AfterQuery

概要

AfterQuery は、基盤モデル開発向けのトレーニングデータに特化した応用研究ラボです。一般的な合成データ、公開データ、ウェブスクレイピング由来のデータよりも高品質なデータを必要とする AI 研究ラボや企業にサービスを提供しています。

その中核的なワークフローは、研究、ドメインエキスパートとの連携、データセット制作を組み合わせることで、キュレーションされたトレーニングデータとカスタムデータソリューションを生み出すものと見られます。ページの内容に基づくと、モデル学習、ファインチューニング、強化学習、エージェント評価に取り組むチーム向けの専門データパートナーとして位置づけられています。

機能

• キュレーション済みトレーニングデータライブラリ: より慎重に構築されたデータセットを通じてモデル性能の向上を目指す、閲覧可能なデータソリューション群を提供します。
• カスタムデータセット開発: 顧客固有のニーズに基づくデータセット構築の依頼に対応し、ドメイン特化型のモデル学習プログラムに有用です。
• SFT ペア: プロンプトと応答の組、および chain-of-thought 型の推論データを含む教師ありファインチューニング用の例を提供し、モデルが応答の振る舞いを学習できるよう支援します。
• ルーブリックベースの強化学習データ: 推論およびコード生成タスク向けに、専門家が設計したプロンプト、評価ルーブリック、テストケースを提供し、構造化された RL 学習と評価を支援します。
• API および MCP ベースの RL 環境: アプリ、サービス、ワークフロー全体で体系的なエージェント学習と自動採点を可能にする、カスタムのツール利用環境を構築します。
• コンピュータ操作環境: ブラウザおよびデスクトップ環境における専門家実演の軌跡データを提供し、ソフトウェアインターフェースの操作や移動を行うエージェントの学習を支援します。

役立つヒント

• 対象モデルの目的に対するデータ適合性を検証する: この種のベンダーでは、最も重要な購買基準は、そのデータが指示追従、コード生成、マルチモーダル推論、ツール利用エージェントなど、自社の正確なユースケースを支えられるかどうかです。
• 研究が成果物にどう反映されるかを確認する: このページでは研究主導が強調されているため、調達チームは、その知見がデータセット設計、ラベリング基準、評価手法にどのように表れているかを確認すべきです。
• 学習データのニーズを段階ごとに切り分ける: チームは、すべての学習データを同一視するのではなく、SFT、強化学習、エージェント環境評価に対して異なるアセットを使い分けることで恩恵を受けることが多くあります。
• 専門家の関与を慎重に確認する: 企業はドメインエキスパートとの連携を強調しているため、購入側は自社領域においてどの程度の専門家貢献があるのか、またそれが高度に専門的なタスクに十分かどうかを検討すべきです。
• エージェント学習向け環境の範囲を明確にする: API、MCP、ブラウザ、デスクトップ環境については、成果物となる環境が測定可能な評価に使えるよう、対象ツールとワークフローを早い段階で定義してください。