AI-trainingsdata kopen
Taal: Nederlands
Vertel ons wat je model moet leren en hoe je beoordeelt of een steekproef bruikbaar is. We kunnen geschikte bronnen bespreken en het bewijsmateriaal dat je kunt beoordelen voordat je beslist of je een licentie voor een collectie neemt. Beschrijf je project voor sapien1
Je kunt een bestaande dataset in licentie nemen, rechtstreeks met een data-eigenaar samenwerken of een verzameling laten samenstellen voor een specifieke taak. Bepaal voordat je een overeenkomst aangaat wat het model moet leren, toets een steekproef aan die eis en controleer of de voorgestelde voorwaarden het beoogde gebruik dekken.
De relevante vraag is niet alleen ‘Hoeveel data zijn beschikbaar?’ Het gaat er ook om of de records de voorbeelden en context bevatten die je team kan gebruiken, en of de overeengekomen licentie betrekking heeft op de betrokken personen, systemen en doeleinden.
Kies waar je de data vandaan haalt
| Mogelijkheid | Wanneer te overwegen | Wat eerst te vragen |
|---|---|---|
| Bestaande dataset | Je hebt een verzameling nodig die mogelijk al bestaat. | Welke versie, velden, periode en gebruiksvoorwaarden zijn inbegrepen? |
| Rechtstreekse overeenkomst met een data-eigenaar | Eén organisatie beschikt over relevante records of inhoud. | Wie kan toestemming geven voor het voorgestelde gebruik en welk materiaal valt eronder? |
| Verzameling of voorbereiding op maat | In bestaand materiaal ontbreken belangrijke scenario’s, formaten of labels. | Wat wordt verzameld of voorbereid, hoe wordt de kwaliteit gecontroleerd en wat mag je daarna gebruiken? |
| Openbare dataset | Een toegankelijke verzameling kan geschikt zijn voor de taak of een eerste vergelijking bieden. | Wat vermeldt de documentatie over de bron, beperkingen en het toegestane gebruik? |
Zo presenteert Opendatabay een marktplaats met datasetvermeldingen, terwijl Clickworker diensten voor verzameling en annotatie op maat beschrijft. Dit zijn startpunten voor verder onderzoek; controleer het aanbod en de voorwaarden voor de specifieke data die je nodig hebt.
Onze gids voor het verkrijgen van data beschrijft hoe je de taak, dekking en het formaat vastlegt voordat je een bron benadert.
Bepaal wat elk voorbeeld moet bevatten
Leg het beoogde gedrag vast en de informatie die nodig is om dat te beoordelen. Voor een supportagent kan een record bijvoorbeeld het klantverzoek, het destijds geldende beleid, de uitgevoerde actie en de uitkomst moeten bevatten. Voor een documentmodel kunnen pagina-afbeeldingen, geëxtraheerde tekst, lay-out en geverifieerde labels de belangrijke velden zijn.
Als een documentsteekproef gelabelde kaders bevat, controleer dan of de kaders op de geleverde afbeeldingen aansluiten. Sommige formaten drukken posities uit als fracties van de pagina-afmetingen, andere gebruiken pixels. Controleer de pagina, afbeeldingsversie, eenheden, oorsprong van het coördinatenstelsel en eventuele schaalwijzigingen, uitsneden of rotaties. Leg daarna kaders uit de steekproef over de afbeeldingen om de uitlijning te controleren. Beoordeel ook of de labels de juiste gebieden beschrijven.
Vraag om een beschrijving van de exacte datasetversie: de bron, omvang en eenheden, bestreken periode, formaten, labels, bekende uitsluitingen en verwerkingsgeschiedenis. De richtlijnen van Hugging Face voor datasetkaarten beschrijven hoe een kaart de inhoud, context en metadata zoals licentie, taal en omvang kan documenteren. Beschouw die velden als informatie die je naast de onderliggende documentatie moet beoordelen.
Toets een steekproef aan je eisen
Spreek de steekproef en de controles af voordat je beslist of je verdergaat met een grotere afname. Neem zowel de alledaagse situaties op waarmee je model te maken krijgt als de moeilijke gevallen die voor de taak relevant zijn. Leg vast hoe de steekproef is geselecteerd en welke delen van de voorgestelde verzameling ze vertegenwoordigt.
De Marketplace Terms van Origin Lab, geraadpleegd op 18 november 2026, beperken de daarin gedefinieerde marktplaatssteekproeven tot interne evaluatie en verbieden het gebruik ervan om een AI-systeem te testen of te evalueren, tenzij een toepasselijke, door Origin Lab ondertekende commerciële overeenkomst uitdrukkelijk anders bepaalt. Die beperking voor steekproeven geldt niet voor afzonderlijk gedefinieerde Bench Materials, waarvoor eigen voorwaarden gelden. Controleer de specifieke voorwaarden van de steekproef en eventuele overeenkomsten voordat je die inziet, test, ermee traint of deelt.
