Przetestowałem DoorDash Tasks – tak wygląda mroczna przyszłość pracy w dobie AI

Wyobraź sobie, że zamiast dostarczać gorącą pizzę pod drzwi klienta, spędzasz popołudnie w swojej kuchni, nagrywając telefonem proces smażenia jajecznicy. Nie robisz tego jednak dla zasięgów na TikToku czy Instagramie. Robisz to dla DoorDash, a Twoim jedynym widzem jest algorytm, który uczy się rozpoznawać teksturę ścinającego się białka. Tak wygląda nowa rzeczywistość gig economy, w której granica między fizyczną usługą a trenowaniem sztucznej inteligencji ostatecznie się zaciera.

Gigant dostaw jedzenia po cichu testuje aplikację Tasks, która rzuca nowe światło na to, jak wielkie korporacje zamierzają pozyskiwać dane do trenowania swoich modeli wizyjnych. To już nie jest tylko praca kuriera; to rola "nauczyciela maszyn", opłacana stawkami, które w zestawieniu z wymaganiami technicznymi budzą poważne wątpliwości etyczne i ekonomiczne. Przetestowanie tego narzędzia pozwala zrozumieć, w jakim kierunku zmierza globalny rynek pracy napędzany przez AI.

Domowe zacisze jako poligon doświadczalny dla AI

Aplikacja DoorDash Tasks różni się od standardowego interfejsu dla kurierów. Zamiast mapy z punktami odbioru, użytkownik widzi listę zadań, które przypominają dziwaczne wyzwania z mediów społecznościowych. Przykłady? Nagranie wideo przedstawiającego segregowanie prania, spacerowanie po parku z telefonem skierowanym na buty, czy wspomniane wcześniej przygotowywanie posiłków. Każde z tych zadań ma jeden cel: dostarczenie wysokiej jakości, zróżnicowanych danych wideo, które posłużą do trenowania Computer Vision.

W przeciwieństwie do statycznych obrazów, wideo dostarcza modelom AI informacji o dynamice ruchu, zmianach oświetlenia i interakcji z obiektami w czasie rzeczywistym. DoorDash, posiadając armię milionów "dashers", ma unikalną przewagę nad laboratoriami badawczymi — dostęp do autentycznych, nieustawionych scen z życia codziennego w tysiącach różnych lokalizacji. To dane, których nie da się wygenerować syntetycznie w sposób wystarczająco wiarygodny dla zaawansowanych systemów autonomicznych.

• Zadania wideo: Nagrywanie codziennych czynności (gotowanie, sprzątanie, chodzenie).
• Precyzyjne wytyczne: Wymagania dotyczące kąta kamery, oświetlenia i braku widocznych twarzy osób trzecich.
• Niskie bariery wejścia: Brak konieczności posiadania specjalistycznego sprzętu poza smartfonem.

Mikrozarobki za makrodane

Najbardziej kontrowersyjnym aspektem Tasks jest struktura wynagrodzeń. Podczas gdy tradycyjne dostawy w modelu gig opierają się na stawkach za kurs i napiwkach, trenowanie AI jest wyceniane skrajnie nisko. Użytkownicy raportują stawki rzędu kilku dolarów za zadania wymagające przygotowania planu, wykonania nagrania i przesłania ciężkich plików wideo. Po uwzględnieniu czasu potrzebnego na zapoznanie się z instrukcjami, realna stawka godzinowa często spada poniżej płacy minimalnej w wielu regionach.

To zjawisko to klasyczny data sweatshop (cyfrowy wyzysk), ale w nowym, korporacyjnym wydaniu. DoorDash wykorzystuje swoją istniejącą infrastrukturę pracowników, aby ominąć drogie firmy zajmujące się adnotacją danych. Dla pracownika to iluzja łatwego zarobku "bez wychodzenia z domu", która w rzeczywistości jest transferem unikalnej wiedzy o ludzkich zachowaniach do systemów, które w przyszłości mogą te same zawody zautomatyzować. Machine Learning karmi się tu wysiłkiem ludzi, którzy są najmniej beneficjentami postępu technologicznego.

"Pracownicy gig economy stają się mimowolnymi architektami własnej zbędności, dostarczając dane, które pozwolą algorytmom przejąć ich dotychczasowe obowiązki."

Techniczne wyzwania i prywatność w obiektywie

Z punktu widzenia technologii, Tasks to fascynujący eksperyment w dziedzinie crowdsourcingu danych. Zebranie milionów godzin nagrań z różnych stref klimatycznych, wnętrz mieszkań i warunków pogodowych pozwala na stworzenie modeli AI o niespotykanej dotąd odporności na błędy (tzw. robustness). Jednak cena, jaką płacą pracownicy, wykracza poza niskie zarobki. Chodzi o prywatność.

Nagrywanie wnętrza własnego domu, nawyków żywieniowych czy sposobu poruszania się to przekazanie korporacji najbardziej intymnych danych biometrycznych i behawioralnych. Choć DoorDash zapewnia o anonimizacji danych, proces trenowania sieci neuronowych wymaga często dostępu do surowych materiałów. Istnieje ryzyko, że dane zebrane w jednym celu (np. nauka rozpoznawania przeszkód przez roboty dostawcze), zostaną wykorzystane do profilowania konsumentów lub innych, mniej przejrzystych celów handlowych.

Nowa hierarchia w świecie technologii

Pojawienie się aplikacji takich jak Tasks sugeruje powstanie nowej klasy robotniczej w sektorze technologicznym. Nie są to już tylko inżynierowie w Dolinie Krzemowej, ale miliony ludzi na całym świecie wykonujących powtarzalne, nużące czynności przed kamerą smartfona. To rozszerzenie modelu Amazon Mechanical Turk na sferę fizyczną i wideo.

W tej nowej strukturze wartość pracy fizycznej (przeniesienie paczki) zostaje zrównana z wartością informacyjną tej czynności. Dla platformy DoorDash informacja o tym, jak człowiek omija dziurę w chodniku, może być docelowo cenniejsza niż sam fakt dostarczenia zamówienia, ponieważ pozwala na skalowanie technologii autonomicznych. Jesteśmy świadkami momentu, w którym człowiek staje się jedynie "czujnikiem" w ogromnej sieci zbierającej dane dla globalnych graczy AI.

Prognozuję, że w najbliższych latach zobaczymy gwałtowny wzrost liczby platform łączących gig work z trenowaniem modeli. Tradycyjne zawody usługowe będą coraz częściej uzupełniane o komponent "zbioru danych", co wymusi na regulatorach przedefiniowanie pojęcia pracy cyfrowej. Jeśli nie zostaną wprowadzone standardy dotyczące minimalnych stawek za dane i ochrony prywatności biometrycznej, czeka nas przyszłość, w której każda nasza czynność będzie miała swoją (bardzo niską) cenę rynkową w bazie danych gigantów technologicznych.