Gelombang Otak Manusia Jadi Kunci Baru Terobosan Kecerdasan Buatan FisikBagaimana gelombang otak manusia dan sinyal otot dapat merevolusi pelatihan robot humanoid? Mengupas riset terbaru Encord dan Zander Labs dalam mengatasi keterbatasan data dunia nyata untuk kecerdasan buatan fisik.

Poin Utama Berita Ini:

Poin Utama Berita Ini:

• Encord dan Zander Labs menguji penggunaan headset gelombang otak untuk melatih model kecerdasan buatan fisik di gudang San Leandro, California.
• Kelangkaan data pelatihan dunia nyata diidentifikasi sebagai hambatan utama dalam pengembangan robot humanoid dan otomatisasi gudang masa depan.
• Pemanfaatan sensor otot lengan dan pelabelan data padat dikembangkan untuk meningkatkan ketepatan motorik robot agar menyerupai kemampuan manusia.

Berdasarkan laporan yang dilansir dari Techcrunch, lanskap kecerdasan buatan fisik kini menghadapi tantangan besar yang berpusat di sebuah fasilitas gudang di San Leandro, California. Di tempat tersebut, sebuah perusahaan penyedia perangkat lunak pelatihan model bernama Encord sedang memimpin eksperimen radikal bersama para pilot robotiknya. Andrew Ceja, salah satu pilot robot di perusahaan tersebut, tampak sibuk mencabut balok-balok kayu dari sebuah menara Jenga yang goyah. Aktivitas yang terlihat sederhana ini sebenarnya menyimpan kompleksitas teknologi tingkat tinggi, karena Ceja mengenakan sebuah perangkat khusus berupa headset yang dilengkapi kamera pelacak pandangan serta sensor yang mengukur gelombang otaknya secara real-time saat ia membongkar menara tersebut.

Langkah progresif ini menyoroti pergeseran fokus industri robotika modern. Perusahaan-perusahaan teknologi kini menyadari bahwa hambatan terbesar dalam pengembangan robot humanoid bukanlah lagi terletak pada arsitektur model kecerdasan buatan itu sendiri, melainkan pada kelangkaan data pelatihan fisik dunia nyata yang sangat langka. Daripada sekadar membantu perusahaan lain mengelola data yang sudah ada, Encord memilih untuk membangun bisnis dengan memanufaktur data yang selama ini belum tersedia di pasaran. Kolaborasi bersama Zander Labs, sebuah startup ilmu saraf asal Jerman, menjadi landasan utama dalam upaya menerjemahkan aktivitas mental manusia ke dalam bentuk dataset yang dapat dipahami oleh mesin.

Headset pemantau gelombang otak yang dikenakan oleh para pilot dirancang untuk mendeteksi kondisi mental tertentu seperti tingkat kesalahan, niat, serta rasa terkejut. Lucas Gehrke, seorang neurosaintis dari Zander Labs yang mengawasi proyek ini, menjelaskan bahwa fluktuasi aktivitas otak manusia selama melakukan tugas tertentu memberikan petunjuk berharga. Informasi ini sangat berguna bagi para pengembang model kecerdasan buatan untuk menentukan kapan mereka perlu mengerahkan model komputasi dengan tingkat usaha tertinggi secara efisien. Pendekatan ini mewakili batas terdepan dari upaya memecahkan hambatan data robotika, seperti yang diungkapkan oleh Vineeth Velmurugan selaku Kepala Pembelajaran Robot di Encord.

Vineeth Velmurugan, seorang veteran dari laboratorium robot OpenAI dan perusahaan otomatisasi gudang Berkshire Grey, bergabung dengan Encord untuk membangun tim penciptaan data internal. Awalnya, Encord didirikan untuk membantu perusahaan yang membangun aplikasi visi komputer dalam menganotasi data dan mengevaluasi model. Namun, seiring dengan peralihan para pelanggan mereka menuju pembelajaran ujung ke ujung untuk tugas manipulasi robotik, para eksekutif menyadari bahwa mereka harus memproduksi data pelatihan sendiri. Menurut Velmurugan, data berkualitas tinggi yang dibutuhkan untuk melatih robot fisik secara praktis belum tersedia di industri saat ini, sehingga memaksa perusahaan untuk menciptakan metode pengumpulan data yang sama sekali baru.

