Los sectores de manufactura, logística, construcción y agricultura están enfrentando una limitación significativa en el crecimiento debido a la escasez de recursos laborales, con la construcción siendo el área más afectada. En Estados Unidos, quedan vacantes cerca de 500,000 puestos de trabajo y se anticipa que el 40% de la fuerza laboral actual se jubilará en la próxima década. Este panorama ha llevado a retrasos en proyectos, aumentos de costos y la postergación de desarrollos futuros. Para enfrentar estos desafíos, las organizaciones están invirtiendo en sistemas autónomos que pueden suplir la falta de capacidad, mejorar la eficiencia operativa y ofrecer una productividad continua.
La implementación de estos sistemas autónomos requiere de grandes volúmenes de datos anotados para el entrenamiento de modelos de inteligencia artificial, y el costoso proceso de preparación de datos se ha convertido en un gran obstáculo. Una de las etapas más críticas es el etiquetado de datos de video, que permite identificar información vital sobre equipos, tareas y entornos. Sin embargo, este proceso puede ser lento y retrasa la entrega de servicios basados en IA. Las empresas de construcción, en particular, manejan millones de horas de video, haciendo que la anotación manual sea poco práctica. Los modelos de lenguaje-visual (VLMs) se presentan como una solución al posibilitar la interpretación de imágenes y videos y generar descripciones rápidamente, ofreciendo un método más rentable.
Un caso destacado es el de Bedrock Robotics, que se ha asociado con el AWS Generative AI Innovation Center para aprovechar estos modelos en el análisis de videos de construcción. Desde 2024, Bedrock Robotics ha estado desarrollando sistemas autónomos que integran hardware con IA para reducir la intervención humana en el manejo de maquinarias como excavadoras. Estos sistemas realizan tareas como cavar y nivelar con alta precisión.
El entrenamiento de estos modelos requiere una gran cantidad de videos que capturen diversos aspectos operacionales, lo que limita su escalabilidad. Los VLMs solucionan esto al analizar imágenes, generando descripciones textuales esenciales para la anotación. Bedrock Robotics aplicó esta tecnología para agilizar la preparación de datos, elevando la identificación de herramientas de un 34% a un 70%, transformando un proceso tedioso en uno eficiente y automatizado.
Este enfoque no solo es relevante para los desafíos de Bedrock Robotics, sino que representa un marco replicable para otras organizaciones que enfrentan problemas similares. Demuestra cómo una inversión en modelos de base puede llevar a mejoras operativas y proporcionar una ventaja competitiva. Estos modelos de base están entrenados con grandes cantidades de datos y son adaptables a diversas tareas gracias a las técnicas de aprendizaje auto-supervisado.
En el futuro, se espera que la automatización mitigue la falta de mano de obra, permitiendo a las empresas implementar sistemas autónomos más rápidamente, reducir costos y explorar nuevas oportunidades de crecimiento en industrias afectadas. A medida que las organizaciones optimicen su preparación de datos, como Bedrock Robotics, abrirán nuevas vías para transformar limitaciones laborales en oportunidades innovadoras y expansivas.
