DoorDash ha lanciato una nuova applicazione chiamata Tasks, separata dal suo servizio principale di consegna di cibo. L’app, come riportato da Wired, è progettata per raccogliere dati video da esseri umani, dati che verranno utilizzati per migliorare modelli di intelligenza artificiale generativa e robot umanoidi. Secondo il comunicato stampa dell’azienda, questi dati aiutano i sistemi di AI e robotici a comprendere il mondo fisico. Il funzionamento prevede che gli utenti, dopo essersi registrati come “dasher”, completino micro-attività retribuite, spesso registrando video delle proprie mani mentre svolgono compiti specifici. La remunerazione è indicata in anticipo e determinata in base allo sforzo e alla complessità dell’attività. All’avvio, l’app non è disponibile per residenti in California, New York City, Seattle e Colorado, mentre è stata testata in stati come il Kansas. L’onboarding iniziale include un compito semplice, come spostare oggetti su un tavolo, per il quale l’utente riceve un supporto fisico per smartphone per le registrazioni successive.
L’impatto principale di questa iniziativa si rivolge agli sviluppatori di modelli di computer vision e di sistemi robotici. La disponibilità di dataset video ampi e diversificati, che mostrano azioni umane in contesti reali, è un fattore critico per l’addestramento di algoritmi di intelligenza artificiale. Attività come piegare il bucato, caricare una lavastoviglie o friggere un uovo, se catturate da migliaia di angolazioni diverse, possono insegnare a un sistema robotico come manipolare oggetti e interagire con l’ambiente. Le categorie di compiti attualmente disponibili nell’app Tasks includono faccende domestiche, piccoli lavori manuali, preparazione di cibo, navigazione in luoghi e conversazioni in lingue straniere. Questo fornisce un flusso strutturato di dati per settori come la robotica di servizio, l’automazione domestica e i modelli linguistici multimodali.
La fonte originale evidenzia diversi limiti e criticità. Il modello di micro-lavoro solleva questioni sulla qualità e la consistenza dei dati raccolti, poiché dipende dalla diligenza e dalle capacità di utenti non professionisti. La remunerazione, sebbene dichiarata come “equa” da DoorDash, non è specificata in dettaglio nell’articolo di Wired, lasciando aperte domande sulla sostenibilità economica per i lavoratori. Esistono rischi legati alla privacy, dato che i video potrebbero catturare involontariamente dettagli personali degli ambienti domestici degli utenti. Inoltre, la geolocalizzazione del servizio, con l’esclusione di alcuni stati americani, potrebbe essere legata a normative locali sul lavoro o sulla protezione dei dati, indicando una complessità normativa non risolta. La natura frammentata e ripetitiva dei compiti descritta dal tester di Wired suggerisce un’esperienza di lavoro potenzialmente alienante.
L’iniziativa di DoorDash si inserisce in un trend più ampio di outsourcing della raccolta dati di addestramento, noto come “data labeling” o “microwork”, ma lo estende dalla categorizzazione di immagini statiche alla cattura di azioni dinamiche. Questo approccio potrebbe diventare uno standard per accelerare lo sviluppo di robotica avanzata, riducendo la necessità di costose e complesse configurazioni di laboratorio. Lo sviluppo futuro plausibile include l’espansione delle categorie di compiti e l’integrazione di sensori aggiuntivi oltre alla videocamera dello smartphone. Resta aperta la questione di come bilanciare l’efficienza nella raccolta dati su larga scala con la tutela dei diritti dei lavoratori della gig economy e la garanzia della qualità del dataset. Per professionisti dell’AI, la domanda è se dataset generati in questo modo possano offrire un vantaggio competitivo sufficiente in termini di varietà e realismo, rispetto a metodi di simulazione o raccolta controllata.
Alessio Baronti
Consulente Strategico AI & Sviluppatore Web