Με τη βιομηχανία της τεχνητής νοημοσύνης και τα εργαστήρια ρομποτικής να βρίσκονται σε έναν αγώνα δρόμου για τη δημιουργία μηχανών που μπορούν να εκτελούν φυσικές εργασίες στον πραγματικό κόσμο, το μεγαλύτερο εμπόδιο (bottleneck) είναι η έλλειψη υψηλής ποιότητας εκπαιδευτικών δεδομένων από ανθρώπους που κάνουν καθημερινές δουλειές.
Αυτό ακριβώς το κενό έρχεται να καλύψει η Human Archive, μια startup με έδρα τη Silicon Valley, η οποία στοιχηματίζει ότι οι εργαζόμενοι της αναπτυσσόμενης gig οικονομίας της Ινδίας (όπως στις υπηρεσίες κατ’ οίκον και την παράδοση φαγητού) αποτελούν μια ανεκμετάλλευτη πηγή δεδομένων.
Για την υλοποίηση αυτού του οράματος, η εταιρεία ανακοίνωσε ότι άντλησε χρηματοδότηση ύψους 8,2 εκατομμυρίων δολαρίων. Στον γύρο συμμετείχαν κορυφαία funds όπως η Wing Venture Capital, η NVP Capital και το Y Combinator, καθώς και angel investors από εταιρείες-κολοσσούς όπως οι OpenAI, Nvidia, Google, Meta, Mercor, AfterQuery, BAIR, SAIL και ο Brad Boa.
Η ομάδα πίσω από την ιδέα
Η Human Archive ιδρύθηκε από τρεις φοιτητές του UC Berkeley και έναν του Stanford: τους Samay Maini, Rushil Agarwal, Shloke Patel και τον Raj Patel, ο οποίος έχει αναλάβει χρέη CEO (ο Shloke και ο Raj είναι ξαδέρφια). Και οι τέσσερις έχουν ισχυρό ερευνητικό υπόβαθρο που εκτείνεται στη ρομποτική, το hardware και τα δεδομένα αφής (tactile data).
Η εταιρεία συνεργάζεται με επιχειρήσεις στους τομείς των οικιακών υπηρεσιών, των ξενοδοχείων και των εστιατορίων. Αυτή τη στιγμή, διαθέτει περισσότερα από 1.000 ενεργά headsets αναπτυγμένα σε πολλαπλές τοποθεσίες.
Οι εργαζόμενοι φορούν ειδικά καπέλα με κάμερες για να συλλέγουν δεδομένα πρώτου προσώπου (egocentric video data) κατά την εκτέλεση καθημερινών εργασιών. Πώς πείθονται όμως οι πελάτες; Η Human Archive συνεργάζεται με μικρότερες startups προσφέροντας εκπτωτικές υπηρεσίες. Όταν ο εργαζόμενος φτάνει στο σπίτι, ο καταναλωτής έχει δύο επιλογές μέσω της εφαρμογής:
- Να πληρώσει μειωμένη τιμή με αντάλλαγμα τη συγκατάθεσή του για τη συλλογή δεδομένων.
- Να πληρώσει την πλήρη τιμή για μια επίσκεψη χωρίς καταγραφή.
Το τεχνολογικό πλεονέκτημα και το custom hardware
Σε αντίθεση με άλλες εταιρείες που συλλέγουν δεδομένα (ακόμα και από εργοστάσια), η Human Archive δεν αρκείται στο βίντεο. Η διαφοροποίησή της έγκειται στον συνδυασμό δεδομένων:
- Χρήση γαντιών αφής (tactile gloves) και στολών καταγραφής κίνησης ολόκληρου του σώματος.
- Κάμερες καρπού και στήθους.
- Συγχρονισμός δεδομένων κίνησης και δύναμης αφής σε πραγματικό χρόνο με πληροφορίες RGB-D (έγχρωμη εικόνα συνδυασμένη με πληροφορίες βάθους).
Οι απορρίψεις και οι αντιπαραθέσεις
Παρά την επιτυχία της χρηματοδότησης, η πορεία δεν ήταν χωρίς εμπόδια. Η Human Archive απορρίφθηκε από μεγάλους παίκτες των οικιακών υπηρεσιών στην Ινδία, όπως η Pronto και η Urban Company.
Η σύγκρουση πήρε δημόσιες διαστάσεις: Ο CEO της Urban Company, Abhiraj Singh Bhal, δήλωσε στο X (πρώην Twitter) ότι η εταιρεία του δεν θα συμμετείχε σε τέτοιες συμφωνίες. Ο Patel απάντησε ότι η Urban Company σύντομα θα αναγκαστεί να αναθεωρήσει, αλλιώς θα χάσει την πελατεία της. Ακόμα πιο αιχμηρός ήταν ο συνιδρυτής Rushil Agarwal, ο οποίος υποστήριξε ότι η ιδρύτρια της Pronto, Anjali Sardana, τον γέλασε και τον αποκάλεσε “ανόητο” (stupid) όταν της πρότεινε συνεργασία. Η Pronto επιβεβαίωσε τις συζητήσεις, αρνήθηκε όμως τον χαρακτηρισμό.
Η βιντεοσκόπηση μέσα στα σπίτια εγείρει ερωτήματα για την ιδιωτικότητα. Η Human Archive τονίζει ότι τα εμπορικά της συμβόλαια συμμορφώνονται με τον νόμο DPDP της Ινδίας (Digital Personal Data Protection), ότι υπάρχει ρητή συγκατάθεση για τον σκοπό της συλλογής, και πως όλα τα δεδομένα ανωνυμοποιούνται και τα πρόσωπα θολώνονται. Ωστόσο, το Υπουργείο Ηλεκτρονικής και Πληροφορικής της Ινδίας φέρεται να εξετάζει τις πρακτικές του κλάδου ευρύτερα.
Με το βλέμμα στο μέλλον, η Human Archive δεν περιορίζεται στην Ινδία. Ήδη επεκτείνεται στη Νοτιοανατολική Ασία και τις ΗΠΑ, ενώ βρίσκεται σε αρχικό πιλοτικό στάδιο η προσφορά υπηρεσιών καθαρισμού ή μαγειρικής στις ΗΠΑ με αντάλλαγμα τη συλλογή δεδομένων. Παράλληλα, σχεδιάζει μια πλατφόρμα όπου οποιοσδήποτε θα μπορεί να συλλέγει δεδομένα και να κερδίζει χρήματα, στοχεύοντας να γίνει ο απόλυτος τροφοδότης της φυσικής τεχνητής νοημοσύνης (Physical AI).
