Scale AI

Scale AI는 이미지, 영상, 텍스트, 오디오, 문서, LiDAR 주석을 하나의 플랫폼에서 처리하는 관리형 데이터 주석 서비스로 동작한다. 원본 데이터를 올리고 작업을 정의하면 모델 학습이나 미세 조정에 쓸 수 있는 형태로 라벨링 결과가 돌아온다. 이 조합이 중요한 이유는 실제 프로젝트가 한 종류만 쓰는 경우가 거의 없고, 여러 업체로 나눌수록 품질과 일정이 무너지기 때문이다.

생성 모델에 대해서는 Scale Data Engine이 복잡한 지시와 응답 쌍을 만들고, 사람의 선호를 모델 출력에 반영하며, 지시 주입 테스트로 취약점을 찾아낸다. 이는 사전 학습 이후 단계를 덮는다. 모델의 쓸모와 안전성이 빚어지는 지점인데, 많은 팀이 이 부분을 가볍게 본다.

사람 피드백 기반 강화 학습은 사람이 모델 답변에 점수를 매겨야 성립한다. Scale AI는 기여자 네트워크로 그 순위 매기기를 대규모로 돌린다. 회사는 기여자에게 10억 달러 이상을 지급하고 수십억 건의 사람 판단을 모았다고 밝힌다. 여기서 나오는 것이 사람이 진짜 원하는 답으로 모델을 밀어 주는 선호 신호다.

Scale AI는 모델 성능을 측정하고 전문가 수준 과제와 비교하며 안전성과 정렬 문제를 시험한다. 평가는 학습과 별개이고, 팀은 이것으로 모델을 출시할 수 있는지 판단한다. 모델을 세상에 내놓는 쪽에는 출시를 뒷받침하는 근거가 된다.

Donovan은 임무에 맞춘 AI 에이전트를 만들고 시험하고 배포하는 노코드 플랫폼이다. 기밀망과 에어갭망에서 돌아가고, DISA IL4와 FedRAMP High 인가를 받은 클라우드에서도 쓸 수 있다. 기관에 중요한 점은 상용 도구가 보통 닿지 못하는 곳에 배포할 수 있다는 것이다.

프로젝트에는 검토 단계, 품질 점검, 누가 무엇을 라벨링했는지에 대한 기록이 따라온다. 데이터셋이 어떻게 만들어졌고 왜 믿을 만한지 보여야 하는 규제 영역에서 이 점이 중요하다. Scale AI는 그 추적성을 플랫폼의 일부로 팔고, 고객에게 떠넘기지 않는다.

Scale AI는 문서화된 API를 공개해, 팀이 작업을 만들고 데이터를 올리고 결과를 자체 공정으로 가져갈 수 있게 한다. 라벨링과 평가가 기존 머신러닝 흐름 안에서 돌아가고 수동 업로드에 기대지 않는다. 엔지니어링 팀에는 불러 쓰는 서비스와 계속 지켜봐야 하는 서비스의 차이다.