Cleanlab

Cleanlab geht davon aus, dass die Modellqualität von der Datenqualität abhängt. Reale Datensätze enthalten Fehler: falsch beschriftete Bilder, doppelte Beispiele und Ausreißer. Die Open-Source-Bibliothek nutzt statistische Methoden und Modellvorhersagen, um besonders wahrscheinlich fehlerhafte Beispiele zu finden. Teams korrigieren diese gezielt, statt alles erneut zu prüfen.

Die kommerzielle Plattform Cleanlab Studio ergänzt dies durch eine No-Code-Oberfläche zur Bereinigung und Verbesserung von Datensätzen und zum Trainieren von Modellen mit den Ergebnissen. Das Unternehmen hat sein Angebot auch auf die Zuverlässigkeit generativer KI erweitert: Werkzeuge bewerten die Vertrauenswürdigkeit von Sprachmodellausgaben und erkennen Halluzinationen in Produktivsystemen.

Die Open-Source-Bibliothek ist kostenlos; für die Plattform gibt es kostenlose und kostenpflichtige Stufen. Die Datenbereinigung erfordert menschliches Urteil darüber, welche Kennzeichnung richtig ist. Alternativen sind Snorkel AI, Label Studio, Argilla, Encord und Labelbox. Cleanlab eignet sich für Machine-Learning-Teams mit unübersichtlichen Datensätzen.