O Verdadeiro Custo de Treinar Robôs

No primeira parte, discutimos como os robôs evoluem de mecânicos básicos para entender seu ambiente. Na etapa do “último milha” – quando os robôs passam por treinamento pós-treinamento para tarefas específicas e personalizadas – uma barreira inesperada surge. Está relacionada aos dados: coleta, organização e escalabilidade em condições do mundo real.

É exatamente nessa etapa que a lacuna entre conceito e implementação se torna mais aparente. Quais são os principais gargalos e como podem ser superados com o mínimo de atrito?

Por que milhares de horas de dados se tornam anos de trabalho

Vamos imaginar que já temos um robô treinado que passou por pré-treinamento. Ele pode navegar pelo seu entorno, se mover, evitar obstáculos e interagir com objetos. É como uma “criança de 10 anos” que é geralmente capaz de agir de forma independente. O próximo passo é ensinar a realizar ações específicas em condições específicas, por exemplo, instalar painéis de vidro e tiras de vedação em uma linha de produção automotiva.

À primeira vista, a tarefa parece mais simples. Envolve dominar um único cenário e o volume de dados necessário é significativamente menor do que durante o pré-treinamento. Enquanto o treinamento fundamental pode exigir centenas de milhares de horas, o pós-treinamento pode levar apenas milhares. Mas esses números são enganosos.

Quando traduzidos em tempo real, o processo revela sua verdadeira complexidade. Em um cronograma de trabalho padrão, uma pessoa trabalha cerca de 160 horas por mês. No entanto, isso não significa que todo esse tempo possa ser usado para gravação.

Na prática, ocorrem interrupções constantes: baterias se esgotam, câmeras se movem, sensores falham. Quanto mais complexo for o setup do equipamento, maior a probabilidade de problemas. Mesmo uma falha simples, como sensores em um luva parando de funcionar, pode interromper o processo e resultar em tempo perdido.

Como resultado, a velocidade real de coleta de dados é 2-3 vezes menor. Uma hora de gravação de alta qualidade pode exigir até três horas de trabalho real. Isso muda radicalmente o cálculo: 5.000 horas de dados se traduzem em cerca de 15.000 horas de trabalho.

Camadas sobre camadas de complexidade

Durante o pré-treinamento, pode ser suficiente dar a uma pessoa uma câmera e pedir que ela grave atividades do dia a dia. Nessa etapa, no entanto, é necessário ter acesso a um ambiente específico, como uma fábrica, um canteiro de obras ou uma instalação de produção especializada.

Isso introduz imediatamente restrições práticas. Por exemplo, em um canteiro de obras, os trabalhadores são obrigados a usar capacetes de segurança, o que significa que equipamentos especializados devem ser desenvolvidos: capacetes com câmeras integradas que sejam resistentes a poeira, umidade e impacto.

Em seguida, vem o acesso ao local em si. Acordos devem ser feitos com os proprietários do local, permissões obtidas e condições negociadas. Isso quase sempre envolve custos adicionais: as empresas esperam compensação e os trabalhadores esperam ser pagos por sua participação.

O seguro e a conformidade com a segurança também se tornam preocupações críticas. Se o equipamento não atende aos padrões exigidos, o seguro pode ser anulado, forçando o processo inteiro a ser reestruturado.

Até mesmo no nível de operações diárias, os desafios persistem. As câmeras devem ser ligadas, monitoradas e mantidas. Os trabalhadores operam em luvas e condições difíceis. O equipamento fica sujo, desgasta e quebra. Uma câmera pode desligar após alguns minutos e a pessoa pode nem sequer notar.

Isso cria a necessidade de os participantes se treinarem – eles devem entender como usar o equipamento. Além disso, é necessário supervisão contínua – alguém deve garantir que a gravação esteja em andamento e que os dispositivos estejam funcionando corretamente.

De vídeo bruto a dados de treinamento

Depois de gravar, a próxima etapa começa: coleta de dados, upload, estruturação, validação da qualidade e marcação.

Qualquer dado bruto consiste em vídeo e sinais de sensor. Para transformá-lo em material de treinamento, é necessário estruturá-lo: os objetos precisam ser identificados, as ações capturadas e os estados, movimentos e interações com o ambiente descritos. É aqui que a marcação entra em jogo. Uma pergunta lógica surge – qual é o padrão ouro para tal fluxo de trabalho de marcação?

Em alguns casos, caixas de delimitação simples são suficientes para identificar objetos em um quadro. Em outros, é necessário marcação temporal para descrever sequências de ações ao longo do tempo. Em certos cenários, pontos-chave e modelos esqueléticos são usados para capturar o movimento do corpo. Em casos mais complexos, malhas 3D ou rastreamento de pose de mão são necessários para representar com precisão a interação mecânica. Sensores adicionais, como acelerômetros, são frequentemente integrados para capturar a dinâmica do movimento e a força aplicada.

Projetos como esses também costumam exigir a ampliação da equipe. A marcação é uma tarefa grande e complexa em si, que exige tempo, especialização e recursos humanos substanciais. É aqui que os provedores de soluções de dados com equipes de marcação internas entram em jogo. Como a Keymakr, que se provou particularmente eficaz devido à sua capacidade de dimensionar equipes para atender a qualquer volume de dados, desde um único especialista até centenas de marcadores.

