Mengapa Merekam Pekerjaan Rumah Bisa Latih Robot Humanoid Masa Depan

Impian menghadirkan robot humanoid di setiap rumah kini membuka jenis pekerjaan baru yang unik. Hanya dengan head strap, smartphone, dan daftar tugas rumah tangga, seseorang bisa ikut berkontribusi dalam pelatihan robot masa depan.

Data Egocentric: Kunci Pelatihan Robot Humanoid

Dengan kemajuan pesat kecerdasan buatan (AI), robot humanoid menjadi fokus utama dalam perlombaan teknologi canggih. Produsen robot terus meluncurkan model-model baru yang semakin lincah berjalan, menari, dan berinteraksi fisik.

Namun, robot serba guna yang dapat bekerja di toko, kantor, dan rumah membutuhkan data dalam jumlah besar agar dapat belajar melakukan tugas dengan aman dan efektif. Salah satu sumber data utama adalah rekaman orang melakukan pekerjaan rumah secara langsung dengan sudut pandang orang pertama, yang dikenal sebagai data egosentris atau human data.

Startup seperti Micro1 memanfaatkan peluang ini dengan merekrut ribuan pekerja kontrak di seluruh dunia untuk mengumpulkan dan memberi anotasi video aktivitas sehari-hari, mulai dari memasak, membersihkan, berkebun, hingga merawat hewan peliharaan.

"Industri seperti manufaktur, gudang, ritel, panti jompo, dan rumah sakit semua butuh data jenis ini karena gerakan di setiap lingkungan berbeda," ujar Arian Sadeghi, Wakil Presiden Data Robotik Micro1.

Para pekerja diberikan perangkat kamera yang dipasang di kepala, instruksi pengambilan gambar, dan daftar tugas yang harus mereka rekam. Mereka juga didorong untuk bereksperimen dengan jenis tugas yang direkam demi membantu robot beradaptasi dengan beragam situasi di masa depan.

Skala dan Tantangan Pengumpulan Data Robotik

Micro1 yang berbasis di Palo Alto, AS, memiliki sekitar 4.000 pekerja robotik di 71 negara, yang mengirim lebih dari 160.000 jam video setiap bulan. Namun, Sadeghi menyatakan jumlah itu masih jauh dari yang dibutuhkan, yaitu miliaran jam data untuk melatih robot bisa melakukan tugas rumah tangga dan interaksi manusia secara andal.

Mirip dengan bagaimana ChatGPT dilatih menggunakan ratusan miliar kata dari internet, robotik memerlukan data khusus yang jauh lebih kompleks dan belum tersedia secara luas. Ini menciptakan peluang bisnis bernilai miliaran dolar untuk perusahaan yang mengumpulkan dan memberi anotasi data video, yang diperkirakan akan tumbuh sekitar 30% tiap tahun hingga mencapai 10 miliar dolar pada 2030.

Ravi Rajalingam, pendiri Objectways, menggarisbawahi pentingnya variasi data dari berbagai budaya dan rumah tangga untuk memastikan robot bisa berfungsi di lingkungan lokal masing-masing. Misalnya, perbedaan alat kebersihan di dapur India dan AS sangat signifikan.

Metode Pelatihan Robot Terbaru

Tahun-tahun lalu, robot dilatih menggunakan remote control atau simulasi virtual, yang mahal dan kurang efektif terutama untuk interaksi fisik. Kini, merekam manusia melakukan tugas-tugas nyata menjadi metode yang lebih murah dan praktis.

"Dengan data, selalu ada pertukaran antara kualitas dan kuantitas," kata Alicia Veneziani, Wakil Presiden Ekspansi Pasar Sharpa, startup android di Singapura.

Di China, pemerintah mendukung pembangunan 60 pusat pelatihan robot dengan biaya besar. Namun, pelatihan berbasis data manusia dianggap sebagai solusi tengah yang hemat karena hanya membutuhkan perangkat rekam dan upah pekerja yang relatif rendah, antara 5 hingga 20 dolar per jam sesuai wilayah.

Selain China, Jepang dan Korea Selatan juga menjalankan model bisnis serupa dengan basis pekerja di Asia Tenggara untuk efisiensi biaya. Tesla bahkan mengembangkan pelatihan robot humanoid Optimus di fasilitasnya di California dan Texas.

Laporan dari Nvidia menunjukkan penambahan 20.000 jam video orang pertama meningkatkan keberhasilan tugas robot hingga lebih dari 50%, seperti menggulung kaos, menyortir kartu, membuka tutup botol, dan menggunakan jarum suntik.

Jalan Terakhir Menuju Automasi Rumah Tangga

Menurut Puneet Jindal, pendiri Labellerr AI, algoritma baru yang memungkinkan robot menerjemahkan isyarat visual menjadi aksi fisik muncul tiga tahun lalu seiring kemajuan model bahasa besar seperti ChatGPT. Ini memungkinkan robot mulai memahami dan beradaptasi di dunia nyata.

Namun, menurut peneliti robotika Rutav Shah dari Universitas Texas di Austin, tantangan terbesar adalah intuitif manusia terhadap gaya, gesekan, dan ketidakpastian yang sulit ditiru robot di lingkungan rumah yang sangat dinamis.

Sejauh ini, robot humanoid lebih banyak dipakai di lingkungan terkontrol seperti pabrik dengan tingkat keberhasilan 99,9%. Di rumah, keberhasilan tugas seperti melipat kaos masih sekitar 70-80%, belum cukup untuk penggunaan komersial yang aman dan efektif.

Rajalingam juga mengingatkan risiko keselamatan jika robot salah mengidentifikasi objek, misalnya membedakan boneka dengan bayi manusia yang tentu bisa berakibat fatal.

"Kalau robot mengambil bayi saya dan membuangnya ke tempat sampah, itu akan jadi tuntutan hukum berjuta dolar," ujarnya.

Meski demikian, pelatihan robot dengan objek hidup seperti anjing sudah mulai dilakukan sebagai langkah awal sebelum melibatkan bayi manusia.

Analisis Redaksi

Menurut pandangan redaksi, munculnya pekerjaan merekam tugas rumah untuk melatih robot humanoid menandai babak baru dalam revolusi automasi yang menggabungkan manusia dan mesin secara langsung. Ini bukan hanya soal teknologi, tapi juga menciptakan lapangan kerja baru yang fleksibel dan global.

Namun, tantangan besar masih ada pada kualitas data, keselamatan penggunaan robot di rumah, dan adaptasi budaya yang berbeda-beda. Kebutuhan akan miliaran jam video menunjukkan bahwa industri robotik masih dalam tahap awal dan akan terus berkembang pesat.

Ke depan, strategi pelatihan robot kemungkinan akan memadukan berbagai metode—dari simulasi virtual, data manusia langsung, hingga video daring yang diolah AI. Publik perlu mengikuti perkembangan ini karena robot humanoid akan menjadi bagian tak terpisahkan dari kehidupan sehari-hari, membawa perubahan sosial dan ekonomi yang luas.

Untuk informasi lebih lanjut tentang perkembangan robot humanoid dan pelatihan AI, Anda dapat membaca laporan lengkapnya di CNN.