Rapidata reduce meses a días el desarrollo de IA con RLHF en tiempo real

En la industria de la moda, la adopción de inteligencia artificial para el diseño generativo, la personalización y la predicción de tendencias se enfrenta a un obstáculo fundamental: la necesidad imperiosa de feedback humano auténtico. A diferencia de tareas puramente objetivas, evaluar si un diseño es estéticamente atractivo, si un tejido virtual parece real o si una combinación de colores resonará en un mercado específico requiere juicio subjetivo. Este proceso, conocido como aprendizaje por refuerzo con feedback humano (RLHF, por sus siglas en inglés), históricamente ha sido un cuello de botella logístico y operativo para las marcas, que dependen de equipos de anotadores dispersos geográficamente, con ciclos de retroalimentación que se extienden por semanas o meses. Una startup emergente, Rapidata, promete transformar este escenario al democratizar y acelerar el acceso a la opinión humana a escala global, reduciendo los tiempos de desarrollo de modelos de IA de meses a días, o incluso horas.

El RLHF en el contexto de la moda funciona como un sistema de tutoría continua. Tras entrenar un modelo de IA con datos curados —por ejemplo, miles de imágenes de prendas—, este aún produce resultados que pueden sonar robóticos o no capturar matices culturales. Es aquí donde intervienen evaluadores humanos, que califican y jerarquizan las salidas del modelo, permitiéndole ajustar su comportamiento. Esta fase es crítica a medida que la IA se adentra en la generación de contenido multimedia, como vídeos de pasarelas virtuales o diseños en 3D, donde la calidad es inherentemente subjetiva y varía según público y región. Tradicionalmente, las firmas de moda han subcontractado estos servicios a redes fragmentadas de etiquetadores en regiones de bajos ingresos, una práctica que, además de lenta, ha generado críticas por condiciones laborales precarias. Los reportes periodísticos han documentado casos donde trabajadores en países como Kenya realizan tareas repetitivas por salarios mínimos, mientras las empresas de IA esperan meses por un lote de datos.

Rapidata replantea este paradigma tratando el RLHF como una infraestructura de alta velocidad en lugar de un problema de mano de obra manual. Su plataforma integra microtareas de evaluación en aplicaciones móviles masivas, como Duolingo o Candy Crush, donde los usuarios pueden optar por completar una breve revisión en lugar de ver un anuncio publicitario. Según datos de la compañía, entre el 50% y el 60% de los usuarios eligen esta alternativa, creando una red distribuida de casi 20 millones de personas dispuestas a proporcionar feedback instantáneo. Este enfoque no solo escala exponencialmente la disponibilidad de juicio humano, sino que también mitiga los riesgos éticos al evitar la explotación de cohortes laborales fijas. Los participantes permanecen anónimos mediante identificadores encriptados, aunque sus respuestas generan perfiles de confianza que garantizan que preguntas complejas —como «¿este diseño de vestido se adapta a las Normas de Moda Escandinava?»— sean asignadas a evaluadores con historiales de precisión en nichos específicos.

Los números avalan la eficacia del modelo. La plataforma de Rapidata puede procesar 1.5 millones de anotaciones humanas en una sola hora, reduciendo ciclos de retroalimentación que antes tomaban semanas a cuestión de horas o minutos. Esta velocidad permite a los equipos de IA en marcas de moda ejecutar bucles de反馈 casi en tiempo real, iterando sobre diseños generativos con base en preferencias actualizadas. Jason Corkill, fundador y CEO, quien concibió la idea durante sus estudios en robótica y visión artificial en la ETH Zurich, explica que la frustración por los cuellos de botella en anotación de datos lo llevó a diseñar un sistema donde «el juicio humano esté disponible a escala global y en tiempo casi real, desbloqueando un futuro donde los equipos de IA puedan evolucionar sus sistemas a diario, no por ciclos de lanzamiento».