Vraag bij een spraaksteekproef met tijdstempels per woord welke opname en tijdseenheid zijn gebruikt. Verwijzen de tijdstempels naar een kopie waaruit stiltes zijn verwijderd, vraag dan om de identificatie van de bronopname en een overzicht dat de behouden segmenten aan de oorspronkelijke tijdlijn koppelt. Controleer een woord na een tussenliggende knip. In een fictieve steekproef die de bronsegmenten van seconde 2–4 en 7–9 zonder tussenruimte samenvoegt, komt 2,5 seconde in de steekproef overeen met 7,5 seconde in de bron. Als je de offset van twee seconden van het eerste segment optelt, kom je uit op 4,5 seconde: midden in de verwijderde tussenruimte. Tijdstempels koppelen met NeMo Curator
Controleer hoe de levering woorden markeert waarvan de tijdstempels over een samenvoegpunt heen lopen. In dezelfde fictieve steekproef koos de geteste hulpfunctie van faster-whisper één offset voor beide uiteinden van een interval dat over zo’n punt heen loopt en plaatste het begin ervan in de verwijderde tussenruimte. Als je voor jouw gebruik een aaneengesloten interval in de oorspronkelijke opname nodig hebt, spreek dan vóór acceptatie af hoe je die gevallen markeert en beoordeelt. Herstel van tijdstempels in faster-whisper · Berekening van offsets in faster-whisper
Neem dit fictieve voorbeeld. Een team wil een supportagent verder trainen die een volgende stap aanbeveelt bij een retourverzoek. Een leverancier stelt een verzameling supportcases voor. Het team vraagt om 12 voorbeelden voor de beoordeling: zes reguliere retouren en zes uitzonderingen. Voor deze eerste beoordeling eist het team dat elk voorbeeld het klantverzoek, een link naar de destijds geldende beleidsversie en de vastgelegde uitkomst bevat.
| Controle | Eis voor deze steekproef | Voorbeeldresultaat |
|---|---|---|
| Klantverzoek | Aanwezig in alle 12 voorbeelden | Aanwezig in 12 van de 12 |
| Toepasselijke beleidsversie | Gelinkt in alle 12 voorbeelden | Aanwezig in 10 van de 12; bij twee uitzonderingen ontbreekt de link |
| Vastgelegde uitkomst | Aanwezig in alle 12 voorbeelden | Aanwezig in 11 van de 12; bij één regulier geval ontbreekt een uitkomst |
De steekproef voldoet niet aan twee van de controles die het team heeft vastgesteld. De volgende stap is vragen of de ontbrekende beleidslinks en uitkomst kunnen worden achterhaald en een gecorrigeerde steekproef beoordelen. Als dat niet kan, kan het team de eis aanpassen of een andere bron zoeken. Een vastgelegde uitkomst is niet automatisch een juiste beslissing: een inhoudelijk deskundige moet de uitkomsten ook vergelijken met het toepasselijke beleid.
Deze aantallen beschrijven alleen de 12 geselecteerde gevallen. Ze geven geen schatting van het foutenpercentage in de volledige verzameling. Vraag om een bredere dekking te beoordelen hoe de dataset over relevante scenario’s is verdeeld en spreek een aanvullende steekproef af die volgens een gedocumenteerde methode wordt getrokken. De richtlijnen van Google over datakwaliteit en steekproeven leggen uit waarom een geselecteerde steekproef een misleidend beeld van een grotere populatie kan geven.
Stel dat die 12 gevallen allemaal uit 2024 komen, terwijl de aangeboden verzameling 2022–2024 beslaat. Door een gecorrigeerde kopie te controleren, kun je bevestigen dat die gevallen zijn hersteld; het laat niet zien of de rest van de verzameling is gecorrigeerd. Vraag welke datasetversie en records zijn gecorrigeerd en spreek daarna af hoe je een nieuwe steekproef selecteert uit de versie die je wilt kopen. Als alleen 2024 kan worden beoordeeld, laat 2022–2023 dan als niet beoordeeld staan en bepaal of je de aankoop wilt beperken of op een bredere beoordeling wilt wachten.
Als echte records niet kunnen worden gedeeld voor de eerste beoordeling, vraag dan of een geschoonde steekproef of gecontroleerde toegang mogelijk is. Een synthetisch voorbeeld kan het formaat laten zien, maar kan de kwaliteit of dekking van de werkelijke verzameling niet aantonen.
Spreek voordat je een steekproef ontvangt af hoe de toegang wordt afgedwongen: een query die bepaalde kolommen selecteert, beperkt op zichzelf de toegang tot de rest van het onderliggende bestand niet. Een Parquet-footer kan ook kolomstatistieken bevatten. Als de verzender moet beperken wat buiten de afgeschermde omgeving wordt gedeeld, overweeg dan een afzonderlijk voorbereide steekproef met goedgekeurde velden of een dienst die toegang op veldniveau afdwingt. Beoordeel naast de geretourneerde records ook de metadata en toegangscontroles.
Controleer hoe je de data mag gebruiken
Stem de overeenkomst en ondersteunende documenten af op de specifieke dataset en het project. Bespreek met de leverancier en de mensen die verantwoordelijk zijn voor de juridische en inkoopbeoordeling onder meer de volgende vragen:
- Welke datasetversie valt onder de overeenkomst en is de leverancier bevoegd het voorgestelde gebruik toe te staan?
