clickworker는 월간 방문 1,861,149, 전월 대비 성장률 +0.5%, 가격 문의 가격 모델을 기록합니다. Labelbox는 월간 방문 762,803, 성장률 -22.8%, 가격 문의 가격 모델을 기록합니다.
AI 학습과 시장 데이터를 위한 크라우드소싱 데이터 서비스
최전선 AI가 학습하는 환경, 그리고 반복 업무를 맡는 에이전트
| 항목 / 지표 | | |
|---|---|---|
| 공식 도메인 | clickworker.com | labelbox.com |
| 가격 모델 | 가격 문의 | 가격 문의 |
| 월간 방문 수 | 186.11만 (1,861,149) | 76.28만 (762,803) |
| 전월 대비 트래픽 변화량 | +9.57천 (+0.5%) | -22.52만 (-22.8%) |
| 주요 시장 및 점유율 | 🇺🇸 미국 (27.6%) | 🇺🇸 미국 (21.9%) |
| 월 직접 방문 수 | 94.71만 | 37만 |
| 사용자 평점 | 3.9 | 4.4 |
| 지원 플랫폼 | 웹사이트 | 웹사이트 |
AI 학습과 시장 데이터를 위한 크라우드소싱 데이터 서비스
사람이 직접 라벨링·주석·검증한 이미지, 영상, 오디오, 텍스트 맞춤 데이터셋을 모회사 LXT와 함께 제공합니다.
136개국의 등록 프리랜서가 웹과 Android·iOS 앱으로 마이크로태스크를 처리하며 필요에 따라 유연하게 확장합니다.
올인원 설문 도구와 검증된 응답자 풀을 통해 외부 연구와 타깃 인사이트를 확보합니다.
실시간 매장 데이터 수집, 진열 감사, 미스터리 체크, 웹·앱·게임 사용성 테스트를 제공합니다.
최전선 AI가 학습하는 환경, 그리고 반복 업무를 맡는 에이전트
비전, 언어, 생성 작업 전반에 걸친 구조적 주석, 데이터 큐레이션, 모델 평가, 휴먼 인 더 루프 검수를 제공해 학습과 평가 데이터의 기반이 됩니다.
Recursion 에이전트는 빌드, 알림, 커밋, 체크포인트, 스케줄로 스스로 시작해 작업이 끝나 검토 가능해질 때까지 백그라운드에서 수행합니다.
소프트웨어 엔지니어링, 안정성, 보안, ML 연구, 평가, R&D, 제품, 재무까지 전문 에이전트가 불안정한 테스트 수정부터 포스트모템 초안까지 담당합니다.
모든 실행은 채점 에이전트가 평가하고, 채점된 세션은 기억과 노트, 스킬을 남겨 다음 세션이 행동 전에 읽습니다.
연구 및 선호도 조정을 위한 고품질의 검증된 참가자 풀을 제공하지만, 전통적인 데이터 라벨링에 대한 집중도는 낮습니다.
고급 LLM 학습 및 프롬프팅을 위해 전문가들을 연결하지만 일반적인 소액 과제 크라우드소싱 기능은 부족합니다.
AI 연구실과 검증된 인간 RLHF 전문가를 매칭하는 데 특화되어 있지만, 일반적인 데이터 라벨링 서비스는 적은 편입니다.
AI 연구실과 검증된 인간 RLHF 전문가를 매칭하는 데 특화되어 있지만, 일반적인 데이터 라벨링 서비스는 적은 편입니다.
특화 강점어노테이션부터 모델 배포까지의 엔드투엔드 컴퓨터 비전 워크플로우를 간소화하지만, Labelbox의 일반적인 기업용 에이전트 오케스트레이션은 부족합니다.
특화 강점데이터 검증을 위해 휴먼 인 더 루프 관리형 인력 서비스에 크게 의존하며, Labelbox보다 셀프 서비스 기술 도구가 적습니다.
대규모 기업급 데이터 라벨링과 모델 평가를 제공하지만, 종종 Labelbox보다 더 큰 예산이 필요합니다.
안정적인 멀티모달 어노테이션과 워크플로우 자동화를 제공하며, 컴퓨터 비전 팀을 위한 직관적인 데이터 선별 파이프라인을 갖추고 있습니다.
안정적인 멀티모달 어노테이션과 워크플로우 자동화를 제공하며, 컴퓨터 비전 팀을 위한 직관적인 데이터 선별 파이프라인을 갖추고 있습니다.
특화 강점하나의 연결 환경에서 AI 모델과 에이전트를 추적·평가·배포하세요.
복잡한 RLHF 및 최첨단 AI 평가를 위한 최고 수준의 전문가에게 집중하지만 일반 크라우드소싱 작업은 부족합니다.
고급 컴퓨터 비전 및 피지컬 AI 데이터 파이프라인에 특화되어 있지만, 일반적인 텍스트 및 이미지 라벨링보다는 범위가 좁습니다.
무료 / 오픈소스맞춤형 데이터 라벨링을 위한 유연한 오픈소스 대안을 제공하지만, 자체 호스팅과 수동 인프라 관리가 필요합니다.
특화 강점Focuses strictly on LLM evaluation, testing, and observability rather than raw data annotation and training dataset curation.
특화 강점Focuses strictly on LLM evaluation, testing, and observability rather than raw data annotation and training dataset curation.
