Træningsdata til robotter er det nye guld

Mecka AI er på vej mod en værdiansættelse på 500 millioner dollar med Sequoia som lead-investor. Ikke fordi de har bygget en bedre ChatGPT, men fordi de samler og organiserer træningsdata til robotter. Det er det signal vi skulle se efter: AI-kapløbet er ved at flytte sig fra skærmen og ud i den fysiske verden, og det kræver en helt anden slags indhold end tekstprompts og chatbot-svar.

Forskellen på at træne en sprogmodel og en robot er massiv. En sprogmodel kan lære af milliarder af tekstsider fra internettet. En robot skal se tusindvis af videoer af hvordan man griber en kop, åbner en dør eller navigerer på et gulv - og hver variation af belysning, vinkel og overflade er en ny læringsmulighed. Det materiale findes ikke bare derude. Det skal produceres, mærkes og struktureres manuelt, og det koster tid og kompetence.

For os der laver websites og digital produktion betyder det en ny type brief: ikke 'lav en intro-video til hjemmesiden', men 'vi skal filme 200 variationer af samme handling under forskellige forhold til at træne vores pakkerobot'. Det er produktionsledelse møder datavidenskab, og det kræver styr på metadata, versionering og kvalitetssikring på et niveau vi normalt forbeholder databaser.

Jeg ser det allerede i projekter hvor kunder begynder at spørge: 'Kan vi strukturere vores video-arkiv så det kan bruges til maskinlæring?' Svaret er oftest nej, fordi materialet er lavet til mennesker - ikke til at lære en algoritme hvordan verden fungerer. Men det kan ændres hvis vi fra starten tænker produktion som både kommunikation og træningsdata.

Det interessante er timing. Mens store sprogmodeller nærmer sig et plateau hvor mere data ikke giver markant bedre resultater, er robotdata stadig en flaskehals. Virksomheder der kan levere struktureret, varieret, high-quality footage af fysiske processer, har en forretningsmulighed der ikke fandtes for to år siden. Og vi kan allerede producere det - vi skal bare vide hvad der gør data brugbart for en træningsproces.

Når Sequoia investerer i infrastruktur til robotdata, er det et signal om at næste bølge af AI-projekter handler om at automatisere fysiske opgaver: lagerarbejde, kvalitetskontrol, monteringslinjer, hjemmeservice. Alle de ting kræver at robotter kan se, forstå og handle i uforudsigelige omgivelser. Det er ikke science fiction, det er produktionsopgaver der ligger foran os inden for få år.

For os der laver digitalt indhold er konklusionen klar: vi skal begynde at producere materiale der både kan bruges af mennesker og maskiner. Det betyder at tænke i strukturerede datasæt fra starten, at filme med metadata, og at forstå at næste generation af kunder ikke bare vil have en video - de vil have en træningsressource der kan skalere deres forretning. Det er ikke en trussel, det er en mulighed. Hvis vi kan levere det.