Cleanlab – ML ଓ LLMs ପାଇଁ ଡାଟାର ଗୁଣବତ୍ତା ଓ AIର ନିର୍ଭରଯୋଗ୍ୟତା ସ୍ତର | Quasa.io

#Quasa #QUA #Cleanlab

Cleanlab ହେଉଛି ଡାଟାର ଗୁଣବତ୍ତା ଓ AIର ନିର୍ଭରଯୋଗ୍ୟତା ପାଇଁ ଏକ ସ୍ତର। ଏହା confident learning ଉପରେ MITର ଗବେଷଣାରୁ ଆରମ୍ଭ ହୋଇଥିଲା: ମଣିଷ ଦ୍ୱିତୀୟ ଥର ଯାଞ୍ଚ ନକରି ଭୁଲ ଲେବଲ ଖୋଜିବା। Cleanlab Studio ହେଉଛି ଏକ no-code ଓ Python ଟୁଲ୍, ଯାହା ଟେକ୍ସଟ୍, ଛବି ଓ ସାରଣୀଭିତ୍ତିକ ଡାଟାସେଟ୍‌ରେ ଲେବଲ ତ୍ରୁଟି, ଅସ୍ୱାଭାବିକ ଡାଟା ଏବଂ ପ୍ରାୟ ସମାନ ନକଲଗୁଡ଼ିକୁ ଚିହ୍ନଟ କରେ, ତା’ପରେ ଯାଞ୍ଚ ହୋଇଥିବା ଏକ “cleanset” ଏକ୍ସପୋର୍ଟ କରେ। Trustworthy Language Model ଉପରେ ନିର୍ମିତ Detect, ବ୍ୟବହାର ସମୟରେ LLM ଓ ଏଜେଣ୍ଟଙ୍କ ଉତ୍ତରକୁ 0ରୁ 1 ମଧ୍ୟରେ ସ୍କୋର ଦିଏ, ଯାହାଫଳରେ ଦୁର୍ବଳ ଉତ୍ତରକୁ ଅଟକାଯାଇପାରିବ, ପୁଣି ଲେଖାଯାଇପାରିବ କିମ୍ବା ଜଣେ ବ୍ୟକ୍ତିଙ୍କ ପାଖକୁ ପଠାଯାଇପାରିବ। ଉତ୍ତର ଓ ନଲେଜ୍ ବେସ୍ ସୁଧାରିବା ପାଇଁ Remediate ହେଉଛି ମଣିଷଙ୍କୁ ସାମିଲ କରୁଥିବା ପ୍ରକ୍ରିୟା। ଏହାକୁ SaaS ଭାବେ କିମ୍ବା ଏକ ପ୍ରାଇଭେଟ୍ କ୍ଲାଉଡ୍‌ରେ ଚଲାଯାଇପାରିବ। ଜାନୁଆରୀ 2026ରେ Handshake କମ୍ପାନିକୁ ଅଧିଗ୍ରହଣ କରିଥିଲା; ସେହି ଚୁକ୍ତି ପରେ ସ୍ୱତନ୍ତ୍ର ପ୍ରଡକ୍ଟ ଭାବେ ଏହାର ଭବିଷ୍ୟତ ଯୋଜନା ସମ୍ପୂର୍ଣ୍ଣ ଭାବେ ସାର୍ବଜନୀନ ହୋଇନାହିଁ।

ମୁଖ୍ୟ ଦକ୍ଷତା
• ମଡେଲ୍ ଚୁପଚାପ ଶିଖୁଥିବା ଲେବଲ ତ୍ରୁଟିଗୁଡ଼ିକୁ ଖୋଜେ
• no-code କିମ୍ବା API ମାଧ୍ୟମରେ ଟେକ୍ସଟ୍, ଛବି ଓ ସାରଣୀରେ କାମ କରେ
• କେବଳ ଟ୍ରେନିଂ ଡାଟାରେ ନୁହେଁ, ବ୍ୟବହାର ସମୟର ଉତ୍ତରରେ ମଧ୍ୟ ଭରସାଯୋଗ୍ୟତା ସ୍କୋର ଦିଏ
• ମନଗଢ଼ା ଉତ୍ତର, ଭୁଲ ତଥ୍ୟ ଖୋଜି ଆଣିବା ଓ ନୀତି ପାଳନରେ ତ୍ରୁଟି ରୋକିବା ପାଇଁ ସୁରକ୍ଷା ବ୍ୟବସ୍ଥା
• ପ୍ରକୃତରେ ଭୁଲ ଲାଗୁଥିବା ଧାଡ଼ିଗୁଡ଼ିକରେ ହିଁ ମଣିଷଙ୍କ ଯାଞ୍ଚ  

