İnsansı robotlar ev işleri, depo operasyonları ve bakım hizmetleri için geliştiriliyor; fakat bu makinelerin insan dünyasında hareket etmeyi öğrenmesi için devasa miktarda gerçek dünya verisine ihtiyaç var. Bu ihtiyacı karşılamak için büyüyen yeni iş modeli, insanların kendi evlerinde yaptıkları günlük işleri kayda alıp robotik yapay zekâ sistemlerinin eğitimine veri sağlamasına dayanıyor.
Kısa cevap: Gig çalışanları; yemek hazırlama, çamaşır katlama, bulaşık yıkama, nesne yerleştirme ve temizlik gibi görevleri çoğu zaman başa takılı telefonlarla birinci şahıs bakış açısından kaydediyor. Bu videolar daha sonra yapay zekâ ve insan denetçileri tarafından incelenip etiketleniyor; insansı robotların insan eli, nesneler ve ev ortamlarıyla etkileşimini öğrenmesine yardımcı olan veri setlerine dönüştürülüyor.
Evde yapılan işler neden robotlara veri oluyor?
Bir insansı robotun kapı açması, raftan ürün alması ya da havlu katlaması; yalnızca doğru nesneyi tanımasını gerektirmez. Robotun nesnenin nerede olduğunu görmesi, elini güvenli bir yoldan yaklaştırması, kavrama kuvvetini ayarlaması ve beklenmeyen değişikliklere tepki vermesi gerekir. Bu beceriler, fiziksel yapay zekânın en zor alanlarından biridir.
Simülasyonlar robotları temel hareketler için eğitebilir; ancak bardak, kumaş, yiyecek paketi veya düzensiz bir mutfak tezgâhı gibi gerçek ortamların ayrıntılarını her zaman yeterince yansıtamaz. Bu nedenle şirketler, insanın gündelik yaşamda gerçekleştirdiği doğal hareketleri gösteren videolara ve sensör verilerine yöneliyor.
Önemli ayrım: İnsanların evde video kaydetmesi, robotun o anda uzaktan kontrol edildiği anlamına gelmez. Bu iş modelinde temel çıktı çoğunlukla insan hareketini gösteren eğitim verisidir. Telerobotik veya teleoperasyon çalışmalarında ise operatör, VR gözlük, hareket kontrol cihazı ya da lider kol aracılığıyla gerçek robotu doğrudan yönetir.
Gig çalışanları ne yapıyor?
MIT Technology Review’un Nisan 2026 tarihli araştırmasına göre Palo Alto merkezli Micro1, Hindistan, Nijerya ve Arjantin’in de aralarında olduğu 50’den fazla ülkede binlerce sözleşmeli çalışanla çalışıyor. Çalışanlar, başlarına taktıkları iPhone’larla günlük görevleri birinci şahıs görüş açısından kaydediyor.
- Çamaşır katlama, yatak toplama ve yüzey temizleme
- Bulaşık yıkama, yemek hazırlama ve mutfak düzenleme
- Nesneleri alma, taşıma, yerleştirme ve sınıflandırma
- Görev sırasında ellerin, nesnelerin ve hareket akışının kamerada görünmesini sağlama
Bu veri doğrudan “robotun kopyaladığı video” değildir. Eğitim sürecinde görüntüler görev tanımlarıyla eşleştirilir, belirli hareket aşamaları etiketlenir ve robotun görsel algı–eylem modelleri için örneklere dönüştürülür. Amaç, robotun farklı evlerde ve farklı nesnelerle karşılaştığında hangi eylem dizisinin işe yarayabileceğini öğrenmesidir.
Veri toplama süreci nasıl denetleniyor?
Yüksek hacimde veri toplamak tek başına yeterli değildir. Bir videonun kullanışlı olabilmesi için hareketin kadrajda görünmesi, görevin anlaşılır biçimde tamamlanması, görüntünün yeterli kalitede olması ve güvenli olmayan davranışlar içermemesi gerekir. Bu yüzden şirketler otomatik kontroller ile insan incelemesini birlikte kullanmaya çalışıyor.
Tipik veri hattı
- Başvuru ve örnek görev: Çalışanın kayıt kalitesi ve talimatlara uyumu değerlendirilir
- Kayıt: Görevler belirlenen görüş açısı ve yönergelerle videoya alınır
- Kalite kontrolü: Yapay zekâ sistemleri ve insan denetçiler görüntüyü kabul, ret veya yeniden çekim için inceler
- Etiketleme: Hareketler, nesneler ve görev aşamaları model eğitiminde kullanılabilecek biçime getirilir
- Model eğitimi: Seçilmiş veri, robotun görsel algı ve hareket politikası modellerine aktarılır
Bu iş modeli neden büyüyor?