Upaya untuk menduplikasi keberhasilan model bahasa besar dalam dunia robotika terus menemui hambatan mendasar. Perusahaan mobil otonom memang mengumpulkan data dunia nyata secara mandiri, tetapi proses tersebut sangat sulit untuk diskalakan ke berbagai sektor industri lainnya. Pelatihan berbasis video memang dapat membantu, namun format tersebut seringkali kehilangan tingkat ketelitian fisik yang hanya bisa didapatkan langsung dari interaksi dunia nyata. Velmurugan memperkirakan bahwa industri ini membutuhkan dataset yang ukurannya mencapai sekitar lima kali lipat dari seluruh korpus video YouTube agar dapat menciptakan terobosan yang signifikan, sebuah skala masif yang menjelaskan mengapa penciptaan data kini bertransformasi menjadi lini bisnis tersendiri.

Sumber Utama Data Egosentris dalam Pelatihan Robotik

Perusahaan yang merancang otak robot kini mengandalkan dua sumber utama untuk mendapatkan pasokan informasi yang memadai. Sumber pertama adalah video egosentris yang direkam oleh para pekerja menggunakan kamera yang dipasang di tubuh, seringkali diperkaya dengan berbagai sudut pandang tambahan serta metrik pendukung lainnya. Sumber kedua berasal dari data yang direkam langsung dari robot yang dioperasikan secara jarak jauh oleh operator manusia. Encord mengombinasikan kedua metode ini dengan menarik data egosentris dari berbagai fasilitas pabrik di seluruh dunia, sembari memanfaatkan fasilitas mereka di San Leandro untuk bereksperimen dengan modalitas baru seperti gelombang otak dan keterampilan spesifik.

Ketika TechCrunch mengunjungi fasilitas tersebut, para pilot terlihat menggunakan perangkat rig pemimpin-pengikut yang terdiri dari sepasang lengan robotik. Satu lengan dikendalikan langsung oleh operator manusia sementara lengan lainnya meniru setiap gerakan secara presisi guna menciptakan data untuk tugas-tugas rumit seperti menuangkan kopi dari teko ke dalam cangkir atau menumpuk kepingan poker. Velmurugan mencatat bahwa hampir setiap perusahaan pengembang robot humanoid secara konsisten meminta data dari jenis tugas manipulasi cairan dan benda kecil ini. Rak-rak penyimpanan di fasilitas tersebut dipenuhi oleh berbagai properti latihan seperti karton bunga palsu, buku, sayuran plastik, nampan kotoran kucing, hingga gulungan kabel yang merepresentasikan tantangan tugas rumah tangga.

Di salah satu stasiun kerja, pilot lain bernama Sofia Infante mengoperasikan lengan robotik untuk mencabut dan memasang kembali kabel ethernet di bagian belakang sebuah peladen komputer. Pekerjaan rumit semacam ini merupakan jenis aktivitas yang sangat diharapkan oleh para operator pusat data untuk dapat diotomatisasi sepenuhnya, asalkan robot memiliki tingkat presisi yang memadai. Namun, ketika mencoba mengoperasikan alat tersebut secara langsung, keterbatasan mekanis segera terlihat dengan jelas. Penjepit robotik terbukti jauh lebih sedikit ketrampilannya dibandingkan jari tangan manusia karena tidak memiliki derajat kebebasan yang kompleks seperti struktur anatomi lengan biologis.

