Startup paga trabalhadores autônomos na Índia para treinar robôs

Uma nova startup chamada Human Archive está transformando a economia de trabalhadores autônomos da Índia em um campo de treinamento para robôs. Fundada por pesquisadores da UC Berkeley e Stanford, a empresa paga trabalhadores autônomos para usar bonés equipados com câmeras e dispositivos repletos de sensores enquanto realizam suas rotinas diárias. O objetivo? Coletar vastas quantidades de dados físicos do mundo real que podem ser usados para treinar sistemas de IA e robótica. Enquanto os laboratórios de IA correm para construir robôs que possam navegar em ambientes bagunçados e imprevisíveis, eles enfrentam um gargalo crítico: falta de dados de treinamento de alta qualidade. Diferente de texto ou imagens, dados do mundo físico — como a forma como uma mão segura um copo ou como uma pessoa anda por uma sala lotada — são caros e difíceis de coletar em escala. A abordagem da Human Archive aproveita a grande força de trabalho autônoma e com conhecimento tecnológico da Índia. Os trabalhadores são pagos para realizar tarefas cotidianas como cozinhar, limpar, fazer compras e se deslocar enquanto usam o equipamento de gravação. Os dados resultantes capturam movimentos sutis, interações de força e variações ambientais que são quase impossíveis de simular. "Estamos criando um conjunto de dados que espelha a diversidade da atividade humana real", disse um cofundador. "Isso é essencial para construir robôs que possam operar com segurança e eficácia em casas, hospitais e fábricas." A startup já atraiu interesse de grandes empresas de robótica e laboratórios de IA. No entanto, o modelo também levanta questões éticas sobre privacidade de dados e remuneração justa. A Human Archive afirma que anonimiza todos os dados e paga aos trabalhadores acima do salário mínimo local. À medida que a demanda por dados de treinamento físico de IA explode, o modelo baseado em trabalhadores autônomos da Human Archive pode se tornar um modelo de como a indústria escala — um boné com câmera de cada vez.