Leistungen
Japanische KI-Trainingsdaten, über alle Modalitäten hinweg
Fünf Leistungen für das, was ein KI-System in jeder Phase braucht – von den Instruction-Daten, die ein Modell lehren, bis zur menschlichen Bewertung, die zeigt, ob es funktioniert hat.
Alle fünf stehen auf derselben Grundlage: Annotatoren in Japan, Richtlinien, die versioniert statt erinnert werden, und Qualität, die gemessen wird, bevor sie behauptet wird.
Ein Team, der ganze Datenlebenszyklus
Die meisten Annotationsprobleme sind keine Labeling-Probleme. Es sind Definitionsprobleme: Zwei vernünftige Menschen lesen dieselbe Richtlinie und labeln denselben japanischen Satz unterschiedlich, und niemand merkt es, bis das Modell auf beidem trainiert ist. Unsere Arbeit in fünf Leistungen aufzuteilen, ist eine Art, diese Definitionen explizit zu machen – jede Leistung hat eigene Taxonomiefragen, eigene Fehlerbilder und eigene Qualitätsprüfungen.
Die Leistungen sind keine Pakete, zwischen denen Sie wählen müssen. Ein einzelnes Projekt nutzt regelmäßig drei davon: NLP-Annotation, um ein gelabeltes Korpus aufzubauen, LLM-Trainingsdaten, um daraus Instruction- und Präferenzpaare zu machen, und Evaluation, um zu messen, was das entstandene Modell tatsächlich tut. Konstant bleibt das japanische Sprachurteil, das unter allem liegt.
Im Überblick
- Modalitäten
- Japanische Text-, Sprach-, Bild-, Video-, Dokument- und multimodale Daten.
- Modellphasen
- Korpusfilterung, Supervised Fine-Tuning, Präferenz- und RLHF-Daten, Evaluation und Benchmarking.
- Lieferformate
- JSONL, CSV, CoNLL-U, SRT, CTM, COCO – oder ein Schema, das Sie festlegen.
- Tooling
- Wir arbeiten in Ihrer Annotationsplattform oder in unserer eigenen abgesicherten Umgebung.
- Einstieg
- Ein abgegrenztes Pilotprojekt. Taxonomie und Qualität sind belegt, bevor das Volumen steigt.
Was wir tun
Fünf Leistungen, dazu die Expertenebene
Jede hat ihre eigene Seite, auf der die Taxonomieentscheidungen, die japanisch-spezifischen Fallstricke und der Lieferumfang ausbuchstabiert sind.
LLM-Trainingsdaten
Instruction-, Präferenz- und RLHF-Datensätze auf Japanisch, mit ausdrücklich getroffenen Registerentscheidungen.
- Instruction- und SFT-Daten
- Präferenz- und Ranking-Daten
- Mehrstufige Dialoge
- Safety-, Ablehnungs- und Red-Team-Daten
LLM-Evaluation
Menschliche Bewertung japanischer Modellausgaben – Rubrics, paarweise Präferenz, Faktentreue und Red Teaming.
- Paarweise Präferenz
- Rubric-Bewertung
- Faktentreue und Grounding
- Safety und Red Teaming
Sprache & Audio
Japanische ASR-Transkription, Diarisierung und Intent-Labeling, mit schriftlich festgehaltener Normalisierungskonvention.
- Transkription
- Zeiten und Alignment
- Sprecherlabeling
- Intent- und Slot-Labeling
Bild & Video
Bounding Boxes, Segmentierung, OCR und Dokumentlayout auf japanischen Bildern, Videos und Formularen.
- Detektion und Segmentierung
- Keypoints und Attribute
- Videoannotation
- OCR und Dokumentlayout
Text & NLP
Entitäten, Relationen, Intent und Sentiment auf japanischem Text, mit entschiedenen statt unterstellten Tokengrenzen.
- Named Entity Recognition
- Relations- und Ereignisextraktion
- Klassifikation
- Sentiment und Emotion
Experten-Annotation
Annotation und Evaluation mit japanischen Fachexperten, für KI in regulierten Bereichen.
- Rechtsanwälte
- Steuerberater
- Wirtschaftsprüfer
- Experten für Arbeitsrecht und Sozialversicherung
Auswahl
Welche Leistung brauche ich?
Gehen Sie von dem aus, was Sie am Modell ändern wollen. Die Leistung ergibt sich daraus – nicht aus dem Dateityp, den Sie gerade zur Hand haben.
| Wenn Ihr Ziel ist … | Die Leistung | Typisches erstes Ergebnis |
|---|---|---|
| Dem Modell beibringen, in natürlichem, registergerechtem Japanisch zu antworten | LLM-Trainingsdaten | Ein Pilotsatz aus Instruction-Antwort-Paaren mit festgeschriebenem Styleguide |
| Herausfinden, wo das Modell falsch liegt, bevor Sie es ausliefern | LLM-Evaluation | Ein bewertetes Evaluationsset mit Rubric und gemessener Übereinstimmung |
| Das Modell soll japanische Sprache genau hören | Sprache & Audio | Transkribiertes Audio mit schriftlich festgelegter Normalisierung |
| Japanische Dokumente, Formulare oder Bildschirmtext lesen | Bild & Video | OCR- und Layout-Annotation auf einer repräsentativen Dokumentstichprobe |
| Strukturierte Fakten aus japanischem Text extrahieren | Text & NLP | Ein Entity- und Relationsschema, an echten Grenzfällen erprobt |
| Fachleute sollen Antworten in einem regulierten Bereich beurteilen | Experten-Annotation | Ein von Experten geprüftes Evaluationsset mit schriftlichen Entscheidungsnotizen |
Lebenszyklus
Wo jede Leistung greift
Derselbe Datensatz dient selten zwei Phasen. Daten, die ein Modell lehren sollen, sind ein schlechter Test dafür, weil das Modell sie schon gesehen hat.