- Zijn trainen, verder trainen, evalueren of ophalen van informatie inbegrepen waar dat nodig is? Gaan de voorwaarden in op commerciële inzet en eventuele relevante beperkingen voor modellen of uitvoer?
- Wie mag de data inzien of verwerken, onder wie opdrachtnemers en dienstverleners? Welke voorwaarden gelden voor levering, opslag, bewaartermijnen en verwijdering?
- Zijn er uitsluitingen, rechten van eerdere rechthebbenden, materiaal van derden of andere beperkingen die moeten worden beoordeeld? Welk bewijs is beschikbaar voor de verklaring van de leverancier over de herkomst van de data en de verleende toestemmingen?
Leg afzonderlijk vast wat is bevestigd en wat nog moet worden beoordeeld. Een licentielabel of datasetkaart helpt bij het vaststellen van een geclaimd gebruiksrecht, maar verifieert op zichzelf de onderliggende rechten niet. Een onderzoek naar openbare tekst-, spraak- en videodatasets vond verschillen tussen licentiebeschrijvingen op datasetniveau en beperkingen die aan de broninhoud verbonden zijn. De bevindingen gaan over de onderzochte openbare datasets, niet over iedere commerciële verzameling.
Zo beschrijft een vastgepinde kaart voor de openbare onderzoeksdataset SciFact de dataset als CC BY-NC 2.0 en linkt deze naar een licentiebestand op de master-branch van de repository, dat kan veranderen. In een vastgepinde momentopname van die licentie beschrijft de repository afzonderlijk CC BY 4.0 voor claims en annotaties van bewijsmateriaal, ODC-By 1.0 voor abstracts in het corpus en Apache 2.0 voor de code. De documenten kunnen verschillende versies, onderdelen of bewerkingen beschrijven; ze stellen op zichzelf niet vast welke voorwaarden voor een specifiek bestand gelden. Breng geleverde bestanden en hun onderliggende brononderdelen in verband met de relevante documentatie en laat onopgeloste vragen over rechten beoordelen.
Plan de evaluatie en levering
Bepaal hoe de data worden geleverd en geaccepteerd: bestandsformaten, een manifest of versieaanduiding, documentatie, controles van steekproeven en de manier waarop problemen worden opgelost. Als de data ook worden gebruikt om een model te evalueren, houd dan een aparte testset buiten de training en controleer op duplicaten tussen de sets. De richtlijnen van Google voor het splitsen van datasets leggen uit hoe duplicaten een test beter kunnen laten lijken dan hij is.
Controleer wanneer de inspectietermijn begint, hoe je een melding moet doen, wat stilzwijgen betekent en welke rechtsmiddelen van toepassing zijn. Zo geeft versie 1.0 van de standaardlicentie voor AI-training van ai.market een koper zeven kalenderdagen na de eerste levering om de marktplaats op de hoogte te stellen van een wezenlijke afwijking van de vermelding. De algemene voorwaarden van micro1, bijgewerkt op 12 november 2026, geven micro1, de licentienemer, 30 werkdagen nadat de levering volgens het manifest is voltooid om data schriftelijk af te wijzen. Een afzonderlijk startmoment geldt als de leverancier micro1 schriftelijk meldt dat de resterende data niet kunnen worden geleverd. De documenten gelden voor verschillende transacties en bevatten aanvullende voorwaarden en uitzonderingen. Beoordeel de voorwaarden en versie die op je bestelling van toepassing zijn.
Een manifest kan de verwachte bestanden en controlesommen voor de overeengekomen datasetversie vermelden. Spreek af hoe je de bron van het manifest verifieert, de bestandenlijst vergelijkt met wat is ontvangen en ontbrekende, onverwachte of afwijkende bestanden onderzoekt. Als een fictief manifest bijvoorbeeld twee bestanden vermeldt maar er slechts één aankomt, maakt een overeenkomende controlesom voor dat bestand de levering niet compleet. De BagIt-specificatie maakt voor één verpakkingsformaat onderscheid tussen volledigheid en validatie van controlesommen. Een overeenkomende controlesom betekent dat de berekende controlesom van een bestand overeenkomt met die in het manifest; daarmee staan de identiteit van de verzender, de juistheid van labels, representatieve dekking of de rechten om de data te gebruiken niet op zichzelf vast. Beoordeel die afzonderlijk.
Als een leverancier de volgende versie verstuurt, lees dan hoe je terugkerende leveringen van AI-data accepteert.
Bekijk onze gids voor datasetevaluatie voor een uitgewerkt voorbeeld van controles op datalekken vanuit de testset en ontbrekende context.
sapien1 helpt teams data-eisen af te bakenen, mogelijke bronnen te vinden en steekproeven te beoordelen. Begin met de taak, de voorbeelden die je nodig hebt en de beslissing die een steekproef moet ondersteunen. Data-eigenaren die zich op een gesprek voorbereiden, kunnen onze voorbereidingsgids voor datalicenties gebruiken.