Mengapa AI Masih Kesulitan Memahami Gerakan Manusia di Dunia Nyata

AI memiliki kemampuan mengagumkan dalam mengklasifikasikan gambar dan memetakan pola, namun ketika diaplikasikan untuk memahami gerakan manusia di lingkungan nyata seperti gym, pabrik, dan klinik, banyak sistem AI masih gagal mendeteksi kesalahan gerakan yang sederhana. Hal ini terjadi karena AI biasanya dilatih menggunakan miliaran gambar diam, sedangkan gerakan manusia bersifat dinamis dan dipengaruhi oleh faktor seperti kekuatan, kelelahan, dan niat. Banyak sistem visi komputer saat ini mampu mengenali objek dengan baik, namun kesulitan saat diminta menginterpretasi gerakan tubuh secara menyeluruh. Misalnya, satu frame gambar bisa menangkap pose tubuh, tetapi tidak dapat menentukan apakah seseorang dalam posisi stabil, sedang mengkompensasi, atau menurunkan kualitas gerakan mereka. Selain itu, perubahan kondisi lingkungan seperti pencahayaan dan sudut pandang juga dapat menurunkan akurasi model AI secara signifikan. Salah satu tantangan terbesar adalah kurangnya data gerakan manusia yang realistis dan beranotasi secara biomekanis lengkap. Data yang dihasilkan di laboratorium dengan peralatan canggih tidak mewakili kondisi nyata di lapangan, sehingga banyak tim harus membangun dataset mereka sendiri, seperti FlexAI yang membuat dataset khusus gerakan gym berdasarkan pengamatan ribuan video dari latihan di lapangan dengan pengawasan ahli kebugaran. Selain data, kecepatan pengolahan dan privasi juga menjadi hambatan dalam penerapan AI untuk memberikan umpan balik secara real time. Pengiriman data video ke cloud sering menyebabkan penundaan dan kekhawatiran terkait penyimpanan dan akses data. Oleh karena itu, banyak perusahaan mulai memprioritaskan pemrosesan langsung di perangkat untuk mengurangi latensi dan menjaga privasi pengguna. Meningkatkan kemampuan AI dalam memahami gerakan tidak hanya soal mengenali bentuk, tapi juga memahami kondisi manusia yang mendasari gerakan tersebut, seperti kelelahan, cedera, atau stres. Untuk mencapai ini, dibutuhkan penggabungan data visual, sensor wearable, serta masukan dari pengguna dan konteks lingkungan. Tujuannya bukan menggantikan ahli manusia, tetapi memperluas jangkauan dan kecepatan akses ke keahlian tersebut.