Ik voer deskundige image labeling, data annotatie, analyse en visualisatie uit

Betrouwbare, QA-gecontroleerde data labeling voor AI-training door een Harvard-onderzoeker.

Ik label en annoteren data op dezelfde manier als onderzoeksteams: volgens duidelijke richtlijnen, met een tweede kwaliteitscontrole en met een gerapporteerde foutmarge, zodat je precies weet waarop je traint.

Wat ik label:

Tekstclassificatie & sentiment

Intentie, onderwerp & content moderatie tagging

Named entity recognition (NER)

Beeldclassificatie & tagging

Enquête en open antwoord codering

Rating van LLM-uitvoer & voorkeur ranking

Wat je krijgt:

Schoon CSV of JSON, klaar voor jouw pipeline

Tweede kwaliteitscontrole met blind hercontrole op een steekproef

Edge cases gemarkeerd, niet stilletjes geraden

Consistentie- en klassebalansrapport

Inter-rater betrouwbaarheid metrics (Premium)

Waarom ik: Ik bouw data pipelines in Python en R voor onderzoeksteams aan Harvard Medical School, Columbia University en de University of Washington, inclusief betrouwbaarheid en validatiewerk over klinische schalen. Ik weet dat slechte labels niet alleen ruis toevoegen, maar je model ook verkeerd leren. Stuur me een voorbeeld van je data en ik vertel je eerlijk of ik de juiste persoon ben.