Prima di procedere
Apple ha compiuto un passo significativo nel campo dell'intelligenza artificiale con lo sviluppo di EMBridge, un modello IA innovativo capace di interpretare i gesti delle mani attraverso l'analisi dei segnali elettromiografici (EMG). Questa tecnologia, che misura l'attività elettrica prodotta dai muscoli durante la contrazione, apre nuove prospettive per l'interazione uomo-macchina, con applicazioni che spaziano dalla realtà aumentata e virtuale al controllo avanzato di protesi.
La tecnologia EMG non è una novità assoluta; è già ampiamente utilizzata in ambito medico per la diagnosi e la riabilitazione, nonché nel controllo di protesi. Tuttavia, l'applicazione di questa tecnologia ai dispositivi indossabili, come gli occhiali Meta Ray-Ban Display con il controller Neural Band, rappresenta un'evoluzione significativa. Apple, con EMBridge, punta a superare i limiti attuali, creando un sistema capace di riconoscere un'ampia gamma di gesti, anche quelli non inclusi nel set di dati di addestramento iniziale.
Per addestrare EMBridge, i ricercatori di Apple hanno utilizzato due dataset esistenti: emg2pose e NinaPro DB2. Il processo di apprendimento si è basato su due rappresentazioni distinte: i dati EMG e le coordinate precise delle posizioni delle mani. Inizialmente, l'IA è stata addestrata separatamente su ciascuna di queste rappresentazioni. Successivamente, è stata effettuata una correlazione tra le due, permettendo al componente EMG di apprendere dal componente di posizionamento delle mani. Il risultato è un sistema in grado di dedurre i gesti a partire dai soli segnali EMG.
La sfida successiva è stata quella di rendere l'IA ancora più sofisticata. I ricercatori hanno parzialmente nascosto i dati relativi alla posizione delle mani, costringendo l'IA a formulare ipotesi basate unicamente sui segnali EMG. Per mitigare gli errori, è stata introdotta una maggiore flessibilità nella valutazione delle risposte dell'IA, consentendo al sistema di riconoscere gesti simili come varianti dello stesso movimento, anziché come azioni completamente distinte. Questo approccio ha contribuito a strutturare lo spazio di rappresentazione del modello e ha migliorato la sua capacità di ricostruire posizioni delle mani non presenti nei dati di addestramento.
L'efficacia di EMBridge è stata valutata utilizzando i dataset emg2pose e NinaPro come benchmark. I risultati hanno dimostrato che l'algoritmo mantiene un'elevata precisione anche con una quantità limitata di dati di addestramento (solo il 40%). Tuttavia, i ricercatori sottolineano un'importante limitazione: l'addestramento dell'IA dipende dalla disponibilità di dataset che contengano sia i segnali EMG sia i dati corrispondenti sulla posizione delle mani. La creazione di questi dataset è complessa e costosa, e la loro disponibilità limitata rappresenta un ostacolo per l'ulteriore sviluppo della tecnologia. Nonostante questa limitazione, EMBridge rappresenta un importante passo avanti nel campo dell'interazione uomo-macchina, aprendo la strada a nuove e entusiasmanti applicazioni nel futuro della tecnologia indossabile e del controllo protesico.
