Innovación en el entrenamiento de robots
En un almacén en San Leandro, California, se está gestando una revolución en el campo de la inteligencia artificial física. La empresa Encord ha comenzado a experimentar con un enfoque innovador que combina la recolección de datos con tecnología avanzada para entrenar modelos robóticos. Andrew Ceja, uno de los entrenadores robóticos de Encord, utiliza un dispositivo que no solo captura su visión, sino que también mide sus ondas cerebrales mientras realiza tareas complejas.
Este enfoque pionero busca superar las limitaciones actuales en la obtención de datos físicos necesarios para el desarrollo efectivo de robots humanoides y automatización en almacenes.
El dispositivo utilizado por Ceja fue desarrollado por Zander Labs, una startup alemana especializada en neurociencia. Este equipo tiene como objetivo analizar la actividad cerebral para identificar estados mentales como errores o intenciones durante las tareas. Lucas Gehrke, un neurocientífico de Zander que supervisa el proyecto, explica que esta información puede ser crucial para los desarrolladores al determinar cuándo es necesario utilizar modelos más avanzados.
La colaboración entre Encord y Zander representa un esfuerzo significativo para abordar el cuello de botella en los datos necesarios para entrenar robots.
A medida que las empresas buscan mejorar sus capacidades robóticas, se han dado cuenta de que no solo necesitan gestionar los datos existentes, sino también generar nuevos conjuntos de datos. Vineeth Velmurugan, líder del aprendizaje robótico en Encord y exmiembro del laboratorio robótico OpenAI, señala que muchas compañías están enfrentando una escasez crítica de datos físicos reales.
El desafío radica en crear conjuntos de datos masivos que superen incluso a plataformas como YouTube.
Encord está explorando diversas modalidades para recopilar información útil. Desde video “egocéntrico” grabado por trabajadores hasta experimentos con sensores musculares colocados en los brazos humanos. Estas técnicas buscan ofrecer una representación más precisa del movimiento humano y facilitar el entrenamiento efectivo de robots para tareas específicas.
Las aplicaciones son vastas: desde manipulación precisa hasta automatización en entornos industriales.
A pesar del potencial prometedor, Velmurugan advierte sobre los desafíos económicos asociados con la generación de estos conjuntos de datos físicos. A diferencia del scraping web utilizado por muchos modelos LLM (Modelos de Lenguaje Grande), crear estos datos requiere inversiones significativas. Sin embargo, Encord se posiciona estratégicamente al observar tendencias emergentes dentro del sector robótico y adaptarse rápidamente a ellas.
A medida que continúan sus experimentos y colaboraciones, el futuro parece brillante para aquellos involucrados en esta nueva era del aprendizaje automático físico.
