Scale AI

Scale AIは画像、動画、テキスト、音声、文書、LiDARのアノテーションを1つの基盤で請け負うAIデータのラベリング代行サービスとして働く。生データをアップロードして作業を定義すれば、モデルの訓練や微調整に使える形でラベリング結果が返る。この掛け合わせが効くのは、実際の案件で1種類だけを使うことがまずなく、複数の業者に分けるほど品質と納期が崩れるからだ。

生成モデルに対しては、Scale Data Engineが複雑な指示と応答の対を作り、人間の好みをモデルの出力に反映させ、指示の注入テストで脆弱性を洗い出す。これは事前学習の後に当たる工程を覆う。モデルの実用性と安全性が形づくられる段階で、多くのチームが軽く見る部分だ。

人間のフィードバックによる強化学習は、人がモデルの答えを採点して初めて成り立つ。Scale AIは contributor ネットワークでその順位付けを大規模に回す。同社は contributor に10億ドル以上を支払い、数十億件の人間の判断を集めたと述べる。得られるのは、人が本当に求める答えへモデルを寄せる好みの信号だ。

Scale AIはAIモデル評価として、性能を測り、専門家レベルの課題と突き合わせ、安全性とアラインメントの問題を試す。評価は訓練とは別で、チームはこれでモデルを出せるかどうかを判断する。モデルを世に出す側にとっては、リリースを裏づける証拠になる。

Donovanは、任務に沿ったAIエージェントを作り、試し、配備するノーコード基盤だ。機密網やエアギャップ網で動き、DISA IL4とFedRAMP Highの認可を取ったクラウドでも使える。機関にとっての要点は、商用ツールが通常届かない場所に配備できることにある。

プロジェクトにはレビュー工程、品質チェック、誰が何に印を付けたかの記録が付く。規制領域では、データセットがどう組まれ、なぜ信頼できるかを示す必要があるため、これが効く。Scale AIはその追跡性をプラットフォームの一部として売り、顧客任せにしない。

Scale AIは文書化されたAPIを公開し、チームがタスクを作り、データを上げ、結果を自前の工程へ取り込めるようにする。ラベリングと評価は既存の機械学習の流れの中で回り、手作業のアップロードに頼らない。エンジニアにとっては、呼べば使えるサービスと、常に目を配る必要があるサービスの違いにあたる。