirmek için çok önemli olacaktır” dedi.

Benzer şekilde Behzadi, sentetik veri teknolojilerinin gizlilikle uyumlu ve etik yollarla daha kapsayıcı modeller oluşturmaya izin vereceğini söyledi. Ancak kavram yeni olduğu için yaygın olarak benimsenmesi eğitim gerektirecektir.

“Meta veri deposu geniş ve gelişen bir terimdir, ancak sosyal etkileşimler, tüketici ve alışveriş deneyimlerini yeniden canlandırmak, yeni medya türleri veya henüz hayal etmediğimiz uygulamalar için olsun, yeni ve derinden sürükleyici deneyimler bekleyebiliriz. OpenSynthetics.com gibi yeni girişimler, teknolojiyi ilerletmek için bir araştırmacı ve endüstriyel ortaklar topluluğu oluşturmaya yardımcı olmak için doğru yönde atılmış bir adımdır” dedi.

Simülasyona hazır veri kümeleri oluşturmak, meta veri deposunda sanal dünyalar oluşturmak ve işletmek için sentetik veri oluşturmayı kullanmak isteyen şirketler için zordur. Kerris, kullanıma hazır 3D varlıkların doğru eğitim paradigmalarını uygulamak için yeterli olmadığını söylüyor.

“Bu veri kümeleri, onları faydalı kılan bilgi ve özelliklere sahip olmalıdır. Örneğin ağırlık, sürtünme ve diğer faktörlerin eğitimde faydalı olması için varlığa dahil edilmesi gerekiyor” dedi. “Şirketlerden, robotik ve dijital ikizler gibi endüstriyel kullanım durumları için meta veri deposu uygulamalarında sentetik veri üretimi için kullanım durumlarını hızlandırmaya yardımcı olacak, sim-hazır kitaplıkların sayısının artmasını bekleyebiliriz.”

GamesBeat’in inancı oyun endüstrisini ele alırken “tutkunun işle buluştuğu yer”. Ne anlama geliyor? Size haberlerin sizin için ne kadar önemli olduğunu anlatmak istiyoruz – sadece bir oyun stüdyosunda karar veren biri olarak değil, aynı zamanda bir oyun hayranı olarak. İster makalelerimizi okuyun, ister podcast’lerimizi dinleyin veya videolarımızı izleyin, GamesBeat sektör hakkında bilgi edinmenize ve onunla etkileşime girmenin keyfini çıkarmanıza yardımcı olacaktır. Brifinglerimizi keşfedin.


Kaynak : https://venturebeat.com/ai/deep-dive-how-synthetic-data-can-enhance-ar-vr-and-the-metaverse/

Yorum yapın