Alltägliche Aufgaben, die für nur ein paar Cent pro Stunde gefilmt werden, tragen zur Verfeinerung der KI-Technologie bei – Bitcoin News

In Tamil Nadu fängt eine Stirnbandkamera Nagireddy Sriramyachandra beim Schneiden von Mangos ein, und das Filmmaterial wird zu Trainingsdaten für Roboter für etwa 2,40 US-Dollar pro Stunde. Diese Handheld-Aufgaben speisen eine egozentrische Video-Pipeline, die von Textilböden über Annotationsshops wie Objectways bis zu den US-amerikanischen Technologiekorridoren reicht, wo CEO Ravi Shankar die nächste Welle der KI-Nachfrage umwirbt. Das Geld ist bescheiden, die Marktprognose jedoch nicht: Goldman Sachs geht davon aus, dass humanoide Roboter bis 2035 auf 38 Milliarden US-Dollar geschätzt werden. Zwischen diesen Zahlen liegen heikle Fragen darüber, wer von Indiens Bemühungen, ein Datendrehkreuz zu werden, profitiert und was eine ständige Aufzeichnung für die Privatsphäre der Arbeitnehmer bedeutet.

Den Alltag filmen, um die KI von morgen zu trainieren

KI braucht menschlichen Kontext, und im Moment sieht dieser Kontext oft aus wie ein Smartphone, das einem Arbeiter an den Kopf geschnallt wird und das Gewöhnliche einfängt. In Südindien filmen sich Menschen dabei, wie sie Mangos schneiden, Schuhe zubinden oder Kaffee kochen. Das Filmmaterial hilft US-Unternehmen dabei, Roboter und Assistenten weiterzuentwickeln, die durch Zuschauen lernen. Die Bezahlung ist niedrig, der Einsatz für die globale KI-Entwicklung ist hoch.

Ein paar Cent für menschenähnliche Daten verdienen

Für eine typische Heimaufgabe verdienen Arbeiter etwa 2,40 US-Dollar pro Stunde, indem sie Aufnahmen aus der ersten Person machen, die genau zeigen, wie sich die Hände bei einer Hausarbeit bewegen. Dies wird als egozentrisches Video bezeichnet und wird geschätzt, weil es Absicht, Bewegung und Umgebung in einem Stream abbildet. Die Clips lehren Nachahmung, was von entscheidender Bedeutung ist, wenn von Robotern erwartet wird, dass sie Wäsche falten oder Lebensmittel zubereiten, ohne sie Schritt für Schritt zu programmieren.

Das Geschäft der KI-Annotation

Ein Knotenpunkt in dieser Lieferkette ist Objectways, ein von Ravi Shankar gegründetes Datenkennzeichnungsunternehmen, das eng mit US-amerikanischen Technologiekunden zusammenarbeitet. Mitarbeiter filmen Hunderte von Mikroaufgaben in inszenierten Häusern und Fabrikmodellen, dann kommentieren Kollegen die Einzelbilder in maschinenlesbare Schritte. Nach Angaben des Unternehmens fließen die Ergebnisse in Teams ein, die auf großen Plattformen, darunter Firmen wie Amazon, Haushaltsroboter und Lagersysteme bauen.

Die wirtschaftlichen Aspekte sind schwer zu ignorieren. Das Training humanoider und mobiler Roboter erfordert Berge an sauberen, realen Verhaltensdaten. Das befeuert einen Dienstleistungsmarkt, den die Wall Street genau verfolgt. Laut Goldman Sachs könnten die Ausgaben für humanoide Roboter bis 2035 38 Milliarden US-Dollar übersteigen, vorausgesetzt, die Hardwarekosten sinken und die Allzweckmodelle werden weiter verbessert.

Herausforderungen und ethische Fragen

Diese Arbeit wirft heikle Fragen auf, die den Daten bis zum Silicon Valley folgen. Datenschutz steht an erster Stelle, da die Aufnahmen häufig aus Küchen, Wohnzimmern und Fabrikhallen stammen. Manche Arbeitnehmer vermeiden es ganz, Schlafzimmer oder Familienmitglieder zu filmen. Andere wollen klare Regeln zur Aufbewahrung, Lizenzierung und zur Frage, ob ihre Inhalte ohne laufende Vergütung in zukünftige kommerzielle Modelle eingespeist werden.

Es geht auch um die Frage der Lohngerechtigkeit. Der Abstand zwischen einem Roboter, der auf billige Arbeitskräfte trainiert wird, und einem Premiumprodukt, das in den USA verkauft wird, fordert von politischen Entscheidungsträgern und Kunden zur genauen Prüfung auf. Sollten Datensätze, die margenstarke Robotik ermöglichen, den Mitwirkenden höhere Löhne einbringen? Die Frage überschattet den KI-Boom, ähnlich wie es vor einem Jahrzehnt die Debatten um Mitfahrgelegenheiten und Moderation von Inhalten taten.

Dennoch treibt die Größenordnung den Markt immer weiter voran. US-Teams benötigen unterschiedliche Hände, Beleuchtung und Umgebungen, um spröde Modelle zu vermeiden. Vorerst laufen die Kameras weiter, eine Mangoscheibe und eine Handtuchfalte nach der anderen, und verwandeln alltägliche Gesten in den nächsten Trainingssatz für Maschinen, die lernen wollen, wie wir leben und arbeiten.