Data Fisik AI Makin Langka, Encord Gunakan Gelombang Otak untuk Latih Robot

Telset.id – Keterbatasan data pelatihan fisik untuk robot humanoid dan gudang otomatis menjadi kendala utama yang kini dihadapi industri kecerdasan buatan. Untuk mengatasi masalah ini, perusahaan rintisan data tooling, Encord, bereksperimen dengan teknologi yang mengukur gelombang otak manusia guna menghasilkan data pelatihan yang lebih kaya dan efektif bagi model AI robotik.

Eksperimen ini berlangsung di sebuah gudang di San Leandro, California. Di sana, Andrew Ceja, seorang pilot atau pelatih robot dari Encord, dengan hati-hati menarik balok kayu dari menara Jenga sambil mengenakan headset khusus. Headset tersebut tidak hanya dilengkapi kamera untuk melacak pandangannya, tetapi juga sensor yang mengukur gelombang otaknya saat ia berkonsentrasi membongkar menara tersebut.

Encord adalah salah satu dari sedikit perusahaan rintisan yang bertaruh bahwa kendala nyata berikutnya untuk robotika humanoid bukanlah arsitektur model, melainkan kelangkaan data pelatihan fisik di dunia nyata. Alih-alih hanya membantu perusahaan robotika mengelola data yang mereka miliki, Encord membangun bisnis di sekitar pembuatan data yang tidak mereka miliki. Pendekatan ini merupakan langkah maju dalam upaya mengatasi masalah data fisik AI yang semakin kritis.

Headset gelombang otak yang digunakan Ceja dibuat oleh Zander Labs, sebuah perusahaan rintisan ilmu saraf asal Jerman. Mereka bertaruh bahwa mengukur aktivitas otak untuk menyimpulkan kondisi mental seperti kesalahan, niat, dan kejutan, dapat menciptakan kumpulan data yang lebih berguna untuk melatih model AI. “Ini adalah ujung tombak dari upaya mengatasi hambatan data robotika,” ujar Vineeth Velmurugan, kepala pembelajaran robot di Encord.

Velmurugan, yang merupakan veteran dari laboratorium robot OpenAI dan perusahaan otomatisasi gudang Berkshire Grey, bergabung dengan Encord untuk membangun tim pembuatan data internal perusahaan. Ia menjelaskan bahwa Encord didirikan untuk membantu perusahaan yang membangun aplikasi visi mesin dalam memberi anotasi data dan mengevaluasi model. Seiring pelanggan mereka mulai menerapkan pembelajaran ujung-ke-ujung untuk tugas manipulasi robot, para eksekutif menyadari bahwa mereka harus memproduksi data pelatihan sendiri.

“Data itu benar-benar tidak ada,” tegas Velmurugan. Keyakinan bahwa AI generatif dapat melakukan untuk robot apa yang telah dilakukannya untuk chatbot terus menemui hambatan yang sama. Perusahaan mobil otonom mengumpulkan data dunia nyata sendiri, tetapi itu sulit untuk diskalakan. Pelatihan dari video bisa berhasil, tetapi tidak memiliki ketepatan data dunia nyata. Velmurugan memperkirakan diperlukan kumpulan data sekitar lima kali lipat dari korpus video YouTube untuk mencapai terobosan—skala yang membantu menjelaskan mengapa pembuatan data itu sendiri telah menjadi bisnis, bukan sekadar masalah riset.

Perusahaan yang membangun “otak” robot kini beralih ke dua sumber utama: video “egosentris” yang dikumpulkan oleh pekerja yang mengenakan kamera, sering kali ditambah dengan sudut kamera lain dan metrik lainnya, serta data dari robot yang dioperasikan dari jarak jauh. Encord melakukan keduanya, menarik data egosentris dari beberapa pabrik di seluruh dunia dan menggunakan fasilitas San Leandro untuk bereksperimen dengan modalitas baru, seperti gelombang otak, atau mengumpulkan kumpulan data seputar keterampilan spesifik untuk penyesuaian.

Saat TechCrunch berkunjung, para pilot menggunakan rig “pemimpin-pengikut”—sepasang lengan robot, satu dikendalikan langsung oleh operator manusia dan satu lagi yang meniru gerakannya—untuk membuat data tentang tugas-tugas seperti menuangkan kopi dari teko ke cangkir dan menumpuk chip poker. “Setiap perusahaan humanoid telah meminta kami untuk potongan-potongan ini,” kata Velmurugan. Rak penyimpanan berisi karton bunga palsu dalam vas, buku, sayuran plastik, nampan dan sendok kotoran kucing, tas dan bundelan kabel—semua perlengkapan untuk melatih manipulator dalam tugas rumah tangga.

