Una plataforma de reparto y trabajo por encargo, con pedidos de apenas unos centavos de dólar, que alguna vez impulsó toda la era del aprendizaje profundo.
Now, it's closing.
Amazon acaba de anunciar que su plataforma de trabajo por multitudes, Mechanical Turk, dejará de funcionar completamente el 30 de septiembre de este año.
En su apogeo, más de 500,000 personas en línea en la plataforma realizaban tareas manuales: mirar imágenes, clasificarlas y etiquetarlas, completando manualmente cada tarea que las computadoras aún no podían aprender.
Luego, esta inmensa «potencia humana» participó directamente en respaldar el conjunto de datos ImageNet—
Sin MTurk, la anotación manual de decenas de millones de imágenes en ImageNet sería casi imposible.
Without ImageNet, Li Fei-Fei might not have become famous overnight.
Hinton y su discípulo no se convertirán en dioses en una sola batalla, y el aprendizaje profundo probablemente tampoco experimentará un resurgimiento repentino en 2012.
After 21 years, real AI will get better at doing these assignments.
Y aquellos que antes intentaban hacer que la IA pareciera inteligente, junto con esta plataforma, recibieron la notificación de desactivación.
500.000 personas en línea trabajan como freelance; MTurk contrata a personas reales para "reemplazarlas".
Mechanical Turk (MTurk) se lanzó en 2005.
Al principio, Amazon ni siquiera pensaba en reescribir la historia de la IA con esto.
MTurk resolvía en ese momento un problema particularmente práctico y absurdo: algunas tareas son extremadamente difíciles para las computadoras, pero increíblemente fáciles para las personas...
Entonces Amazon ideó un método muy directo: si el programa no puede resolverlo, ¡dividamos el problema y démoslo a personas reales!
Por lo tanto, estas tareas pequeñas desglosadas se denominan HIT, es decir, Human Intelligence Task.
Por ejemplo, si una empresa tiene 10.000 imágenes que clasificar, el modelo de MTurk consiste en dividirlas directamente en 10.000 tareas independientes y publicarlas simultáneamente en la plataforma.
100 personas pueden hacerlo juntas, 1000 también, y si decenas de miles se conectan al mismo tiempo, será aún más rápido.
En otras palabras, MTurk no hace que una sola persona trabaje más rápido, sino que convierte una tarea manual que antes solo se podía hacer en cola en algo que puede realizarse «en paralelo a nivel mundial».
¡Verdadera rueda de datos人工版!...
Y el nombre Mechanical Turk también coincide perfectamente con este «juego».
En el siglo XVIII, Europa tuvo una famosa máquina turca mecánica que, a simple vista, era una máquina que jugaba ajedrez por sí misma, e incluso podía jugar contra Napoleón.
Luego todos descubrieron que ¡había un jugador humano escondido dentro de la máquina!？ (¡Me pasé de largo...)
Amazon trasladó esta metáfora a internet, casi perfectamente: el programa parece funcionar automáticamente, pero quienes realmente hacen el trabajo son personas reales detrás de la pantalla.
Bezos le puso un nombre que resultó ser una profecía autocumplida:
Inteligencia artificial artificial.
Una vez que esta idea funcionó, MTurk se convirtió rápidamente de una herramienta propia de Amazon en un mercado global de crowdsourcing.
Para 2011, MTurk ya reunía a más de 500,000 Worker en 190 países.
Con más personas, los trabajos disponibles también comenzaron a crecer rápidamente: selección de imágenes, transcripción de voz, clasificación de texto, limpieza de datos, evaluación de emociones y revisión de contenido.
Cualquier tarea que sea difícil para las máquinas pero que los humanos puedan evaluar en unos segundos puede enviarse aquí.
Lanzarlo así fue en el 2021.
Sin MTurk, no habría habido ImageNet ni la revolución del aprendizaje profundo tal como la conocemos hoy.
El tiempo vuelve a alrededor de 2006.
