Cleanlab

Cleanlab คือแพลตฟอร์ม AI ที่ขับเคลื่อนด้วยข้อมูล (Data-centric AI) ซึ่งพัฒนาขึ้นจากงานวิจัย Confident Learning ของสถาบันเทคโนโลยีแมสซาชูเซตส์ (MIT) ในกระบวนการพัฒนา AI และแมชชีนเลิร์นนิง คุณภาพของข้อมูลมักจะเป็นตัวกำหนดขีดจำกัดสูงสุดของโมเดล แต่การทำความสะอาดชุดข้อมูลขนาดใหญ่มือย่อมเสียเวลาและเสี่ยงต่อการตกหล่น ความสามารถหลักของเครื่องมือนี้คือการตรวจจับข้อผิดพลาดของป้ายกำกับ (Label errors) ค่าผิดปกติ (Outliers) และข้อมูลที่ซ้ำกันในชุดข้อมูลโดยอัตโนมัติ พร้อมทั้งมีเลเยอร์ประเมินคะแนนความเชื่อมั่นสำหรับผลลัพธ์ของโมเดลภาษาขนาดใหญ่ (LLM) เพื่อความเสถียรและความแม่นยำของโมเดล

แก้ Pain Point ด้านคุณภาพข้อมูลและอาการ Hallucination ของโมเดล

ในการพัฒนาจริง ชุดข้อมูลมักซ่อนข้อผิดพลาดในการใส่ป้ายกำกับไว้ ซึ่งทำให้ทิศทางในการฝึกโมเดลเบี่ยงเบนและสิ้นเปลืองทรัพยากรประมวลผล Cleanlab ใช้เทคโนโลยีการตรวจจับอัตโนมัติเพื่อชี้จุดบกพร่องที่ซ่อนอยู่เหล่านี้ได้อย่างแม่นยำ ช่วยลดภาระในการตรวจสอบด้วยมนุษย์ได้อย่างมาก นอกจากนี้ สำหรับ LLM ที่ได้รับความนิยมในช่วงไม่กี่ปีที่ผ่านมา ผู้ใช้อมักประสบปัญหาเรื่อง "อาการหลอน (Hallucination)" ทำให้ยากต่อการประเมินความถูกต้องของเนื้อหาที่สร้างขึ้น กลไกการให้คะแนนความเชื่อมั่นของแพลตฟอร์มนี้สามารถประเมินคุณภาพผลลัพธ์ออกมาเป็นตัวเลขได้อย่างมีประสิทธิภาพ ช่วยให้ทีมพัฒนาตรวจสอบความถูกต้องก่อนปรับ ใช้งานแอปพลิเคชัน พร้อมยกระดับความน่าเชื่อถือและประสิทธิภาพโดยรวมของระบบ

เหมาะสำหรับใครและ Use Case

เครื่องมือนี้เหมาะอย่างยิ่งสำหรับนักวิทยาศาสตร์ข้อมูล (Data Scientists) วิศวกรแมชชีนเลิร์นนิง และทีมพัฒนาที่สร้างแอปพลิเคชัน AI ไม่ว่าจะเป็นการทำความสะอาดข้อมูลก่อนฝึกโมเดล การปรับปรุงคุณภาพป้ายกำกับของชุดข้อมูลที่มีอยู่ หรือการประเมินประสิทธิภาพผลลัพธ์ของ LLM ในงานบริการลูกค้า การดึงข้อมูลมาร่วมสร้างข้อความ (RAG) และสถานการณ์อื่นๆ เครื่องมือนี้สามารถผสานเข้ากับเวิร์กโฟลว์ที่มีอยู่ได้อย่างไร้รอยต่อ ช่วยให้ทีมสร้างระบบ AI ที่มีคุณภาพดีขึ้นด้วยต้นทุนเวลาที่น้อยลง