Labeltune

Labeltune nasce da una convinzione precisa: per addestrare modelli che capiscano davvero l'italiano servono dati italiani, prodotti da persone italiane. Le piattaforme di data labeling esistenti sono pensate per il mercato globale e trattano la lingua e la cultura locali come un dettaglio.

Il cuore del prodotto è una community di annotatori con un percorso di onboarding obbligatorio fatto di corsi e quiz: nessuno tocca un dataset prima di aver dimostrato di aver capito le linee guida. Sopra c'è un task builder visuale drag-and-drop, con istruzioni che l'AI contribuisce ad arricchire.

Per i task audio c'è un editor di waveform con trascrizione Whisper integrata, così chi annota ascolta, corregge e segmenta nello stesso posto. Per i committenti c'è un pannello enterprise con dataset explorer, analytics di qualità e controlli misurabili come l'accordo tra annotatori (Cohen's Kappa).

Ho progettato il prodotto attorno al concetto di dataset tracciabile e riproducibile: ogni esempio conserva chi l'ha annotato, con quali istruzioni e in che versione. È la differenza tra un mucchio di etichette e un asset di training di cui ci si può fidare.

Lo stack è interamente moderno — Next.js 16, React 19, TypeScript, Tailwind CSS 4, Framer Motion e Supabase — e la community conta oltre 4.500 talenti. Labeltune è il tentativo di costruire l'infrastruttura dati che manca all'ecosistema AI italiano.