Poco después de unirse a la facultad de Princeton, Li Fei-Fei decidió hacer algo que en ese momento era bastante contracultural:
Create a large enough visual encyclopedia for machines.
En ese momento, los conjuntos de datos de visión por computadora más populares solían tener solo miles a decenas de miles de imágenes; los datos eran insuficientes, y los modelos fácilmente se volvían "expertos en ejercicios", capaces de recordar los patrones del conjunto de entrenamiento, pero con dificultad para comprender verdaderamente los objetos variados del mundo real.
Entonces, el equipo de Li Fei-Fei quiso hacer algo que en ese momento era muy loco: crear un mundo visual «suficientemente grande» para la máquina.
El conjunto de datos ImageNet, de ahí surgió.
ImageNet utiliza WordNet como estructura para descomponer el mundo real en conceptos individuales y luego asignar cientos o miles de imágenes reales a cada concepto.
Perros, automóviles, manzanas, sillas, pájaros, peces… todo lo que se pueda definir, intenta incluirlo.
Pero pronto, un problema más real se presentó de frente—
Las imágenes no son difíciles de encontrar; Google, Yahoo y Flickr también pueden buscarlas, pero el verdadero problema es que las imágenes que se obtienen no necesariamente son correctas, ¡incluso pueden ser completamente irrelevantes!
Entonces, una vez que el motor de búsqueda recupera las imágenes, aún se necesita trabajo manual para confirmarlas una por una.
¡Digamos un número exagerado: la cantidad de imágenes candidatas que ImageNet luego tuvo que procesar superó los 160 millones!!! De inmediato, el problema de mano de obra se convirtió en un callejón sin salida...
Just as ImageNet was being slowed down by the massive manual image screening, Li Fei-Fei's team turned their attention to the newly launched Amazon Mechanical Turk.
El equipo de ImageNet comenzó a dividir el trabajo de filtrar imágenes masivas en microtareas y distribuirlas entre los trabajadores globales de la plataforma MTurk.
Una infraestructura de IA ambiciosa se ha descompuesto en innumerables «clics de ratón» comunes.
El artículo de ImageNet publicado en 2009 describió que, en ese momento, el conjunto de datos ya incluía 5.247 conceptos y 3,2 millones de imágenes procesadas.
El equipo de ImageNet posteriormente revisó el proyecto y proporcionó los siguientes datos: 49.000 trabajadores de MTurk, provenientes de 167 países.
En otras palabras, lo que realmente sustenta este esfuerzo de clasificación de imágenes detrás de ImageNet es un ejército temporal de anotadores distribuido globalmente.
Por eso es que sin MTurk, ImageNet probablemente nunca se habría logrado...
Después de que se desarrolló ImageNet, la historia realmente se aceleró.
En 2010, se lanzó el desafío ImageNet, y los modelos de todo el mundo comenzaron a entrenarse con el mismo conjunto de datos y a competir en la misma tabla de clasificación.
Dos años después, debutó la combinación que más tarde sería repetidamente registrada en la historia de la IA:
Geoffrey Hinton de la Universidad de Toronto, junto con sus dos estudiantes Alex Krizhevsky e Ilya Sutskever.
Tres personas participan en el desafío ImageNet de reconocimiento visual a gran escala con una red neuronal convolucional profunda.
Redució directamente la tasa de error Top-5 del desafío ImageNet de 2012 a aproximadamente el 15%, dejando atrás significativamente los métodos tradicionales.
Esto permitió por primera vez que toda la comunidad de visión por computadora viera de manera tan intuitiva que la combinación de grandes cantidades de datos, potencia de cálculo GPU y redes neuronales profundas puede elevar los resultados a un nivel completamente nuevo.
De izquierda a derecha: Ilya Sutskever, Geoffrey Hinton y Alex Krizhevsky
From then on, Alex Krizhevsky's name was welded to AlexNet.
Ilya luego fue a Google Brain, participó en la fundación de OpenAI y sirvió como científico jefe; tras dejarlo, fundó SSI.
