Datacurve
Datacurve · コーディング
Datacurveは先端AIラボ向けに学習・評価データを作る企業だ。Shipd上で専門エンジニアに報酬を払い、難度の高いコード課題を解かせてデータに変えている。
Datacurve について
About
Datacurveとは
Datacurveの顧客はAIラボであって、一般ユーザーではない。先端モデルが学習し、評価されるための例を作るのが仕事で、中心はソフトウェアエンジニアリングとSTEM領域にある。自らをAIデータエンジンと呼ぶが、その表現は正確だ。難しい問題を入れれば、構造化されたAIトレーニングデータと評価データが出てくる。
狙っているのは品質である。一般的なアノテーションは安価で替えの効く作業者に流れる。写真へのラベル付けならそれで足りる。だが巨大なコードベースへの修正が本当に正しいかを判断する段になると、破綻する。Datacurveは逆を行く。実務でコードを出しているエンジニアを集め、Shipdというプラットフォームで難問を解かせて報酬を払う。
Shipdは利用者が実際に触る側だ。参加者は課題を探し、自分の得意分野に合うものを選び、解答を提出し、審査を通れば報酬を受け取る。ラボはこの面を見ない。出来上がったデータセットを買うだけだ。
始め方
- メールアドレスかGitHubアカウントでShipdに登録する。技術力で選別されるため、これまでの成果物を用意しておく。
- カテゴリ別に公開中の課題を見る。SWE、ML、データサイエンスなどがあり、引き受ける前に仕様を最後まで読む。
- 自分の環境で解く。リポジトリ単位の修正、落ちているテストスイート、空のフォルダから作る案件などを想定しておく。
- 成果を提出する。まず自動テストが走り、その後に正しさと進め方を人が確認する。
- 課題が通れば報酬を受け取る。以降は承諾率が、より難しく単価の高い仕事への入り口になる。
AIツール情報
Datacurveの料金、対応プラットフォーム、性能を簡単に確認できます。
こんな人におすすめ
このツールが最も力を発揮するユーザー、タスク、シーン。
ユーザー
- 現役のソフトウェアエンジニア：日々の仕事に近い問題で報酬を得られる。単価は量ではなく難度に連動する。
- ML・データサイエンスの専門家：モデル学習、実験設計、分析の課題があり、アプリケーションコードだけではない。
- 競技プログラマーやKaggle上位層：ランキングのあるコミュニティから採用している。パズル型の課題は、趣味で解いている人に向く。
タスク
- オリジナルのコード課題を書く：どのモデルも見ていない問題をゼロから作り、評価結果の信頼性を保つ。
- 検証済みのリポジトリ単位修正を出す：実在するプロジェクトへの実際の変更を、テストと人の確認に通す。
- 評価セットを組む：散らばった課題を点数付きの集合にまとめ、狭い得点帯に固まったモデルを分ける。
シーン
- 夜と週末に副収入を得る：一度に一課題、決まった勤務時間はない。
- 汚染のないデータが要るラボ：学習の打ち切り以降に作られた新しい問題だから、スコアに意味が出る。
- コーディングエージェントを試すチーム：長い工程の課題で、どこで諦めるか、どこでビルドを壊すかが見える。
主な機能
Shipdの懸賞課題
Shipdの案件はどれも、報酬額と仕様と合格ラインが明示された課題だ。始める前に金額が分かるのは、アノテーションの世界では珍しい。参加者はオープンソース、Kaggle、Codeforces、ICPCから集まる。
実務者を優先する選別
ノートPCがあれば誰でも入れるわけではない。判断材料は示された実力で、そのため貢献者の層は一般的なマイクロタスクサイトより薄い。ラボ側から見れば提出数は減るが、捨てる提出も大きく減る。
多層の検証
課題は自動テスト、相互レビュー、専門家の承認を通って初めて件数に入る。層ごとに捕まえる失敗が違う。動かないコード、動くが筋の通らないコード、そして強弱を分けられないほど簡単な課題だ。
コード以外への広がり
対象はアプリケーションコードにとどまらない。機械学習、データサイエンス、隣接する技術領域の課題もある。ラボは複数社を継ぎ合わせずに、一社から複数種のデータを取れる。
DeepSWEのような公開ベンチマーク
Datacurveは自前の評価を公開している。その一つDeepSWEは、稼働中のオープンソースリポジトリを題材にした完全オリジナル課題で組んだソフトウェアエンジニアリング基準だ。モデル各社が発表時にこのスコアを引用する。データ提供会社としては異例の知名度につながっている。
個別設計のデータ案件
不足がはっきりしているラボは、棚にあるものを買うのではなくデータセットを発注できる。範囲を決め、価格は非公開で合意し、構造化データとして受け取る。公開の価格表がないのはそのためだ。
メリットとデメリット
メリット
- 難度の高い課題が実力のあるエンジニアを引き寄せる。結果として、マイクロタスクでは出せない判断力がコードデータに乗る。
- DeepSWEのようなベンチマークを公開しているため、外部から主張を検証できる。
- 貢献者は自分の予定と難度を選べる。本業を持つ人でも取り組みやすい。
- SWE、ML、データサイエンスを一社でまかなえるので、複数社を束ねる手間が減る。
デメリット
- 価格が公開されていない。予算に収まるかは営業と話すまで分からない。
- 貢献者の収入は不安定だ。難しい課題が出ない週は収入ゼロで、固定給はない。
- 選別の基準が高いぶん母集団が小さく、大口の発注では大手アノテーション会社より納期が伸びる。
- 公開APIがない。データの周辺に何か組むなら、接続は手作業になる。
よくある質問
AIモデル向けの学習データと評価データで、比重はソフトウェアエンジニアリングにある。ラボが買うのはデータセットであってソフトウェアではない。だから公式サイトに契約できるサブスクリプションはない。
関連コンテンツ
Datacurveに関連するツール、スキル、記事を探す。
Datacurveの代替ツール
Base Code
Base44 (Wix) · コーディング · 生産性向上Base CodeはBase44の共有クラウド開発環境だ。既存のGitHubリポジトリに対する変更をチャットで伝え、プレビューで確認し、プルリクエストとして返せる。
Google EmbeddingGemma 2
Google DeepMind · ライティング · 画像 · コーディングGoogle EmbeddingGemma 2 は 7 億 4000 万パラメータのオープンなモデルで、テキスト、コード、画像、音声、動画フレームを同じ 768 次元空間のベクトルに変え、スマートフォンやノート PC 上で動く。
GitGlow
GitGlow · コーディング · 生産性向上GitGlow は自分のコードと AI エージェントの変更を一つのレビューにまとめるデスクトップ Git クライアントだ。出荷前に、マシンから何が出ていくのかを確かめられる。