O que são dados de treinamento de IA?

Como um modelo aprende com exemplos?

Pense numa pilha enorme de exemplos resolvidos. No começo, o modelo chuta mal. Durante o treinamento, ele compara as previsões com os exemplos, mede o erro e ajusta suas configurações internas para errar um pouco menos na rodada seguinte. O NIST, instituto de padrões e tecnologia dos Estados Unidos, define a etapa de treinamento como aquela em que o modelo aprende parâmetros que reduzem o erro com base nos dados de treinamento.

Esse processo se repete com muitos exemplos. Quem fornece parte deles pode fazer trabalhos bem diferentes; a página para coletores mostra um deles, a gravação de tarefas. Uma coisa é a pessoa que produz ou prepara os dados, outra é o modelo treinado com eles.

A definição de aprendizado de máquina do NIST trata a melhora da precisão como um objetivo. Nem todo treinamento dá um modelo que funciona bem em qualquer situação. Com exemplos restritos ou pouco claros, o modelo aprende menos, e por isso a escolha dos dados faz tanta diferença.

A mesma ideia vale para muito além dos chatbots. Tradução, reconhecimento de imagens e robótica também aprendem com dados. O artigo que apresentou o Transformer, arquitetura usada em modelos de linguagem, relata testes de análise de frases em inglês com quantidades grandes e limitadas de dados de treinamento.

Dados rotulados e não rotulados

A diferença está em cada exemplo vir ou não com uma resposta:

• Nos dados rotulados, uma foto recebe a marcação "gato" ou uma resposta é classificada como útil. No aprendizado supervisionado, segundo o NIST, o modelo aprende a prever rótulos ou resultados explícitos, muitas vezes gerados por pessoas. É daí que vem boa parte do trabalho de anotação.
• Os dados não rotulados chegam sem uma resposta manual para cada item. No aprendizado autossupervisionado, os rótulos são inferidos automaticamente dos dados de treinamento, e dá para aproveitar coleções grandes sem ninguém marcar exemplo por exemplo.
• Um projeto pode juntar as duas coisas: uma coleção grande sem rótulos e outra menor com marcações, de acordo com o método e a tarefa.

Uma IA treinada com dados não teve, necessariamente, cada arquivo rotulado à mão por alguém. O trabalho humano pode estar na coleta, na seleção, na avaliação ou nas marcações, em momentos diferentes do processo.

Tipos de dados usados no treinamento

Por que usar vídeo em primeira pessoa?

Um vídeo gravado do ponto de vista de quem faz a atividade mostra as mãos, as ferramentas e a ordem dos passos. Esse formato se chama vídeo em primeira pessoa ou egocêntrico, e a explicação sobre vídeo egocêntrico traz o termo com mais detalhes. Quando você vê a sequência inteira, fica mais fácil entender como uma ação leva à próxima.

Equipes de pesquisa já montaram coleções públicas desse material. O artigo do Ego4D descreve 3.670 horas de atividades do dia a dia, gravadas por 931 pessoas em 74 locais de 9 países. No estudo R3M, os vídeos humanos do Ego4D serviram para preparar uma representação visual voltada a tarefas de manipulação por robôs.

Vídeo humano é uma fonte entre várias e, sozinho, não vira uma habilidade pronta para o robô. Os guias sobre como robôs aprendem com vídeos humanos e pesquisas sobre aprendizado de robôs explicam o que esse uso permite e onde ele para.

Onde entra o trabalho das pessoas?

Os trabalhos com dados que aparecem em propostas costumam cair em três categorias:

• Na rotulagem ou anotação, você marca fotos, indica objetos num vídeo ou transcreve áudio para ligar informações aos exemplos.
• Na avaliação e na escrita, você compara respostas de IA, dá notas seguindo orientações ou escreve respostas de referência, geralmente no computador.
• Na gravação, você faz uma tarefa enquanto ela é registrada, como cozinhar com uma câmera na cabeça ou jogar com a tela e os comandos sendo capturados.

Cada atividade pede habilidades e um ambiente diferentes. Tem gente que conhece muito bem uma tarefa manual e não quer trabalhar com textos; outras pessoas preferem analisar respostas no computador. Veja a comparação entre coleta de dados e anotação e as orientações de gravação em primeira pessoa para entender a rotina de cada tipo.

Erros comuns e ideias equivocadas

• Achar que todo dado é rotulado por alguém. No aprendizado autossupervisionado, os rótulos saem dos próprios dados.
• Supor que mais dados sempre resolvem. Melhorar a precisão é um objetivo, e uma coleção limitada, mal marcada ou pouco documentada pode ensinar relações erradas.
• Imaginar que só especialistas técnicos participam. Na gravação, o centro do trabalho é conhecer a tarefa do dia a dia e seguir as instruções.
• Confiar em qualquer oferta que fale de IA. O nome também aparece em fraudes; leia como reconhecer golpes em trabalhos de treinamento de IA antes de se candidatar.

Como a TaskCapture participa desse processo

A TaskCapture coleta dados residenciais, comerciais e de jogos. Nos jogos, registramos a tela e cada comando de teclado, mouse ou controle em sincronia, sem câmera, voz, chat, nomes de jogadores ou dados do próprio jogo. A coleta é sob demanda: o comprador faz um pedido, encontramos coletores que fazem aquelas tarefas, eles gravam e o material vai para o comprador depois da análise. Os compradores só podem usar o material para desenvolver, treinar, avaliar e melhorar modelos de IA e aprendizado de máquina.

Não há taxa para se candidatar, e você não precisa saber programar nem ter conhecimento prévio de IA. A remuneração é de USD 5–15 por hora de vídeo aceito; depende do projeto e não é garantida. Os coletores trabalham como prestadores independentes sob o Contrato do Coletor de Dados, e a Política de Privacidade define as regras de consentimento. O guia de como funciona a gravação de tarefas explica o equipamento e o que você grava.

Perguntas frequentes