Ενεργητική μάθηση - Ναμίμπια | Κορυφαίες εφαρμογές & λογισμικό
Τα εργαλεία ενεργητικής μάθησης διατηρούν το ενδιαφέρον των φοιτητών με δημοσκοπήσεις, κουίζ, συζητήσεις και διαδραστικές ασκήσεις κατά τη διάρκεια διαλέξεων και μαθημάτων στην τάξη.
Labelbox
Το Labelbox είναι πλατφόρμα δεδομένων για δημιουργία και χρήση εφαρμογών AI: εκπαίδευση και βελτίωση μοντέλων, αυτοματοποίηση με LLMs. Χρησιμοποιεί cookies για λειτουργία και ανάλυση.
Galileo AI
Εργαλείο AI που μετατρέπει φυσικές περιγραφές σε UI σχεδιάσεις υψηλής πιστότητας, δημιουργεί εικόνες και κείμενα προϊόντος και αυτοματοποιεί επαναλαμβανόμενα στοιχεία διεπαφής.
Modal
Το Modal επιτρέπει την εκτέλεση κώδικα στο cloud, παρέχοντας πρόσβαση σε υπολογιστικούς πόρους με κοντέινερ χωρίς την ανάγκη διαχείρισης υποδομής.
V7
Το V7 είναι πλατφόρμα δεδομένων AI για όραση υπολογιστή και γεννητικής AI: διαχείριση και ετικετοποίηση εικόνων/βίντεο/κειμένου, αυτοματοποιημένες ροές εργασίας, OCR, συνεργασία και ανάλυση απόδοσης.
Dataloop
Το Dataloop είναι πλατφόρμα για διαχείριση, σχολιασμό και οργάνωση συνόλων δεδομένων, ενσωμάτωση μοντέλων και εξαγωγή σε κοινές μορφές αρχείων.
Galileo
Πλατφόρμα για αξιολόγηση, παρακολούθηση και προστασία εφαρμογών γενετικής AI, με μετρήσεις, traces και έλεγχο σε ανάπτυξη και παραγωγή.
Encord
Το Encord είναι πλατφόρμα για δημιουργία και διαχείριση εκπαιδευτικών δεδομένων, σχολιασμό εικόνων/βίντεο, ενεργή δειγματοληψία και εκπαίδευση/βελτίωση μοντέλων AI.
Deepchecks
Το Deepchecks αξιολογεί και επικυρώνει συστήματα LLM/ML, εντοπίζει μεροληψίες, μετατοπίσεις και προβλήματα απόδοσης, και παρέχει αναφορές και ενσωμάτωση σε ροές ανάπτυξης.
DagsHub
Το DAGsHub είναι πλατφόρμα για δημιουργία, αναπαραγωγή και συνεισφορά σε έργα επιστήμης δεδομένων, με έλεγχο εκδόσεων για δεδομένα/μοντέλα, παρακολούθηση πειραμάτων και επισήμανση δεδομένων.
Cleanlab
Το Cleanlab εντοπίζει και διορθώνει λάθη, θόρυβο και κακές ετικέτες σε εικόνες, κείμενα και πίνακες, αυτοματοποιώντας καθαρισμό, αυτοεπισημάνσεις και προετοιμασία για μοντέλα ML.
Lightly AI
Το Lightly βοηθά ομάδες ML να επιλέγουν και να διαχειρίζονται δεδομένα εκπαίδευσης με ενεργή μάθηση: φιλτράρισμα δειγμάτων, ανάλυση ποιότητας/ποικιλίας, παρακολούθηση και διαχείριση σετ.