Firmy AI zrywają z darmowymi danymi z sieci. Teraz płacą artystom, kucharzom i budowlańcom za noszenie kamer GoPro. Cel? Stworzenie unikalnych danych treningowych.
W skrócie:
- Firma Turing zatrudnia freelancerów, w tym artystów, do nagrywania codziennych czynności z perspektywy pierwszej osoby, aby uczyć swoje modele wizyjne rozumowania i rozwiązywania problemów.
- Przedsiębiorstwa takie jak Fyxer stawiają na jakość, a nie ilość danych – do trenowania AI sortującej e‑maile zatrudniono doświadczonych asystentów zarządu, a nie tylko inżynierów.
- Posiadanie unikalnego, wysokiej jakości zbioru danych staje się kluczową przewagą konkurencyjną, swoistą “fosą”, która chroni firmy przed rywalami korzystającymi z modeli open source.
Przez tydzień artystka o imieniu Taylor i jej współlokatorka nosiły na czołach kamery GoPro. Malowały, rzeźbiły, sprzątały. Każdy ruch był starannie synchronizowany, aby system AI otrzymał materiał z wielu perspektyw jednocześnie. Praca była wyczerpująca i, jak przyznaje Taylor, często kończyła się bólem głowy i czerwonym kwadratem odciśniętym na skórze. Ale była też dobrze płatna i pozwalała jej spędzać większość dnia na tworzeniu sztuki. To nie jest scena z serialu science fiction. To nowa rzeczywistość w świecie treningu sztucznej inteligencji.
Taylor pracowała jako freelancerka dla Turing, firmy AI, która postanowiła pójść pod prąd. Zamiast zasysać miliardy ogólnodostępnych zdjęć z internetu, Turing płaci ludziom – artystom, kucharzom, elektrykom, pracownikom budowlanym – za dokumentowanie ich pracy. Celem nie jest nauczenie AI malowania obrazów olejnych, ale czegoś znacznie bardziej fundamentalnego: zdolności do sekwencyjnego rozwiązywania problemów i rozumowania wizualnego. To cicha rewolucja, która dzieje się z dala od świateł reflektorów, a jej stawką jest przyszłość inteligentnych maszyn.
Dlaczego GoPro na głowie artystki to przyszłość AI?
Tradycyjne modele językowe uczą się na tekście. Model wizyjny Turinga ma być trenowany wyłącznie na materiale wideo, a większość z niego firma zbiera samodzielnie. Dlaczego? Ponieważ dane z sieci, choć obfite, są chaotyczne, pełne uprzedzeń i często pozbawione kontekstu. Sudarshan Sivaraman, Chief AGI Officer w Turing, tłumaczy w rozmowie z TechCrunch, że ręczne zbieranie danych to jedyny sposób na uzyskanie wystarczająco zróżnicowanego i jakościowego zbioru. “Robimy to dla tak wielu różnych rodzajów pracy fizycznej, aby mieć różnorodność danych w fazie wstępnego treningu” – wyjaśnia. “Gdy zbierzemy te wszystkie informacje, modele będą w stanie zrozumieć, jak wykonuje się określone zadanie”.
To zmiana paradygmatu. Era, w której potęga AI zależała głównie od mocy obliczeniowej i wielkości zbioru danych, powoli dobiega końca. Teraz na pierwszy plan wysuwa się jakość i unikalność informacji, na których uczy się model. To już nie wyścig na terabajty, a na precyzję.
Jakość ponad ilość, czyli jak wytrenować mądrego asystenta?
Przykład Turinga nie jest odosobniony. Firma Fyxer, która tworzy modele AI do sortowania e‑maili i przygotowywania odpowiedzi, doszła do podobnych wniosków. Jej założyciel, Richard Hollingsworth, szybko odkrył, że najlepsze rezultaty dają małe, wyspecjalizowane modele, trenowane na niezwykle precyzyjnych danych. W praktyce oznaczało to dość niekonwencjonalne decyzje personalne. We wczesnej fazie projektu w Fyxer pracowało więcej doświadczonych asystentów zarządu niż inżynierów. To oni dostarczali bezcennej wiedzy, ucząc AI, które wiadomości wymagają natychmiastowej odpowiedzi, a które można zignorować. To był problem ludzki, a nie czysto techniczny.
Hollingsworth dosadnie podsumowuje tę filozofię: “Zrozumieliśmy, że to jakość danych, a nie ich ilość, tak naprawdę definiuje wydajność”. To zdanie powinno zawisnąć nad biurkiem każdego, kto pracuje dziś z AI. Nawet w przypadku danych syntetycznych – które w Turingu stanowią 75 – 80% materiału treningowego – jakość pierwotnego, ludzkiego materiału jest absolutnie kluczowa. Jak mówi Sivaraman: “Jeśli dane do wstępnego treningu nie są dobrej jakości, to cokolwiek zrobisz z danymi syntetycznymi, również nie będzie dobrej jakości”. Śmieci na wejściu, śmieci na wyjściu. Ta zasada w AI jest brutalnie niezmienna.
Czy unikalne dane to nowa “fosa” w biznesie AI?
Za tym zwrotem w stronę jakości kryje się bezwzględna logika biznesowa. Własny, starannie wyselekcjonowany zbiór danych staje się najlepszą fosą chroniącą firmę przed konkurencją. Każdy może dziś pobrać model open source i zintegrować go ze swoim produktem. Ale nie każdy jest w stanie znaleźć ekspertów i zbudować proces pozyskiwania unikalnych danych, które sprawią, że model stanie się naprawdę użyteczny i skuteczny. To właśnie ta żmudna, ludzka praca staje się największą barierą wejścia i najcenniejszym aktywem.
Hollingsworth nie ma co do tego wątpliwości. “Wierzymy, że najlepszym sposobem jest droga przez dane. Przez budowanie niestandardowych modeli, przez wysokiej jakości trening danych prowadzony przez człowieka”. Wygląda na to, że w najbardziej zaawansowanej technologii XXI wieku znów wracamy do źródła: do ludzkiego doświadczenia, wiedzy i… cierpliwości. Nawet jeśli wymaga to noszenia kamery na czole przez siedem godzin dziennie.