La mujer india que filma su rutina en la cocina para enseñar a un robot a hacer las tareas del hogar

Para que un robot con inteligencia artificial aprenda a moverse en una cocina o en un living, parte de su entrenamiento puede empezar con algo tan simple como una persona cortando verduras delante de una cámara. Los videos que miles de trabajadores como Divya envían desde India se convierten en ejemplos visuales que alimentan algoritmos de reconocimiento de acciones y manipulación de objetos. Son la materia prima con la que las máquinas aprenden a imitar, paso a paso, los movimientos de una mano humana.

Divya vive en el distrito de Karur, en el sur de India, y produce esos registros con un teléfono sujeto a la cabeza. Así, la cámara capta las tareas desde su propio punto de vista mientras trocea vegetales, limpia superficies o acomoda objetos. Después sube los videos a una plataforma que los emplea para entrenar sistemas de inteligencia artificial que equiparán a futuros robots de uso doméstico.

Cómo funciona el entrenamiento a partir de videos caseros

Cada cuadro grabado es, para el algoritmo, un dato equivalente a una palabra en una oración: la imagen muestra dónde están las manos, qué objeto se toma, con qué fuerza y en qué dirección se mueve. Piense en la diferencia entre memorizar una receta de memoria y cocinar junto a alguien que le muestra el gesto exacto con el cuchillo: el robot necesita ese "gesto exacto", repetido cientos de veces en condiciones ligeramente distintas, para entender cómo replicarlo cuando la mesa esté en otra posición o la verdura sea más dura.

La diferencia con un robot tradicional es clave. Una máquina industrial repite siempre la misma secuencia porque fue programada para eso, como un disco de música que suena igual en cada reproducción. Un robot entrenado con estos videos, en cambio, intenta reconocer patrones y adaptar su movimiento a lo que encuentra, parecido a alguien que aprendió a cocinar viendo a su madre y puede improvisar si falta un ingrediente.

• La cámara en la cabeza registra la escena tal como la ve quien ejecuta la tarea, igual que unos ojos extra que documentan cada movimiento.
• Los algoritmos procesan cuadro por cuadro para identificar manos, objetos y trayectorias, como si subrayaran los verbos de una oración visual.
• Con miles de ejemplos se entrena al robot para que, ante una situación nueva, elija por sí solo cómo actuar.
• La calidad del material se evalúa antes de aprobarlo: imágenes borrosas, mal encuadradas o con interrupciones se descartan, porque contaminarían el aprendizaje de la máquina.

Cuatro horas de filmación, dos de pago

El trabajo no es tan sencillo como parece y exige más tiempo del que llevaría hacer la tarea sin la cámara. Divya cuenta que una actividad que normalmente le toma 30 minutos, como cortar verduras, se le estira a una hora cuando tiene que grabarla. Y no todo lo filmado queda en pie: de cuatro horas de grabación en una jornada, apenas entre dos y dos horas y media superan los controles de calidad. El resto se descarta por encuadre, luz o interrupciones.

“Si normalmente me toma 30 minutos cortar verduras, este trabajo me toma una hora cuando tengo que grabarlo en video.”Divya, trabajadora de Karur, India

El pago, aunque modesto, le cambió la relación con su economía cotidiana. Divya relata que antes debía pedirle dinero a su esposo incluso para recargar saldo en el teléfono. Ahora puede hacerse cargo de esos gastos y de compras menores con lo que gana filmando. Para una mujer en una zona rural del sur de India, esa autonomía de bolsillo no es un detalle menor: es la diferencia entre depender de otro para un trámite básico y resolverlo sola.

Qué falta para que estos robots lleguen a todos los hogares

Aunque los videos ya entrenan prototipos en laboratorios, todavía quedan varios escalones antes de tener un robot confiable en la casa. Faltan modelos de hardware lo suficientemente económicos y seguros para convivir con personas, faltan baterías que duren lo que dura una jornada de limpieza, faltan marcos regulatorios que definan quién responde cuando una máquina se equivoca y, sobre todo, falta escala: se necesitan millones de horas de video bien etiquetadas para que el robot entienda la enorme variedad de cocinas, mesas, ollas y distribuciones que existen en los hogares del mundo. Mientras tanto, miles de mujeres como Divya siguen siendo, sin saberlo, maestras de primera infancia de los robots del futuro.