Uber uruchomi pilotażowy program umożliwiający kierowcom i kurierom w Stanach Zjednoczonych na dodatkowy zarobek poprzez szkolenie modeli sztucznej inteligencji.
Tym sposobem Uber rzuca wyzwanie takim crowd-workingowym przedsięwzięciom, jak Scale AI czy Mechanical Turk. Platformy te szkolą modele AI na zlecenie firm. Ich pracownicy opisują i etykietują dane, co jest kluczowe w rozwoju modeli. Sam Uber wcześniej wykorzystywał niezależnych kontraktorów do szkolenia modeli AI w ramach procesów „human-in-the-loop”.
Człowiek podwykonawcą AI
“Mikrozadania”, które mają wykonywać kierowcy Ubera obejmują nagrywanie głosu, przechwytywanie i przesyłanie obrazów oraz przesyłanie dokumentów w określonych językach. Przykładowe monity to „prześlij zdjęcia samochodów” lub „nagraj się, mówiąc w swoim języku lub lokalnym dialekcie”. Inny przykład to przesłanie menu napisanego po hiszpańsku, za co kierowca może zarobić nawet dolara. Zakres zadań obejmuje nagrywanie mowy w ojczystych dialektach, przesyłanie dokumentów w różnych językach czy fotografie konkretnych obiektów. Przykładowe wynagrodzenia wahają się od 0,50 dolara za zadanie trwające 2-3 minuty do 4 dolarów za zadanie zajmujące 3-10 minut. Program testowany był wcześniej w Indiach i ma być rozszerzony w USA przed końcem 2025 roku.
Wprowadzenie tych zadań ma być według Uber sposobem na podwyższenie zarobków kierowców – “kontraktorów”, którzy opłacani są nisko, nie przysługują im tradycyjne świadczenia, takie jak płaca minimalna, nadgodziny czy ubezpieczenie zdrowotne a zarobki są bardzo zmienne. Program ma więc pozwolić kierowcom zarabiać podczas przestojów – na przykład przy ładowaniu samochodu elektrycznego lub w domu. Program ma być częścią szerszej strategii Ubera pozycjonowania się jako „najlepsza platforma do pracy elastycznej”.
Ludzkie ogniwo
Rynek anotacji i etykietowania danych jest kluczowym elementem rozwoju modeli AI, zwłaszcza w kontekście uczenia maszynowego i głębokiego uczenia. Proces dodawania metadanych (etykiet) do zbiorów danych umożliwia modelom AI lepsze rozumienie i interpretację danych. Istnieje wiele platform, takich jak wspomniany Amazon Mechanical Turk, CrowdFlower czy Appen, które łączą pracowników (anotatorów) z zadaniami etykietowania. Pracownicy ci często zarabiają na życie poprzez wykonywanie tych zadań, które mogą obejmować etykietowanie tekstów, obrazów, audio czy wideo.
Jednym z głównych wyzwań jest jakość etykiet, która może prowadzić do błędnych wyników modeli AI. Konieczna jest weryfikacja pracy anotatorów, aby zapewnić dokładność. Ponadto, proces etykietowania może być kosztowny, zwłaszcza dla dużych zbiorów danych.
Usługi anotacji i etykietowania znajdują zastosowanie w różnych dziedzinach, takich jak NLP (Natural Language Processing), Computer Vision czy analiza audio. Etykietowanie danych jest niezbędne do zadań takich jak klasyfikacja tekstów, rozpoznawanie obiektów na obrazach czy analiza sentymentu.
Rynek danych treningowych do szkolenia modeli AI rośnie szybko. Według Precedence Research, rynek treningowych zbiorów danych sztucznej inteligencji wyceniany był na 2,86 mld dolarów w 2024 roku i miał w 2025 r. wzrosnąć do 3,35 mld dolarów i przy prognozowanym średniorocznym wzroście 16,55% – do ponad 13 mld USD w 2034 roku. Inne szacunki są bardziej optymistyczne – raport Fortune Business Insights prognozuje wartość rynku na 17 mld USD do 2032 roku przy średniorocznym wzroście niemal 25%.
Rynek usług i rozwiązań do etykietowania danych (data labeling) wykazuje jeszcze wyższe prognozy. Precedence Research szacuje, że wzrośnie on z 22,46 mld USD w 2025 r. do około 119 mld USD w 2034. Mniej optymistyczne obliczenia przedstawił Mordor Intelligence, oceniając rynek na 1,9 mld w 2025 r. i prognozując jego wzrost do 5,46 mld USD w 2030 r. Z kolei Dimension Research szacuje rynek anotacji i etykietowania danych na 1,2 mld USD w 2024 oraz wzrost do 10,2 mld USD w 2034.
W przyszłości można spodziewać się rozwoju narzędzi do automatycznego etykietowania, co może zmniejszyć potrzebę pracy ludzkiej. Jednocześnie, wzrośnie zapotrzebowanie na specjalistów w niszowych dziedzinach, takich jak etykietowanie danych medycznych. Rosnąca świadomość etycznych aspektów pracy crowd-workingowej, np. płace czy warunki pracy, również będzie miała wpływ na rozwój tego rynku.
Crowd-working a gig-economy
Crowd-working dla AI jest ściśle powiązany z gig-economy, która charakteryzuje się krótkoterminowymi, elastycznymi formami zatrudnienia. Platformy crowd-workingowe oferują pracę na żądanie, czego zaletą ma być elastyczne zarządzanie czasem. Niskie bariery wejścia umożliwiają łatwy dostęp do rynku, ale jednocześnie niosą ze sobą wyzwania związane z niestabilnością zatrudnienia i niskimi zarobkami. Brak stabilności i świadczeń pracowniczych jest typowy dla gig-economy, co wpływa również na pracę anotatorów.
Jednocześnie rynek “gig economy” jest stale pod lupą organizacji zajmujących się ochroną praw pracowniczych. Raport Human Rights Watch z tego roku opisuje „pułapkę gigowej ekonomii” z algorytmiczną eksploatacją płacy i pracy. Pracownicy skarżą się na brak stabilności pracy, niespodziewane zawieszenia kont, a w niektórych przypadkach – jak w Kenii – całkowite wycofanie platformy z danego kraju bez ostrzeżenia.