-
01
Korpusaufbereitung
Filterung, Deduplizierungsregeln, Qualitäts- und Safety-Flags auf japanischem Rohtext, Audio oder Dokumenten. Entscheidet, was überhaupt annotiert zu werden lohnt.
-
02
Supervised Fine-Tuning
Instruction-Antwort-Paare, mehrstufige Dialoge und Aufgabendemonstrationen, geschrieben in dem Register, das das Produkt tatsächlich verwendet.
-
03
Präferenz und Alignment
Rangfolgen oder paarweise Vergleiche, Safety- und Ablehnungsverhalten und die schriftlichen Kriterien, die eine Antwort besser machen als eine andere.
-
04
Evaluation
Zurückgehaltene Sets und Rubric-Bewertung durch Personen, die am Aufbau der Trainingsdaten nicht beteiligt waren, damit die Messung unabhängig ist.
-
05
Produktionsmonitoring
Stichproben aus der laufenden Modellausgabe, bewertet nach derselben Rubric, wobei wiederkehrende Fehler in den nächsten Datenzyklus zurückfließen.
Lieferung
Formate und Lieferung
Jede Charge wird mit der Taxonomieversion geliefert, gegen die sie gelabelt wurde, und mit einem Änderungsprotokoll zur vorherigen Charge – so bleiben Datensätze über Versionen hinweg vergleichbar.
| Datentyp | Typische Lieferung | Ebenfalls möglich |
|---|---|---|
| Text und NLP | JSONL | CSV, CoNLL-U, brat standoff, Parquet |
| LLM-Instruction und -Präferenz | JSONL (messages / chosen–rejected) | CSV, Hugging Face dataset layout |
| Sprache | JSON mit Zeitangaben | SRT, VTT, CTM, TextGrid, reines Transkript |
| Bild und Video | COCO JSON | YOLO, Pascal VOC, CVAT XML, JSONL je Frame |
| Dokument und OCR | JSON mit Seitengeometrie | hOCR, ALTO, CSV-Feldextraktion |
| Evaluationsergebnisse | JSONL-Scores plus QA-Bericht | CSV, Scoring-Notebook, Entscheidungsprotokoll |
FAQ
Zu den Leistungen
Fragen zu Umfang und Ablauf, die aufkommen, bevor ein Pilotprojekt definiert ist.
Ja, und die meisten Programme tun das. Eine typische Abfolge ist NLP-Annotation, um ein gelabeltes Korpus zu schaffen, daraus aufgebaute LLM-Trainingsdaten und anschließend eine Evaluation durch eine getrennte Gruppe von Annotatoren. Alles in einem Auftrag zu bündeln bedeutet, dass Taxonomie, Styleguide und QA-Kennzahlen konsistent bleiben, statt je Dienstleister neu hergeleitet zu werden.
Auf Japanisch sind wir ausgelegt, und japanisch-englische zweisprachige Arbeit gehört dazu. Bei Volumenarbeit in anderen Sprachen sagen wir Ihnen lieber offen, dass wir nicht der richtige Anbieter sind, als das Projekt anzunehmen und weiterzuvergeben.
Der Preis richtet sich nach der Arbeitseinheit – je Element, je Audiostunde, je Bild oder je Bewertung – und hängt von der Komplexität der Aufgabe, dem Prüfaufwand pro Element und der erforderlichen Expertise ab. Wir kalkulieren, nachdem wir ein Pilotprojekt an Ihren echten Daten abgegrenzt haben, denn ein Angebot auf Basis einer Aufgabenbeschreibung ist geraten und meistens falsch.
Wir entwerfen sie, Sie prüfen sie, und beides passiert vor der Produktion. Das Pilotprojekt ist dazu da, den ersten Entwurf an echten Grenzfällen scheitern zu lassen; jede dabei geklärte Abweichung wird in das Dokument zurückgeschrieben. Danach wird die Richtlinie versioniert, und jede gelieferte Charge hält fest, gegen welche Version sie gelabelt wurde.
Hier starten
Sagen Sie uns, was das Modell lernen soll.
Schicken Sie die Aufgabe, eine Datenprobe und die Randbedingungen, unter denen Sie arbeiten. Wir melden uns mit einem abgegrenzten Pilotplan, den Taxonomiefragen, die zu klären wären, und einer ehrlichen Einschätzung, was daran schwierig ist.
NDA, bevor Sie Daten übermitteln. Die Planung des Pilotprojekts ist kostenlos.