Controlul datelor de către startup-urile de inteligență artificială
În vara aceasta, Taylor și colega ei de apartament au purtat camere GoPro montate pe frunte timp de o săptămână, în timp ce desfășurau activități precum pictura, sculptura și treburile gospodărești. Scopul era să antreneze un model de viziune AI, sincronizând cu atenție filmările pentru a oferi unghiuri multiple asupra aceluiași comportament. Deși munca a fost dificilă, au fost bine plătite pentru aceasta, permițându-i lui Taylor să își petreacă cea mai mare parte a zilei realizând artă.
„Ne trezeam, ne desfășuram rutina obișnuită și apoi ne puneam camerele pe frunte și sincronizam orele împreună,” a declarat Taylor. „Apoi ne pregăteam micul dejun și spălam vasele. Apoi ne luam fiecare calea și ne apucam de artă.”
Deși au fost angajate pentru a produce cinci ore de filmare sincronizată pe zi, Taylor a realizat rapid că trebuie să aloce șapte ore zilnic pentru a avea timp suficient pentru pauze și recuperare fizică. „Te făcea să ai dureri de cap,” a spus ea. „Îți dădeai jos camera și aveai un pătrat roșu pe frunte.”
Obiectivele Turing Labs
Taylor, care a cerut să nu-i fie divulgat numele de familie, lucra ca freelancer în date pentru Turing Labs, o companie de AI care a conectat-o cu TechCrunch. Scopul Turing nu era să învețe AI-ul să facă picturi în ulei, ci să dezvolte abilități mai abstracte legate de rezolvarea secvențială a problemelor și raționamentul vizual. Spre deosebire de un model mare de limbaj, modelul de viziune al Turing ar fi fost antrenat complet pe baza unor videoclipuri, majoritatea fiind colectate direct de Turing.
Alături de artiști precum Taylor, Turing colaborează cu bucătari, muncitori în construcții și electricieni, oricine care lucrează cu mâinile. Sudarshan Sivaraman, Chief AGI Officer al Turing, a declarat că această colectare manuală este singura modalitate de a obține un set de date suficient de variat.
Schimbarea în gestionarea datelor de către companiile AI
Munca Turing în modelele de viziune face parte dintr-o schimbare în creștere în modul în care companiile AI gestionează datele. În trecut, seturile de antrenament erau adesea colectate gratuit de pe internet sau de la analiști plătiți prost, iar acum companiile plătesc sume considerabile pentru datele atent curate.
Cu puterea brută a AI deja stabilită, companiile caută datele de antrenament proprietare ca pe un avantaj competitiv. În loc să externalizeze sarcina către contractori, acestea își asumă adesea munca de colectare a datelor.
Fyxer, o companie de email care folosește modele AI pentru a sorta emailurile și a redacta răspunsuri, este un exemplu. După câteva experimente inițiale, fondatorul Richard Hollingsworth a descoperit că cea mai bună abordare era utilizarea unei serii de modele mici cu date de antrenament foarte concentrate.
Calitatea datelor ca avantaj competitiv
Hollingsworth a realizat că calitatea datelor, nu cantitatea, definește cu adevărat performanța. Aceasta a dus la alegeri neobișnuite de personal. În primele zile, inginerii și managerii Fyxer erau uneori depășiți de patru ori de asistenții executivi necesari pentru a antrena modelul.
„Am folosit mulți asistenți executivi experimentați, deoarece aveam nevoie să ne antrenăm pe fundamentele de a decide dacă un email trebuie să primească un răspuns,” a explicat el. „Este o problemă foarte orientată pe oameni. Găsirea oamenilor excelenți este foarte dificilă.”
Deși ritmul de colectare a datelor nu a încetinit, în timp, Hollingsworth a devenit mai prețios în ceea ce privește seturile de date, preferând seturi mai mici de date atent curate în timpul post-antrenament. „Calitatea datelor, nu cantitatea, este ceea ce definește cu adevărat performanța,” a subliniat el.
Acest lucru este deosebit de adevărat atunci când se folosesc date sintetice, amplificând atât aria posibilelor scenarii de antrenament, cât și impactul oricăror defecte din setul de date original. Turing estimează că 75-80% din datele sale sunt sintetice, extrapolate din videoclipurile originale GoPro. Dar acest lucru face și mai important să mențină setul de date original de o calitate înaltă.
Consecințele colectării interne a datelor
Dincolo de preocupările legate de calitate, există o logică competitivă puternică în spatele menținerii colectării datelor interne. Pentru Fyxer, munca grea de colectare a datelor este unul dintre cele mai bune obstacole împotriva concurenței. „Credem că cea mai bună modalitate de a face acest lucru este prin date, prin construirea de modele personalizate, prin antrenarea de date de înaltă calitate, conduse de oameni,” a concluzionat Hollingsworth.
Acest trend de asumare a controlului asupra datelor de către startup-urile de inteligență artificială evidențiază importanța calității și a diversității datelor în dezvoltarea tehnologiilor AI, având implicații semnificative asupra competitivității și inovației în domeniu.