Büyük dil modelleri internet üzerindeki çok büyük metin ve görüntü koleksiyonlarından öğrenirken, insansı robotların fiziksel dünya için benzer ölçekte hareket verisine ihtiyacı var. Ev, depo ve atölye gibi gerçek ortamlar çok değişken olduğu için laboratuvarda üretilen sınırlı veri setleri her durumu kapsayamıyor.
Bu nedenle dağıtık veri toplama, şirketlere çok sayıda farklı ev düzeni, nesne biçimi, ışık koşulu ve insan hareketi sunuyor. MIT Technology Review’un aktardığına göre robotik şirketlerinin gerçek dünya verisi için yıllık harcaması 100 milyon doların üzerine çıkmış olabilir. Bu rakam bağımsız kamu denetimiyle doğrulanmış bir pazar büyüklüğü değil; ancak fiziksel yapay zekâ verisine duyulan ticari iştahın yönünü gösteriyor.
Mahremiyet, rıza ve veri mülkiyeti
Ev içinden toplanan veri, yalnızca elleri ve nesneleri göstermeyebilir. Kamera; yaşam alanını, aile üyelerini, alışkanlıkları, değerli eşyaları veya ekranda görünen kişisel bilgileri de kaydedebilir. Şirketler yüz, isim, telefon numarası ve diğer açık tanımlayıcıların görünmemesini isteme ve bunları filtreleme politikaları uygulasa da, mahremiyet riski bu önlemlerle tamamen ortadan kalkmaz.
Çalışanlar için kontrol listesi: Kayda başlamadan önce veri kullanım süresi, silme talebi hakkı, verinin hangi ülkelere veya üçüncü taraflara aktarılabileceği, yüz ve çocuk görüntüleriyle ilgili kurallar ile ödeme/ret kriterleri açıkça incelenmelidir. Evde bulunan kişilerin görüntü veya sesinin kayda girmemesi için ayrıca önlem alınmalıdır.
Bir diğer soru, insan emeğiyle oluşan veri setinin ekonomik değerinin kimde kaldığıdır. Çalışanlar kısa dönemli görev başına veya saatlik ücret alırken, aynı kayıtlar uzun süreli ürün geliştirme ve ticari modellerde kullanılabilir. Bu nedenle açık rıza, anlaşılır sözleşmeler ve veri silme/erişim süreçleri bu yeni iş kolunun temel yönetişim başlıkları arasında yer alıyor.
Veri hacmi değil, veri kalitesi belirleyici
İnsansı robot eğitimi için binlerce saat video toplamak etkileyici görünebilir; fakat kötü kadraj, tekrarlayan görevler, güvensiz davranışlar veya yanlış etiketler modelin gerçek dünyadaki performansını zayıflatabilir. Aynı küçük ev ortamında tekrar tekrar yapılan görevler, robotun farklı durumlara uyum sağlama becerisini de sınırlayabilir.
Bu yüzden robotik ekipleri, kayıt sayısından çok görev başarı oranı, ortam çeşitliliği, hareketin tutarlılığı, etiketleme doğruluğu ve güvenlik kurallarına uyum gibi ölçütlere odaklanmak zorunda. Video verisi; simülasyon, robot üzerinde teleoperasyonla toplanan gösterimler ve gerçek kullanım testleriyle birlikte değerlendirildiğinde daha anlamlı hale geliyor.
Gelecekte ne bekleniyor?
Evden veri kaydı, insansı robotların öğrenme zincirindeki parçalardan sadece biri. Daha karmaşık görevlerde şirketler, VR başlıkları, hareket izleyicileri, el kumandaları ve uzaktan kontrol edilen gerçek robotlarla üretilen teleoperasyon verisine de ihtiyaç duyuyor. Uzun vadede insan gösterimleri, simülasyon ve robotun kendi deneyimlerinden öğrendiği veriler birlikte kullanılacak.
Bu trend, yapay zekâ ekonomisinin görünmeyen bir katmanını ortaya çıkarıyor: Robotların “bedensel zekâsı”, yalnızca çipler ve algoritmalarla değil, dünyanın farklı yerlerindeki insanların gündelik hareketlerinden de besleniyor. Başarıyı ise ne kadar çok video toplandığından çok; bu verinin güvenli, adil, izinli ve teknik olarak yararlı biçimde yönetilmesi belirleyecek.
