Actualités, tutoriels et mises à jour de l'équipe Potato.
Potato 2.3.0 führt agentische Annotation mit 12 Trace-Format-Konvertern, Solo Mode für menschlich-LLM-kollaboratives Labeling, Best-Worst Scaling, SSO/OAuth, Parquet-Export und 15 Demo-Projekte ein.
Potato 2.3.0 में agentic annotation के साथ 12 trace format converters, Solo Mode, Best-Worst Scaling, SSO/OAuth, Parquet export, और 15 demo projects प्रस्तुत किए गए हैं।
Potato 2.3.0 introduce l'annotazione agentica con 12 convertitori di formato traccia, Solo Mode per l'etichettatura collaborativa umano-LLM, Best-Worst Scaling, SSO/OAuth, esportazione Parquet e 15 progetti demo.
Potato 2.3.0 introduit l'annotation agentique avec 12 convertisseurs de formats de traces, le Solo Mode pour l'étiquetage collaboratif humain-LLM, le Best-Worst Scaling, SSO/OAuth, l'export Parquet et 15 projets de démonstration.
Erfahren Sie, wie Sie mit Potatos agentischen Annotationsfunktionen eine vollständige Evaluierungspipeline für KI-Agenten einrichten – von der Trace-Importierung bis zum Annotationsschema-Design.
Potato की agentic annotation सुविधाओं का उपयोग करके AI agent outputs का human evaluation कैसे सेट करें — trace import से annotation schema design तक।
Scopri come configurare la valutazione umana degli output di agenti AI utilizzando le funzionalità di annotazione agentica di Potato, dall'importazione delle tracce alla progettazione degli schemi di annotazione.
Apprenez à mettre en place une évaluation humaine des sorties d'agents IA en utilisant les fonctionnalités d'annotation agentique de Potato, de l'import des traces à la conception des schémas d'annotation.
Schritt-für-Schritt-Tutorial zur effizienten Beschriftung großer Datensätze mit Potatos Solo Mode und menschlich-LLM-Kollaboration – Annotationskosten um bis zu 90 % reduzieren.
Human-LLM collaboration के साथ बड़े datasets को कुशलतापूर्वक label करने के लिए Potato के Solo Mode का उपयोग करने पर चरण-दर-चरण tutorial, annotation लागत को 90% तक कम करते हुए।
Tutorial passo per passo sull'utilizzo di Solo Mode di Potato per etichettare in modo efficiente grandi dataset con la collaborazione umano-LLM, riducendo il costo dell'annotazione fino al 90%.
Tutoriel étape par étape sur l'utilisation du Solo Mode de Potato pour étiqueter efficacement de grands ensembles de données grâce à la collaboration humain-LLM, réduisant les coûts d'annotation jusqu'à 90%.
Wie man Potatos Web-Agent-Trace-Anzeige nutzt, um autonome Web-Browsing-Agenten mit schrittweisen Screenshots, SVG-Overlays und schrittweisen Annotationsschemata zu evaluieren.
Potato के web agent trace display का उपयोग करके स्वायत्त web browsing agents का मूल्यांकन कैसे करें — चरण-दर-चरण screenshots, SVG overlays, और per-step annotation schemas के साथ।
Come utilizzare il display delle tracce degli agenti web di Potato per valutare agenti di navigazione web autonomi, con screenshot passo per passo, overlay SVG e schemi di annotazione per passo.
Comment utiliser l'affichage de traces d'agents web de Potato pour évaluer les agents de navigation web autonomes, avec des captures d'écran étape par étape, des superpositions SVG et des schémas d'annotation par étape.
Potato 2.2.0 ajoute 9 nouveaux schémas d'annotation, un système d'export extensible, l'estimation de compétence MACE, 55 instruments d'enquête validés et des sources de données distantes.
Potato 2.1.0 apporte le système d'affichage d'instances, le support de l'IA visuelle pour l'annotation d'images et de vidéos, la liaison de spans, les spans multi-champs et la personnalisation de la mise en page.
KI-gestützte Objekterkennung, Pre-Annotation und Klassifizierung für Bild- und Videoaufgaben mit YOLO, Ollama, OpenAI und Claude einrichten.
YOLO, Ollama, OpenAI, और Claude के साथ image और video tasks के लिए AI-powered object detection, pre-annotation, और classification सेट करें।
Configura il rilevamento di oggetti assistito dall'AI, la pre-annotazione e la classificazione per task su immagini e video con YOLO, Ollama, OpenAI e Claude.
Configurez la détection d'objets, la pré-annotation et la classification assistées par IA pour les tâches d'images et de vidéos avec YOLO, Ollama, OpenAI et Claude.
Guide pas à pas pour convertir manuellement les projets, modèles et annotations Label Studio au format Potato.
Guide complet pour intégrer Potato avec Prolific pour l'annotation crowdsourcée, incluant le paiement et le contrôle qualité.
Techniques spécialisées pour annoter des contrats, documents judiciaires et dépôts réglementaires avec une expertise du domaine.
Bonnes pratiques pour annoter des images médicales en utilisant les fonctionnalités standard d'annotation d'images de Potato.
Comment configurer les outils de dessin de polygones pour la segmentation d'images, avec des conseils pour les formes complexes et les régions superposées.