Ainda não há uma abordagem certa para o treinamento

A indústria ainda está em uma fase exploratória, pois não há consenso sobre qual combinação de dados produz os melhores resultados. Muitas abordagens são validadas empiricamente porque funcionam em experimentos específicos. Como resultado, diferentes equipes continuam a confiar em diferentes tecnologias, moldadas por sua própria experiência, tarefas e restrições.

Em níveis acadêmicos e aplicados, isso leva à fragmentação: laboratórios e empresas estão se movendo em direções diferentes. A situação lembra os primeiros dias da direção autônoma, quando a Tesla (TSLA ) apostou em uma abordagem baseada apenas na visão, sem LiDAR, enquanto a maioria dos outros jogadores escolheu o LiDAR como sensor principal.

Hoje, os sistemas baseados em LiDAR tendem a demonstrar um desempenho mais estável, mas a abordagem da Tesla continua a evoluir. A diferença é que, na direção autônoma, o mercado já amadureceu: arquiteturas estáveis surgiram, limitações são bem compreendidas e uma expertise significativa foi acumulada.

Em contraste, para a Inteligência Artificial Física e o treinamento de modelos semelhantes, esse nível de maturidade ainda não foi alcançado. O mercado ainda está se formando, padrões estão faltando e muito do progresso é impulsionado pela experimentação. Novos métodos para treinar modelos, melhorar a eficiência e adaptar-se a cenários do mundo real continuam a surgir, sugerindo que os principais avanços nesse campo ainda estão por vir.

O ser humano como um sistema de reforço

A marcação não existe isoladamente, nem apenas para o modelo. Serve como uma ferramenta para o engenheiro que constrói o modelo. Por meio dela, eles formalizam a realidade, identificam parâmetros-chave e definem as regras de comportamento do sistema.

A tarefa do engenheiro é ensinar o sistema a realizar ações corretamente em condições do mundo real. Por exemplo, um cenário básico pode consistir em quatro ações: pegar um copo, ligar a torneira, encher e desligar a torneira. Mas na realidade, uma desviação ocorre – o copo transborda.

Nesse momento, o modelo é esperado para completar o cenário e tomar ações adicionais: parar o fluxo de água, ajustar o nível de água e prevenir o transbordamento. Isso é lógica de comportamento baseada na compreensão contextual.

O engenheiro segue um ciclo: marca os dados, treina o modelo, testa. Se o sistema funciona, a hipótese é confirmada. Se não, a análise começa.

Em algum momento, pode ficar claro que o modelo está faltando um parâmetro importante, como o nível de enchimento do copo. Anteriormente, os dados podem ter incluído marcações para objetos (copo, torneira, alavanca) e ações (abertura, enchimento, fechamento), mas faltavam marcações para o estado, como o grau de plenitude.

Uma nova camada é então adicionada ao processo: marcação do nível de enchimento, seguida de formalização, por exemplo, definindo qualquer coisa acima de 85% como um estado crítico.

Isso leva à próxima iteração de treinamento. Você pode ter centenas de tais iterações.

Ninguém assume que o sistema funcionará corretamente de imediato. Pelo contrário, o processo é construído em torno de aproximações sucessivas: primeiro, uma versão de linha de base é criada; então é testada em condições reais ou próximas do real; lacunas são identificadas; e o sistema é refinado. É algo que discuto frequentemente com clientes na Introspector, com quem passamos pela jornada completa da Inteligência Artificial Física juntos.

Em um determinado ponto, o resultado desejado é alcançado. Mas seu valor não reside apenas no fato de o sistema começar a funcionar, mas na experiência acumulada que permite que esse resultado seja reproduzido de forma mais previsível.

A economia que todos esquecem

Nos últimos anos, notei que o maior erro que as empresas cometem ao trabalhar com dados egocêntricos tem pouco a ver com a tecnologia.

O problema central é, na verdade, a subestimação da economia do projeto.

Na fase de ideia, a tecnologia está no centro do palco – quais modelos usar, como treiná-los e quais abordagens aplicar. Você estuda, pesquisa, discute arquiteturas e testa hipóteses. Isso é natural: a tecnologia parece ser a parte mais tangível e óbvia do problema.

Mas muito menos frequentemente, as equipes perguntam uma pergunta direta e prática nessa etapa: quanto vai custar?

Quando um projeto passa da teoria para a implementação, torna-se claro que por trás de cada modelo estão dezenas de milhares de horas de dados. Coletar esses dados exige tempo, acesso a ambientes reais e a participação de especialistas. A marcação adiciona outra camada de complexidade e custo. Como resultado, os números finais são frequentemente ordens de magnitude maiores do que inicialmente esperado.

Isso não significa que tais projetos não devem ser perseguidos. Pelo contrário, são eles que impulsionam a indústria para frente.

Mas o que importa é entender a escala do desafio desde o início. Reconhecer que, no treinamento de modelos, por trás de cada algoritmo incrível, há um trabalho de dados complexo e intensivo em recursos.

Até mesmo ideias fortes falham em alcançar a implementação completa quando os custos de dados começam a subir bem acima de sete dígitos.

E talvez a mudança mais importante que está acontecendo na robótica hoje esteja ligada a essa realização. O futuro desses sistemas será definido por quão “inteligentes” eles são e por quão eficazmente e com precisão toda a pipeline de dados é construída – desde a coleta de dados até a interpretação final.