କାହା ପାଇଁ ଉପଯୁକ୍ତ
ଯେଉଁ ML ଓ ସପୋର୍ଟ ଟିମ୍‌ଙ୍କ ପାଖରେ ପୂର୍ବରୁ ଏକ ଡାଟାସେଟ୍ କିମ୍ବା ବଟ୍ ଅଛି ଏବଂ ଭୁଲ ଲେବଲ ଓ ଦୃଢ଼ ବିଶ୍ୱାସର ସହ ଦିଆଯାଉଥିବା ଭୁଲ ଉତ୍ତର କମାଇବା ଦରକାର।

ବିଶେଷତ୍ୱ
• Studioର କାର୍ଯ୍ୟପ୍ରକ୍ରିୟା: ଅପଲୋଡ୍ କରିବା, ତ୍ରୁଟି ଚିହ୍ନଟ କରିବା, ସୁଧାରିବା, ଏକ cleanset ଏକ୍ସପୋର୍ଟ କରିବା
• ଲେବଲ ନଥିବା ଧାଡ଼ିଗୁଡ଼ିକ ପାଇଁ ଅଧିକ ନିଶ୍ଚିତତା ଥିଲେ ସ୍ୱୟଂଚାଳିତ ଲେବଲିଂ
• Detectକୁ RAG, OpenAI ଶୈଳୀର APIs, LangChain ଓ ଏଜେଣ୍ଟ ସହ ଯୋଡ଼ାଯାଇପାରିବ
• ଉଲ୍ଲେଖ କରାଯାଇଥିବା ଗ୍ରାହକଙ୍କ ମଧ୍ୟରେ ବ୍ୟାଙ୍କ ଓ ଗବେଷଣା ଗୋଷ୍ଠୀ ରହିଛନ୍ତି
• ବ୍ୟବସାୟିକ ପ୍ରଡକ୍ଟର ମୂଳ ଭିତ୍ତି ଏବେ ବି ଓପନ୍ ସୋର୍ସ  

ଧ୍ୟାନ ଦେବାକୁ ଥିବା ସମ୍ଭାବ୍ୟ ଦିଗ
• 2026ରେ Handshakeର ଅଧିଗ୍ରହଣ; ପ୍ରଡକ୍ଟଟି ଏବେ ବି ସ୍ୱତନ୍ତ୍ର SKU ଭାବେ ମିଳୁଛି କି ନାହିଁ ନିଶ୍ଚିତ କରନ୍ତୁ
• ସାର୍ବଜନୀନ ମୂଲ୍ୟ ସୂଚନା କମ୍; କିଛି ଲେଖା ଅନୁସାରେ ମାସିକ ମୂଲ୍ୟ ପ୍ରାୟ $100ରୁ ଆରମ୍ଭ ହୁଏ, ଏଣ୍ଟରପ୍ରାଇଜ୍ ପାଇଁ ଅଲଗା ଦର ଦିଆଯାଏ
• ଭରସାଯୋଗ୍ୟତା ସ୍କୋର ଏକ ଫିଲ୍ଟର, ଉତ୍ତର ସତ୍ୟ ବୋଲି ପ୍ରମାଣ ନୁହେଁ
• ଜଟିଳ ଧାଡ଼ିଗୁଡ଼ିକ ପାଇଁ Studioରେ ଏବେ ବି ଜଣେ ବ୍ୟକ୍ତିଙ୍କ ସହାୟତା ଦରକାର
• ଏହା ନିଜେ ଏକ ଲେବଲିଂ ମାର୍କେଟପ୍ଲେସ୍ ନୁହେଁ  

ସାମଗ୍ରିକ ମତ
4.2/5 ଷ୍ଟାର୍। ଡାଟାସେଟ୍ ସଫା କରିବା ଏବଂ ବ୍ୟବହାର ସମୟରେ ଭୁଲ ଉତ୍ତର ଧରିବା ପାଇଁ Cleanlab ବ୍ୟବହାର କରନ୍ତୁ। ସ୍କୋରକୁ ଗ୍ୟାରେଣ୍ଟି ଭାବେ ନିଅନ୍ତୁ ନାହିଁ। Quasa.ioରେ ମଧ୍ୟ ସମୀକ୍ଷା ଲେଖି 1 QUA ପୁରସ୍କାର ପାଆନ୍ତୁ!

ଆରମ୍ଭ କରନ୍ତୁ: https://quasa.io/projects/cleanlab