Ik maak je rommelige data schoon en automatiseer het met python
ML-engineer
Over deze dienst
Ik maak ruwe datasets schoon en formatteer ze voor LLM training en fine-tuning. De diensten omvatten deduplicatie, PII-verminking, ruisverwijdering en conversie naar standaardformaten (JSONL, Alpaca, ChatML). Python-gebaseerd, NDA-conform en afgestemd op de architectuur van jouw model. Stuur me een bericht voordat je bestelt om de datasetgrootte en vereisten te bespreken.
Mijn portfolio
Veelgestelde vragen
Automatische vertaling
Signeren jullie NDAs of gaan jullie vertrouwelijk om met gevoelige data?
Ja. Ik onderteken NDA's voordat ik toegang krijg tot gegevens en verwijder alle bestanden na voltooiing van het project. Ik gebruik klantgegevens nooit voor mijn eigen modellen.
Welke formaten accepteer en lever je?
Ik accepteer CSV, JSON, JSONL, Parquet, TXT en SQL dumps. Leveringsformaten zijn onder andere JSONL, Parquet, Alpaca, ChatML of aangepaste schema's voor HuggingFace/Llama.cpp.
Kun je omgaan met meertalige datasets of datasets met veel code?
Ja. Geef vooraf de talen en coderingsstandaarden door zodat ik de juiste tokenisatie, encodering en syntaxvalidatie kan toepassen.
Hoe waarborg je kwaliteit na het schoonmaken?
Elke levering bevat een validatierapport met metrics (deduplicatiepercentage, PII-aantal, formatconformiteit) plus 10–20 voorbeeldrijen voor handmatige controle.
Wat als mijn dataset groter is dan het Premium pakket?
Stuur me een bericht met je rijtelling en vereisten. Ik geef op maat gemaakte offertes voor datasets groter dan 1 miljoen rijen of die gespecialiseerde verwerking vereisen.
Bied je doorlopende of terugkerende schoonmaakdiensten aan?
Ja. Veel klanten hebben continue pipeline-ondersteuning nodig. Neem contact met me op om retainer- of abonnementsovereenkomsten te bespreken.

