ભારત રોબોટિક્સ રેસમાં ડેટા હબ બન્યું: Physical AI નો નવો ટ્રેન્ડ અને તેના જોખમો

ભારતમાં સ્ટાર્ટઅપ્સ માનવ કાર્યોના ફર્સ્ટ-પર્સન વીડિયો ડેટા એકત્રિત કરી રહ્યા છે, જે રોબોટ્સને તાલીમ આપવા માટે વપરાશે. આ દેશને નવા 'Physical AI' ટ્રેન્ડમાં મહત્વપૂર્ણ સ્થાન અપાવે છે, પરંતુ ગોપનીયતા, કામદારની સંમતિ અને નિયમનકારી પાલનના ગંભીર જોખમો પણ ઉભા કરે છે.

શું થયું?

AI સ્ટાર્ટઅપ્સની એક નવી લહેર ભારતમાં "ડેટા ફેક્ટરીઓ" બનાવી રહી છે, જે "એગોસેન્ટ્રિક" અથવા ફર્સ્ટ-પર્સન ડેટા એકત્રિત કરવા પર ધ્યાન કેન્દ્રિત કરી રહી છે. આ કંપનીઓ ગિગ વર્કર્સની ભરતી કરી રહી છે અને ફેક્ટરીઓ, હોટેલો અને ઘરો સાથે મળીને રોજિંદા પ્રવૃત્તિઓ - જેમ કે રસોઈ, સફાઈ, કપડાં સિલાઈ અને ઈન્વેન્ટરી સોર્ટિંગ - ને વેરેબલ કેમેરા અથવા હેડ-માઉન્ટેડ ઉપકરણોનો ઉપયોગ કરીને રેકોર્ડ કરાવી રહી છે.

આનો હેતુ આધુનિક AI માં એક મૂળભૂત સમસ્યાનું સમાધાન કરવાનો છે. જ્યારે Large Language Models (LLMs) ને ઈન્ટરનેટ પર ઉપલબ્ધ વિશાળ ટેક્સ્ટ ડેટા પર તાલીમ આપવામાં આવી હતી, ત્યારે ફિઝિકલ રોબોટ્સ ફક્ત ટેક્સ્ટમાંથી શીખી શકતા નથી. તેમને ઉચ્ચ-ગુણવત્તાવાળા ડેટાની જરૂર છે જે દર્શાવે છે કે મનુષ્યો અસ્તવ્યસ્ત, અસંગઠિત વાસ્તવિક દુનિયા સાથે કેવી રીતે સંપર્ક કરે છે. Neocambrian AI, Humyn Labs અને Human Archive જેવી સ્ટાર્ટઅપ્સ આ વર્તણૂકીય ડેટાના વિશાળ ભંડાર બનાવીને રોબોટ્સ અને AI સિસ્ટમને તાલીમ આપવાના અંતરને ભરવાનું લક્ષ્ય ધરાવે છે.

રોકાણકારો માટે આ શા માટે મહત્વપૂર્ણ છે?

આ વિકાસ વૈશ્વિક AI સપ્લાય ચેઇનમાં એક ફેરફાર દર્શાવે છે, જે સ્ટાન્ડર્ડ ડિજિટલ ડેટા એનોટેશનથી "Physical AI" ના વિશિષ્ટ ક્ષેત્ર તરફ આગળ વધી રહ્યું છે. ટેકનોલોજી ક્ષેત્રને ટ્રેક કરતા રોકાણકારોએ નોંધ લેવી જોઈએ કે આ ડેટાની માંગ વૈશ્વિક સ્તરે અગ્રણી રોબોટિક્સ ફર્મ્સ પાસેથી આવી રહી છે. બિઝનેસ મોડેલમાં માનવ હિલચાલના રેકોર્ડિંગની પ્રક્રિયાને ઔદ્યોગિક બનાવવાનો સમાવેશ થાય છે, જે કંપનીઓને આશા છે કે હ્યુમનોઇડ રોબોટ્સ અને ઓટોનોમસ મશીનો માટે સ્ટાન્ડર્ડ તાલીમ સામગ્રી બનશે.

ભારતીય બજાર માટે, આ એક ઉભરતી જગ્યા બનાવે છે. ભારત તેની મોટી કાર્યબળ, વૈવિધ્યસભર વાસ્તવિક-વિશ્વના વાતાવરણ અને મેનેજ્ડ સેવાઓમાં તેના અનુભવને કારણે લક્ષ્યાંકિત થઈ રહ્યું છે. જો મોડેલ સ્કેલ થાય, તો તે ભારતની વૈશ્વિક બેક-ઓફિસ હબ તરીકેની ભૂમિકાને આગામી પેઢીના રોબોટિક્સ માટે વિશિષ્ટ ડેટા-ઇન્ફ્રાસ્ટ્રક્ચર પ્રદાતા તરીકે વિસ્તૃત કરી શકે છે.

રોકાણકારો આને કેવી રીતે વાંચી શકે?

