Humyn Labs ha recaudado 47 millones de dólares en una ronda Serie A para abordar una de las limitaciones persistentes de la robótica: obtener datos de entrenamiento que reflejen la complejidad de los lugares de trabajo reales y no solo entornos simulados.

La empresa trabaja, según afirma, con laboratorios de IA avanzada, compañías de robótica y desarrolladores de modelos del mundo. Recopila y enriquece datos de operaciones reales y asegura que superó los 50 millones de dólares de ingresos anualizados seis meses después de iniciar sus operaciones.

Financiación dividida entre capital y deuda

La ronda incluye 26 millones de dólares en capital, liderados por Accel, y 21 millones en deuda de riesgo, liderados por Lighthouse Canton. Entre los participantes del tramo de capital figuran Prosus Ventures, BeeGlobal, Finserv Intelligence, Bajaj Finance, Bajaj Alts AI Opportunities Fund, Dallas Venture Capital, Lighthouse Canton, Jump Trading LLC y Anita Pramoda, ex directora financiera de Epic.

La propuesta de la empresa no es simplemente que los robots necesiten más datos, sino que esos datos deben recopilarse para las condiciones prácticas en las que funcionará el sistema. El cofundador Ishank Gupta afirma que el desarrollo robótico sigue limitado por la distancia entre los laboratorios, la simulación y el mundo real.

Cuatro tipos de señales

Humyn Labs recopila datos de visión, sonido, tacto y movimiento. Utiliza dispositivos propios para registrar cómo las personas realizan trabajos concretos y convierte las grabaciones en conjuntos de datos etiquetados, listos para entrenar y con procedencia verificada.

Las tareas físicas rara vez pueden describirse con una sola cámara. Un robot que trabaja cerca de personas o manipula objetos puede necesitar contexto visual, sonidos, información táctil y registros del movimiento del cuerpo o de las herramientas.

Gupta señala que la empresa trata el audio de forma distinta: para el sonido, prioriza la recopilación entre idiomas; los datos de visión, tacto y movimiento suelen ser más específicos de cada industria y se recopilan juntos.

Recopilación más allá de un solo mercado

La compañía dice operar y colaborar con socios de recopilación en más de 20 países. Sus principales regiones son América Latina, el Sudeste Asiático, Asia Meridional y Asia Oriental. Esta presencia permite a los clientes solicitar programas personalizados de recopilación y enriquecimiento.

Humyn Labs se presenta como socio de datos y de despliegue. Parte de las necesidades de los investigadores y construye un programa de recopilación en torno a ellas, como una extensión del equipo de investigación del cliente.

Por qué los datos reales son prioritarios para la robótica

Los desarrolladores necesitan sistemas capaces de pasar de las pruebas a hogares, centros de trabajo y otros entornos variables. La simulación sigue siendo útil, pero la empresa sostiene que no puede sustituir completamente los registros de cómo trabajan las personas reales. El objetivo es preparar sistemas para el despliegue, no solo mejorar una métrica de referencia.

Humyn divide a sus clientes en los sectores residencial, comercial e industrial. El informe no detalla cada proyecto, pero el enfoque apunta a un mercado amplio de datos multimodales del mundo físico.

Qué indica la ronda

Los 47 millones de dólares permitirán ampliar las operaciones de captura y enriquecimiento en varias regiones. La combinación de capital y deuda también refleja un modelo intensivo en operaciones: recopilar, etiquetar y validar datos reales exige más que distribuir software.

La próxima prueba será mantener la calidad y la procedencia de los datos mientras se atienden necesidades muy diversas. Para los desarrolladores, el atractivo es acceder a datos más cercanos a las condiciones que encontrarán sus máquinas fuera del laboratorio.

La financiación recuerda que construir robots capaces no depende solo de algoritmos o hardware, sino también de sistemas que observen el trabajo real, conviertan esas observaciones en conjuntos de datos útiles y acerquen la demostración al despliegue fiable.

Este artículo se basa en información de The Robot Report. Leer el artículo original.

Originally published on therobotreport.com