採購 AI 數據，至今仍像賭博
AI 團隊在用數據訓練之前，往往面對三個難題。
權屬無法核實
不少「數據擁有方」其實從未取得將內容授權用於 AI 訓練的權利，風險最終轉嫁給買方。
模型仍不懂的語言
粵語、中英夾雜的語音及香港本地專業知識，在公開數據中十分稀缺，香港以外也難以採集。
買之前看不到價值
規格說明無法告訴你，這份數據能否在你的任務上提升模型，又會否令其他能力退化。
我們的服務
以自產數據為主，嚴選少量合作夥伴數據，並以實證支持每一份數據。
定制數據生產
由經審核的貢獻者網絡，在明確並有紀錄的授權同意下，採集語音、文本及專家數據，每一步都經質量檢查。
可即時授權的數據集
MXDATA 自產數據，以及通過權屬審查的合作夥伴數據。提供非獨家、定制及獨家授權。
採購前效果驗證
以受控實驗展示數據在指定任務上如何改變模型表現，設有基線、同等預算對照組，並報告結果波動。
我們如何測量數據的效果
我們不給一個籠統的「質量分」，而是展示數據在甚麼條件下帶來了甚麼效果，以及成本是多少。
固定實驗條件
每項結果都對應特定的數據版本、模型版本、訓練配方、測試集版本及評測方法。
與對照組比較
同時比較原模型，以及以同等預算訓練的公開數據，避免把「多訓練了」誤當成「數據更好」。
嚴格分隔測試集
測試集按說話人或文件分隔，與訓練數據完全分開，且不由數據供應方挑選。
如實報告
報告指標、波動、算力成本、失敗案例及退化的能力。差異太小無法判斷時，我們會如實說明。
實驗結果只代表在所述條件下的實測效果，並不保證在其他模型、任務或數據規模上會有相同提升。
MXDATA Certified 認證
每份授權數據都附有完整文件，方便你的法務及數據團隊快速審批。
- 權屬鏈條數據由誰創作，權利如何轉移至 MXDATA
- 授權同意紀錄已簽署並有版本管理的貢獻者同意書
- 個人資料處理按香港《個人資料（私隱）條例》去識別化
- 使用範圍清楚列明訓練、評測及部署的許可範圍
- 來源紀錄版本、處理步驟及質檢報告
首批數據集
從香港獨有、別人難以複製的優勢開始。
香港粵英夾雜對話語音
以香港人真實的說話方式進行的雙人自然對話，例如「我 send 個 email 俾你 confirm 下」。
- 日常生活、客戶服務、銀行理財、醫療及職場等場景
- 48 kHz、16-bit，每位說話人獨立聲道
- 粵語漢字加英文轉寫，附時間戳及語言切換標註
- 成年說話人分佈均衡；測試集按說話人分隔
香港專業評測題庫
由香港專業人士撰寫及審核的問題、參考答案及評分準則。
- 金融及合規、普通法法律推理、醫療健康
- 繁體中文、粵語及英文
- 用於模型評測、偏好數據及紅隊測試
為甚麼是香港
生產、認證並向全球授權亞洲數據的可信基地。
兩文三語
粵語、普通話及英語，兼通繁簡中文。
專業人才
亞洲金融、法律及醫療專業人士最密集的城市之一。
普通法
國際認可的合約及知識產權制度。
國際結算
跨境簽約及付款便利。
亞洲樞紐
連接東南亞及東亞合作夥伴。
聯絡我們
正在尋找亞洲語言數據、想索取首批數據集的樣本，或有數據及專業知識可以提供？請簡單告訴我們你的需要。