El salto tecnológico más significativo es el concepto de «RLHF en línea». Mientras que los métodos tradicionales operan en lotes desconectados —se entrena el modelo, se pausa, se envían datos para etiquetado, se reanuda—, Rapidata integra su red directamente en el bucle de entrenamiento mediante APIs que se conectan a las GPU que ejecutan el modelo. Esto permite que, en el momento en que la IA genera una salida, esta solicite una evaluación humana de forma distribuida y reciba la respuesta en milisegundos, aplicando esa retroalimentación como parte de la función de pérdida en tiempo real. Actualmente, la plataforma soporta aproximadamente 5,500 juicios humanos por minuto para modelos que se ejecutan en miles de GPU, un nivel de paralelismo que previene fenómenos como el «hacking del modelo de recompensa», donde dos IAs se retroalimentan mutuamente en un bucle cerrado, desviándose de las preferencias humanas reales.

Para la moda, esta capacidad es transformadora. Las aplicaciones prácticas son extensas: desde refinar algoritmos de diseño generativo que crean bocetos basados en tendencias, hasta optimizar motores de recomendación de outfits que aprenden de gustos regionales. Un ejemplo ilustrativo es el de empresas de moda que utilizan Rapidata para probar prototipos virtuales en mercados específicos. Mientras que antes una marca necesitaba meses para coordinar focus groups en Suecia, Serbia o Estados Unidos, ahora puede enviar imágenes de una colección cápsula a usuarios de esos países y recibir métricas de preferencia en días. Lily Clifford, CEO de Rime, una startup de IA de voz, ha elogiado esta agilidad para ajustar modelos a contextos reales; en moda, el paralelo es claro: un modelo que genera descripciones de productos o crea virtual models puede ser afinado para sonar más auténtico en español de España que en mexicano, o para sugerir telas adecuadas al clima de cada región.

Desde una perspectiva operativa, Rapidata se posiciona como una capa de infraestructura que externaliza la complejidad de gestionar equipos de anotación. Esto reduce barreras de entrada para estudios de diseño o marcas emergentes que carecen de recursos para montar sus propios pipelines de feedback. Jared Newman, de Canaan Partners, que lideró la ronda de inversión de 8.5 millones de dólares de la startup, subraya que «cada implementación seria de IA depende del juicio humano en algún punto de su ciclo de vida». A medida que los modelos evolucionan desde tareas basadas en expertise —como identificar tipos de telas— hacia curaduría basada en gusto —¿este Estilo Cyberpunk atraerá a la Generación Z?—, la demanda de feedback escalable y rápido se disparará.

La visión a largo plazo de Corkill es aún más disruptiva: un escenario de «uso humano» donde los propios modelos de IA se conviertan en clientes primarios del servicio. En este futuro, un diseñador virtual podría programáticamente solicitar a Rapidata que consulte a 25,000 personas en el mercado francés sobre un diseño de silueta, iterar en base a sus respuestas y refinar el producto en horas. Esta inmediatez contrasta con la estática de los datos históricos, que rápidamente envejecen en una industria tan dinámica como la moda, donde las tendencias mutan con rapidez. «La sociedad está en constante flujo», reflexiona Corkill. «Si simulamos una sociedad ahora, el reflejo será estable por unos meses, pero luego cambia por completo. Necesitamos un flujo constante de preferencias humanas actualizadas».

Con el capital semilla en mano, Rapidata planea expandir su red y refinar sus algoritmos de calidad, apuntando a convertirse en elector indispensable entre el silicio y la sociedad. Para la moda, esto podría significar el fin de los largos ciclos de diseño y la entrada en una era de experimentación continua, donde la colaboración entre creatividad humana y máquina se alimenta de datos frescos en tiempo real. En un sector donde la relevancia temporal es oro, la capacidad de escuchar al consumidor a la velocidad del pensamiento bien podría redefinir qué significa estar a la moda.