Pengembangan Modalitas Sensor Otot untuk Pemetaan Tangan

Selain gelombang otak, Encord juga tengah mengembangkan modalitas data baru yang memanfaatkan sekumpulan sensor yang diikatkan pada lengan bawah untuk mendeteksi sinyal listrik dari otot manusia. Rekaman video dari tangan manusia yang sedang memanipulasi objek seringkali gagal menangkap seluruh detail posisi tangan secara menyeluruh. Melalui penggunaan sensor otot ini, Velmurugan berharap dapat membangun representasi tiga dimensi mengenai posisi tangan pada waktu tertentu, sehingga menghasilkan pemahaman yang jauh lebih kokoh bagi model kecerdasan buatan yang sedang dilatih.

Seluruh dataset yang dikumpulkan oleh Encord selalu disertai dengan anotasi deskripsi fisik yang merinci setiap tindakan dalam video, seperti instruksi spesifik berupa tindakan tangan kanan mengencangkan baut. Pendekatan anotasi yang sangat padat ini diyakini memiliki nilai seratus kali lipat lebih berharga dibandingkan data video biasa yang berkualitas rendah untuk melatih tugas-tugas spesifik. Meskipun biaya produksi untuk data jenis ini mencapai sekitar dua puluh kali lipat lebih mahal, investasi tersebut dinilai sepadan karena memberikan peningkatan performa yang signifikan pada model robotik yang dihasilkan.

Kendati demikian, biaya produksi yang jauh lebih tinggi tetap menjadi tantangan tersendiri dalam keekonomian kecerdasan buatan fisik. Pengambilan teks dari internet yang dilakukan oleh para pengembang model bahasa besar di masa lalu membutuhkan biaya yang hampir mendekati nol. Sebaliknya, pembuatan data pelatihan fisik tidak dapat diperoleh dengan cara yang sama karena harus diproduksi secara fisik melalui tenaga manusia dan perangkat sensor khusus. Perbedaan mendasar inilah yang mengubah lanskap ekonomi dan strategi bisnis dalam membangun model kecerdasan buatan di masa depan.

Tabel Perbandingan Metode Pengumpulan Data Pelatihan Robotik

Pandangan Industri dan Masa Depan Tenaga Kerja Robotik

Velmurugan mengamati bahwa kemajuan industri terus terjadi secara bertahap seiring dengan kemampuan perusahaan rintisan maupun laboratorium terdepan dalam memilah metode yang efektif untuk meningkatkan performa kecerdasan buatan fisik. Posisi strategis Encord yang berada di tengah berbagai perusahaan robotika memberikan keunggulan tersendiri dalam memetakan teknik pengumpulan data yang paling diminati oleh pasar sebelum diadopsi secara luas. Wawasan industri yang mendalam ini memperkuat posisi tawar perusahaan dalam menyediakan layanan kurasi data yang akurat bagi para pengembang teknologi global.

Aktivitas harian di fasilitas Encord menuntut keterlibatan para pilot yang menjadi bagian dari angkatan kerja baru dalam industri jaringan saraf tiruan. Sofia Infante dan Andrew Ceja sebelumnya memiliki latar belakang pekerjaan di perusahaan anotasi data lain bernama Scale sebelum akhirnya bergabung dengan Encord. Pengalaman kerja Ceja sebelumnya di sebuah perusahaan pengelolaan limbah, di mana ia bertanggung jawab merawat mesin penyortir sampah robotik, menumbuhkan ketertarikannya yang mendalam terhadap perkembangan teknologi otomasi modern.

Bagi para pekerja di garis depan pelatihan robot ini, tantangan harian dalam merakit data pelatihan memberikan kepuasan tersendiri yang dinamis. Ketika menara Jenga yang sedang dikerjakan kembali runtuh akibat tarikan balok yang terlalu longgar, Ceja menikmati proses pemecahan masalah yang terus berulang demi menyempurnakan kemampuan motorik robot. Pengalaman langsung dalam menghadapi variasi tugas baru setiap harinya mencerminkan dinamika pertumbuhan industri kecerdasan buatan fisik yang terus mencari formula terbaik untuk menjembatani kesenjangan antara dunia digital dan kemampuan fisik nyata.

Referensi Sumber: TechCrunch – Are brain waves the next unlock for physical AI?