No coração de um armazém em San Leandro, Califórnia, um jogo de Jenga está redefinindo os limites da inteligência artificial física. É nesse espaço que a Encord, uma empresa dedicada a criar ferramentas de dados para treinar modelos de IA, está inovando. Andrew Ceja, um dos “pilotos” da companhia, cuidadosamente remove blocos de madeira de uma torre instável, usando um fone com câmera que registra o que ele vê. Até aqui, nada muito diferente do comum em coleta de dados para robôs, mas este fone possui sensores que medem suas ondas cerebrais enquanto ele desmonta a torre.
Encord: Construindo o Futuro da IA Física
Encord é parte de um grupo crescente de startups que aposta que o verdadeiro desafio para robôs humanoides e de armazém não será a arquitetura dos modelos, mas a escassez de dados de treinamento no mundo real. Ao invés de apenas ajudar empresas robóticas a gerenciar os dados que possuem, a Encord está criando um negócio em torno da fabricação dos dados que ainda não existem.
A Revolução dos Dados de Ondas Cerebrais
O fone de ondas cerebrais utilizado por Ceja foi desenvolvido pela Zander Labs, uma startup alemã de neurociência que acredita que medir a atividade cerebral — para deduzir estados mentais como erro, intenção e surpresa — pode gerar um conjunto de dados mais útil para treinar modelos. No momento, o trabalho da Encord com a Zander é um teste; o objetivo é criar um conjunto inicial de dados marcados por ondas cerebrais, rodá-lo através de modelos robóticos de clientes e avaliar se realmente melhora o desempenho antes de decidir por uma expansão.
- A atividade cerebral durante tarefas específicas pode oferecer pistas para desenvolvedores de modelos sobre quando é necessário aplicar seus modelos de maior esforço.
- Zander Labs espera que essa abordagem gere insights valiosos para o desenvolvimento de IA física.
Superando o Gargalo de Dados na Robótica
Segundo Vineeth Velmurugan, chefe de aprendizado de robôs na Encord, a empresa está na vanguarda para resolver o gargalo de dados na robótica. Velmurugan, ex-membro do laboratório de robôs da OpenAI e da Berkshire Grey, se uniu à Encord para liderar a equipe interna de criação de dados da empresa. A Encord foi fundada para ajudar empresas que desenvolvem aplicativos de visão computacional a anotar dados e avaliar modelos. Com o tempo, perceberam que teriam que produzir os dados de treinamento por conta própria, ao invés de apenas gerenciá-los.
Desafios e Soluções
A aposta de que a IA generativa pode fazer pelos robôs o que fez pelos chatbots esbarra na dificuldade de encontrar materiais brutos suficientes para ensinar as redes neurais sobre manipulação física. Empresas de carros autônomos conseguem coletar esses dados, mas é um processo difícil de escalar. Treinamento a partir de vídeos pode funcionar, mas falta a fidelidade dos dados do mundo real. Velmurugan afirma que será necessário um conjunto de dados cinco vezes maior que o corpus de vídeos do YouTube para alcançar um avanço significativo — uma escala que explica por que a geração de dados tornou-se um negócio e não apenas um problema de pesquisa.
- As empresas estão recorrendo a vídeos “egocêntricos” e dados coletados de robôs operados remotamente.
- A Encord coleta dados egocêntricos de várias fábricas ao redor do mundo, além de experimentar novas modalidades em sua instalação em San Leandro.
Explorando Novas Modalidades de Dados
Durante uma visita ao local, “pilotos” usavam braços robóticos emparelhados para criar dados sobre tarefas como servir café e empilhar fichas de pôquer. A Encord também está desenvolvendo uma nova modalidade de dados usando sensores no antebraço para detectar sinais elétricos nos músculos, criando uma representação 3D mais robusta para modelos.
Conclusão
A Encord está na vanguarda da criação de dados para IA física, enfrentando os desafios de frente e buscando soluções inovadoras que prometem redefinir a maneira como os robôs são treinados e operados. Com um compromisso de estar um passo à frente nas tendências industriais, a empresa continua a explorar novas maneiras de gerar e utilizar dados, assegurando que seu impacto na área de robótica seja duradouro e significativo.
