En el corazón de San Leandro, California, una empresa está revolucionando el ámbito de la inteligencia artificial física. Encord, especializada en la creación de herramientas de datos para el entrenamiento de modelos de IA, se encuentra en una instalación donde la ejecución de tareas aparentemente simples como jugar a Jenga se convierte en un experimento clave para el futuro de la robótica.
El proceso es dirigido por Andrew Ceja, un «piloto» de Encord que, mientras manipula con destreza bloques de madera, utiliza un casco dotado de sensores que no solo capturan su perspectiva visual, sino que también analizan sus ondas cerebrales. Esta tecnología, desarrollada por Zander Labs, una startup alemana de neurociencia, se propone mejorar los conjuntos de datos utilizados en el entrenamiento de modelos. La colaboración entre ambas empresas busca crear un conjunto inicial de datos etiquetados con actividad cerebral, con la esperanza de verificar si esto potencia el rendimiento de los robots antes de escalar la iniciativa.
La escasez de datos de entrenamiento físico se ha convertido en un obstáculo crítico para muchas startups en robótica, que ahora apuestan por la generación de datos en lugar de solo gestionar lo que ya poseen. Según Lucas Gehrke, neurocientífico de Zander, los niveles de actividad cerebral durante tareas específicas pueden ofrecer información valiosa para los diseñadores de modelos, ayudando a identificar momentos clave en los cuales se deben usar modelos de alta complejidad.
El desafío de los datos en robótica
Encord se fundó inicialmente para facilitar la anotación y evaluación de datos para aplicaciones de visión por computadora. Sin embargo, a medida que sus clientes comenzaron a incorporar aprendizajes de extremo a extremo en tareas de manipulación robótica, se dieron cuenta de que la producción de datos de entrenamiento se estaba convirtiendo en una necesidad crítica. «Los datos simplemente no existen», comenta Vineeth Velmurugan, líder del equipo de aprendizaje robótico de Encord, quien ha trabajado en laboratorios de robótica en OpenAI y otras empresas destacadas.
El reto radica en que, a diferencia de los modelos de lenguaje que se nutren de vastas cantidades de texto de internet, la robótica enfrenta la dificultad de reunir datos físicos adecuados para entrenamiento. Las empresas de coches autónomos recopilan datos, pero esta estrategia es difícil de escalar. Además, aunque el entrenamiento utilizando videos es una opción, carece de la precisión que proporciona la recolección de datos del mundo real.
Para afrontar este desafío, Encord ha decidido centrarse en dos fuentes de datos principales: videos “egocéntricos” grabados por operarios equipados con cámaras y datos recogidos de robots controlados de forma remota. En su planta de San Leandro, la compañía no solo extrae datos de varias fábricas globales, sino que también experimenta con nuevas modalidades de recolección, como la actividad cerebral y los esfuerzos específicos para mejorar habilidades de manipulación.
Durante una visita reciente a las instalaciones, se observaron pilotos que utilizaban manipuladores robóticos en tareas cotidianas, como verter café o apilar fichas. Sin embargo, el verdadero reto es automatizar trabajos que requieren un nivel de destreza similar al humano, lo que sigue siendo un objetivo distante debido a las limitaciones actuales en la precisión de los mecanismos robóticos.
Entre las innovaciones en desarrollo, Encord explora la utilización de sensores musculares para obtener un perfil tridimensional más completo de los movimientos manuales. Al combinar videos de manos humanas manipulando objetos con datos de estos sensores, la empresa espera mejorar la interpretación y la precisión para los modelos de IA.
A pesar de que los gastos generados por la producción de estos datos físicos son significativamente más altos en comparación con la recolección de datos textuales, se ha demostrado que la anotación densa generada aumenta en gran medida el valor de los datos utilizados para entrenamiento, multiplicando su efectividad.
Con un equipo talentoso y en un sector en continuo crecimiento, Encord se postula no solo como un generador de datos, sino como un puente entre diversas iniciativas de robótica. Al estar en contacto con múltiples empresas del sector, Velmurugan tiene acceso a una visión privilegiada del progreso y de las mejores prácticas en la mejora de modelos físicos de IA.