Wie man Unsicherheits-Sampling nutzt, um Annotationen zu priorisieren und den gesamten Beschriftungsaufwand um bis zu 50 % zu reduzieren.
Annotations को prioritize करने और कुल labeling effort को 50% तक कम करने के लिए uncertainty sampling का उपयोग कैसे करें।
Come usare l'uncertainty sampling per prioritizzare le annotazioni e ridurre il lavoro totale di etichettatura fino al 50%.
Comment utiliser l'échantillonnage par incertitude pour prioriser les annotations et réduire l'effort total d'étiquetage jusqu'à 50 %.
Guide complet pour configurer l'annotation par boîtes englobantes pour les tâches de vision par ordinateur, incluant les couleurs d'étiquettes et la validation.
Comment convertir vos annotations Potato au format Hugging Face dataset pour l'entraînement de modèles et le partage.
Construisez des interfaces de comparaison d'images côte à côte pour le classement de préférences, les tests A/B et l'évaluation de la qualité.
Nous sommes ravis d'annoncer Potato 2.0 avec des fonctionnalités alimentées par l'IA, le support multimédia et des capacités d'apprentissage actif.
Configurez le surlignage de mots-clés alimenté par l'IA pour attirer l'attention des annotateurs sur les termes et phrases importants.
Instructions pas à pas pour exécuter des tâches d'annotation Potato sur MTurk avec des tests de qualification et des flux d'approbation.
Construisez une tâche complète de classification de sentiment avec des boutons radio, des infobulles et des raccourcis clavier pour un étiquetage efficace.
Configurez Potato pour la détection de toxicité, la classification des discours haineux et l'étiquetage de contenu sensible en tenant compte du bien-être des annotateurs.
Créez des interfaces d'annotation personnalisées avec des modèles HTML, du style CSS et de l'interactivité JavaScript.
Construisez une tâche d'annotation pour l'apprentissage des langues permettant d'évaluer la qualité de la prononciation avec lecture audio et échelles de Likert.
Construisez une tâche d'identification de locuteurs avec des formes d'onde audio, des marqueurs temporels et l'attribution d'étiquettes de locuteurs.
Configurez des tâches d'annotation vidéo avec une navigation précise par image, des marqueurs temporels et l'étiquetage d'événements temporels.
Configurez l'annotation pour détecter des sons spécifiques comme la parole, la musique, les applaudissements ou les bruits environnementaux avec des marqueurs temporels.
Eine schnelle Anleitung zur Einrichtung Ihres ersten Annotationsprojekts mit Potato – von der Installation bis zu Ihren ersten beschrifteten Daten.
Installation से अपने पहले labeled data तक, Potato के साथ अपना पहला annotation project सेट करने के लिए एक त्वरित गाइड।
Una guida rapida per configurare il tuo primo progetto di annotazione con Potato, dall'installazione ai tuoi primi dati etichettati.
Un guide rapide pour configurer votre premier projet d'annotation avec Potato, de l'installation à vos premières données étiquetées.
Comment calculer et interpréter le Kappa de Cohen, le Kappa de Fleiss et l'Alpha de Krippendorff pour vos projets d'annotation.
Notre article sur Potato a été accepté à EMNLP 2022. Découvrez la recherche derrière l'outil et comment le citer dans vos travaux.
Bonnes pratiques pour assurer la qualité des annotations dans les projets d'annotation, incluant des stratégies pratiques que vous pouvez mettre en œuvre avec et au-delà de Potato.
Apprenez à configurer des tâches de classification d'images avec des aperçus miniatures, des contrôles de zoom et la prise en charge multi-étiquettes.
Erfahren Sie, wie Sie OpenAI, Claude oder Gemini nutzen, um Ihren Annotatoren intelligente Hinweise und Vorschläge bereitzustellen.
OpenAI, Claude, या Gemini का उपयोग करके अपने annotators को intelligent hints और suggestions प्रदान करना सीखें।
Scopri come usare OpenAI, Claude o Gemini per fornire suggerimenti e hint intelligenti ai tuoi annotatori.
Apprenez à utiliser OpenAI, Claude ou Gemini pour fournir des indices et suggestions intelligents à vos annotateurs.
Créez une tâche d'annotation musicale avec visualisation de forme d'onde, aperçus de 30 secondes et étiquettes de genre hiérarchiques.
Guide de déploiement en production pour Potato incluant Docker, les plateformes cloud et la configuration SSL.
Un aperçu des concepts d'annotation de suivi multi-objets et de la manière dont les capacités d'annotation vidéo de Potato peuvent supporter des flux de travail de suivi basiques.
Créez une tâche de classification des émotions audio avec affichage de la forme d'onde, contrôles de vitesse de lecture et échelles de Likert.
Tutoriel pas à pas pour créer une tâche d'annotation de reconnaissance d'entités nommées avec des étiquettes de span et des raccourcis clavier.
Un approfondissement des formats de données JSON et JSONL, avec des exemples pour l'annotation de texte, d'images, d'audio et multimodale.
Configurez la visualisation de la forme d'onde, les contrôles de lecture et les interfaces de correction de texte pour les tâches de transcription audio.
Get notified about new tutorials, releases, and community highlights.