Hinton luego recibió el Premio Turing y se convirtió en uno de los padres reconocidos del aprendizaje profundo.
Li Fei-Fei returned to Stanford to teach, co-lead HAI, and established her place in the history of modern computer vision through ImageNet.
Luego llegaron VGG, GoogLeNet y ResNet.
La lista de ImageNet ha sido superada año tras año; el aprendizaje profundo avanzó desde la visión hasta el habla, luego penetró en el procesamiento del lenguaje natural, y finalmente llegó a la era de los grandes modelos de hoy.
El mundo realmente es mágico—
El equipo de Li Fei-Fei utilizó MTurk para crear ImageNet; ImageNet hizo que Li Fei-Fei ganara fama; los discípulos de Hinton se hicieron famosos gracias a ImageNet; el aprendizaje profundo se revitalizó gracias a esta victoria.
Cerca de 50.000 personas comunes de 167 países, sentadas frente a sus computadoras, seleccionaron poco a poco millones de imágenes candidatas para crear ImageNet.
Finalmente, la IA aprendió a trabajar, pero MTurk se retiró primero
Precisamente por eso, el cierre de Mechanical Turk hoy parece un cierre de ciclo de una era.
La declaración oficial de Amazon es moderada, indicando únicamente que están evaluando continuamente sus productos y servicios, por lo que decidieron dejar de operar MTurk.
CNBC citó anteriormente a Krista Pawloski de la organización de derechos de los trabajadores de datos Turkopticon, diciendo que MTurk ha estado en declive durante años, con menos inversión por parte de Amazon, y que nuevas plataformas de etiquetado de datos continúan atrayendo trabajadores y clientes.
Pero la razón más directa, dicho claramente, es que las tareas que antes eran más valiosas ahora las hace cada vez mejor la IA...
En 2005, hacer que una máquina determinara si una imagen contenía un perro era un verdadero desafío, pero ahora es una tarea básica que los modelos multimodales pueden realizar fácilmente.
Al mismo tiempo, la demanda del sector de la IA respecto a las personas también ha cambiado.
Los modelos de vanguardia requieren que profesionales como programadores, médicos y abogados evalúen el código, revisen las respuestas, prueben el razonamiento y la seguridad.
Así, nuevas plataformas como Scale AI, Mercor y Prolific han surgido para seleccionar y gestionar expertos, ofreciendo datos de entrenamiento y evaluación más profesionales.
En comparación, el modelo de crowdsourcing de MTurk, donde "cualquiera puede aceptar tareas y se paga unos centavos por trabajo", también está quedándose cada vez más obsoleto...
Lo más mágico es que incluso los trabajadores de MTurk ¡ya están usando IA!
Un estudio de 2023 realizado por académicos suizos encontró que, entre los trabajadores de MTurk encuestados, el porcentaje que utilizó modelos de IA para completar tareas de texto alcanzó hasta un 46%.
Originalmente, los clientes pagaban por juicios humanos, pero algunos trabajadores podrían aceptar los pedidos y luego enviar las preguntas a modelos como ChatGPT para obtener respuestas.
Esto tiene un toque de humor negro...
El destino de MTurk es, en realidad, un reflejo de la IA de los últimos 20 años.
Los humanos más antiguos se escondían detrás de las máquinas, haciendo clic imagen por imagen, acumulando así ImageNet y abriendo la puerta a la era del aprendizaje profundo.
Luego, la IA creció siguiendo estos datos y finalmente aprendió a ver imágenes, escuchar sonidos y escribir texto por sí misma.
21 años después, quienes antes fingían ser inteligentes por la IA han dejado el escenario.
Finalmente, se puede cerrar la puerta del «Turco Mecánico» que escondía a un jugador humano.
Enlace de referencia:
[1]https://www.cnbc.com/2026/08/25/amazon-service-that-jeff-bezos-called-artificial-ai-is-shutting-down.html
Este artículo proviene del canal de WeChat "Quantum Bit", autor: Meng Yao