Di salah satu stasiun, pilot lain, Sofia Infante, memanipulasi lengan robot untuk mencolokkan dan mencabut kabel ethernet dari bagian belakang server—jenis pekerjaan yang sangat diinginkan oleh operator pusat data untuk diotomatisasi, jika saja robot dapat memanipulasinya dengan presisi yang diperlukan. Mencoba langsung mengendalikannya, terlihat jelas mengapa hal itu masih sulit dijangkau: penjepit robotik jauh kurang cekatan dibandingkan jari manusia dan kurang memiliki derajat kebebasan yang kita anggap remeh pada lengan kita.

Modalitas data baru lain yang dikembangkan Encord menggunakan satu set sensor yang diikatkan ke lengan bawah untuk mendeteksi sinyal listrik di otot. Video tangan manusia yang memanipulasi objek biasanya tidak menangkap seluruh tangan, tetapi Velmurugan berharap dapat membangun gambaran 3D tentang posisi tangan kapan saja berdasarkan sensor lengan, menciptakan pemahaman yang lebih kuat untuk model AI.

Kumpulan data Encord dianotasi dengan deskripsi fisik tentang apa yang terkandung dalam setiap video—”tangan kanan mengencangkan baut”—untuk membantu model berbasis LLM dalam memahami apa yang terjadi. Velmurugan memperkirakan anotasi padat semacam ini bernilai 100 kali lipat dari “data ego sampah” untuk melatih tugas-tugas tertentu, dan biaya produksinya hanya 20 kali lebih mahal, yang merupakan pertukaran yang baik di atas kertas. Namun, “20 kali lebih mahal” tetaplah uang nyata, dan di situlah letak masalahnya: mengikis teks dari internet, seperti yang dilakukan pembuat LLM dengan menarik data dari Stack Overflow, hampir tidak memerlukan biaya bagi laboratorium terdepan. Menghasilkan data pelatihan fisik tidaklah demikian, dan itulah batasan perbandingan AI fisik dengan LLM.

Jenis data ini harus diproduksi, tidak hanya dikumpulkan, dan itu mengubah ekonomi pembangunan model-model ini. Velmurugan mengatakan bahwa kemajuan sedang dicapai—dengan visibilitas Encord ke dalam program-program di seluruh industri, ia dapat melihat perusahaan rintisan dan laboratorium terdepan sama-sama mencari tahu apa yang berhasil dan apa yang tidak untuk meningkatkan model AI fisik. Sudut pandang yang berada di antara banyak perusahaan robotika sekaligus itu juga menjadi bagian dari daya tarik Encord. Perusahaan ini dapat melihat teknik data mana yang mendapatkan daya tarik di seluruh industri sebelum pelanggan mana pun.

Hal itu akan membuat sekitar selusin pilot di fasilitas Encord tetap sibuk. Baik Infante maupun Ceja adalah bagian dari tenaga kerja yang sedang berkembang yang mengembangkan blok bangunan untuk jaringan saraf; mereka sebelumnya bekerja di Scale, perusahaan anotasi data AI lainnya, sebelum bergabung dengan Encord. Ceja sebelumnya bekerja di perusahaan pengelolaan limbah di mana minatnya pada teknologi membuatnya bertanggung jawab menjaga mesin pemilah sampah robotik tetap berfungsi dengan baik. Kini, saat menara Jenga itu runtuh, ia mengatakan bahwa ia menikmati tantangan untuk memecahkan tugas pelatihan bagi robot.

Eksperimen Encord dengan Zander Labs saat ini masih dalam tahap uji coba. Encord mengatakan tujuannya adalah untuk membangun kumpulan data awal yang ditandai dengan gelombang otak, menjalankannya melalui model robotika pelanggan, dan mengevaluasi apakah itu benar-benar meningkatkan kinerja sebelum memutuskan untuk meningkatkannya. Lucas Gehrke, seorang ilmuwan saraf Zander yang mengawasi pekerjaan tersebut, mengatakan bahwa jumlah aktivitas otak yang digunakan pada titik mana pun selama tugas tertentu menawarkan petunjuk bagi pembangun model yang mencoba mencari tahu kapan mereka perlu menggunakan model dengan upaya tertinggi mereka.

Penggunaan Brain-Computer Interface dalam konteks ini menunjukkan bagaimana teknologi antarmuka otak-komputer mulai merambah ke ranah robotika. Ini adalah langkah berani untuk mengatasi masalah fundamental dalam pengembangan AI fisik: kelangkaan data berkualitas tinggi. Sementara perusahaan seperti Meta juga mengembangkan teknologi serupa, seperti yang diulas dalam artikel tentang BCI Non-Invasif, pendekatan Encord lebih langsung diterapkan pada pelatihan robot.

Dengan pendekatan inovatif ini, Encord berpotensi menjadi pemain kunci dalam ekosistem robotika. Perusahaan tidak hanya menyediakan data, tetapi juga wawasan tentang teknik data mana yang paling efektif. Ini adalah posisi yang unik dan berharga di industri yang sedang bergulat dengan tantangan data fisik AI. Para pilot di San Leandro akan terus menjadi garda terdepan dalam upaya ini, menciptakan data yang sangat dibutuhkan untuk melatih generasi robot berikutnya.