જ્યારે ટેકનોલોજીકલ સંભાવના ઊંચી છે, ત્યારે આ પરંપરાગત IT સેવાઓનો દાવ નથી. આ ક્ષેત્ર હાલમાં પ્રાઇવેટ સ્ટાર્ટઅપ્સ અને પ્રારંભિક-તબક્કાની કંપનીઓ દ્વારા પ્રભુત્વ ધરાવે છે. બિઝનેસ મોડેલ અનન્ય પડકારોનો સામનો કરે છે જે તેની લાંબા ગાળાની શક્યતાને અસર કરી શકે છે. વ્યાપક ટેકનોલોજી અને AI ક્ષેત્ર પર નજર રાખનારા રોકાણકારોએ જોવું જોઈએ કે આ કંપનીઓ ફિઝિકલ ડેટા કલેક્શનના ઊંચા ઓપરેશનલ ખર્ચને કેવી રીતે સંચાલિત કરે છે, જેમાં હાર્ડવેર, સ્ટોરેજ અને મોટા ડિસ્ટ્રિબ્યુટેડ કાર્યબળની જરૂર પડે છે.

ગોપનીયતા અને નિયમનકારી જોખમ

આ ઉદ્યોગ માટે સૌથી મોટો અવરોધ ગોપનીયતાનો વિરોધ છે. તાજેતરની ઘટનાઓ, જેમ કે ઘરગથ્થુ સેવાઓ પૂરી પાડતી સ્ટાર્ટઅપ સામે ઘરની અંદર રેકોર્ડિંગ કરવા બદલ જાહેર તપાસનો સામનો કરવો પડ્યો હતો, તે આ કાર્યની તીવ્ર સંવેદનશીલતાને પ્રકાશિત કરે છે. સ્પષ્ટ, જાણકાર સંમતિ વિના ખાનગી, વ્યક્તિગત જગ્યાઓમાં રેકોર્ડિંગ નિયમનકારો અને જનતાનું ધ્યાન આકર્ષિત કરી રહ્યું છે.

આ ક્ષેત્રની સ્ટાર્ટઅપ્સે હવે ભારતના ડિજિટલ પર્સનલ ડેટા પ્રોટેક્શન (DPDP) એક્ટ અને અન્ય વૈશ્વિક ગોપનીયતા નિયમોનું પાલન કરવું પડશે. આ ડેટા કેવી રીતે એકત્રિત, સંગ્રહિત અને શેર કરવામાં આવે છે તેના પર કોઈપણ કાનૂની અથવા નિયમનકારી કાર્યવાહી કામગીરીને અચાનક બંધ કરી શકે છે અથવા કંપનીઓને ભારે અનુપાલન ખર્ચ કરવા દબાણ કરી શકે છે. રોકાણકારોએ ઓળખવું જોઈએ કે સંભવિત વિવાદાસ્પદ ડેટા પદ્ધતિઓ પર બનેલા બિઝનેસ મોડેલો અચાનક વિક્ષેપ અથવા પ્રતિષ્ઠાને નુકસાનના ઉચ્ચ જોખમનો સામનો કરે છે.

ડેટા સ્કેલિંગમાં પડકારો

ગોપનીયતા ઉપરાંત, સ્કેલિંગ અને ડેટા ગુણવત્તાનો પડકાર છે. ઉદ્યોગ હજુ પણ રોબોટ માટે 'ગુણવત્તા' ડેટા શું છે તે વ્યાખ્યાયિત કરી રહ્યો છે. કામદારની સલામતી અને વળતરનો પણ પ્રશ્ન છે. વિવેચકોએ ધ્યાન દોર્યું છે કે આમાંનો ઘણો ડેટા ઓછી-મજૂરીવાળા ગિગ વર્ક દ્વારા ઉત્પન્ન થાય છે, અને એવા નૈતિક પ્રશ્નો છે કે શું કામદારો સંપૂર્ણપણે સમજે છે કે તેમની દૈનિક ક્રિયાઓનો ઉપયોગ તેમના પોતાના ભવિષ્યના સ્થાનાંતરણને સ્વચાલિત કરવા માટે થઈ રહ્યો છે.

રોકાણકારોએ આગળ શું ટ્રેક કરવું જોઈએ?

AI ઇકોસિસ્ટમમાં રસ ધરાવતા રોકાણકારોએ ત્રણ મુખ્ય ક્ષેત્રો પર નજર રાખવી જોઈએ. પ્રથમ, ભારતમાં AI તાલીમ ડેટા સંબંધિત નિયમનકારી માર્ગદર્શિકાઓમાં કોઈપણ અપડેટ્સ પર નજર રાખો, ખાસ કરીને વિડિઓ સર્વેલન્સ અને વ્યક્તિગત જગ્યા સંબંધિત. બીજું, બિઝનેસ મોડેલના વિકાસ પર નજર રાખો - શું તે સ્કેલ પર ટકાઉ છે, અથવા વધતા શ્રમ અને અનુપાલન ખર્ચ માર્જિનને ઘટાડશે? છેલ્લે, 'સિન્થેટિક ડેટા' અથવા અન્ય ટેકનોલોજી તરફ ઉદ્યોગમાં ફેરફારો પર નજર રાખો જે વિવાદાસ્પદ વાસ્તવિક-વિશ્વ રેકોર્ડિંગની જરૂરિયાત ઘટાડી શકે છે, કારણ કે આ ડેટા-ફેક્ટરી વ્યવસાયો માટેની માંગને મૂળભૂત રીતે બદલી શકે છે.