📊 KI-Trainingsdatensatz-Qualitätsaudit | Produktionsreife Codex-Fähigkeit zur Prüfung von Pre-Training-Datensätzen (Gleichgewicht, Verzerrung, Leakage, ethische Eignung). Verknüpft Bewertungen mit benannten Frameworks (NIST, Gebrus Datenblätter) und verwendet eine crawl4ai-Pipeline.
Diese Fähigkeit ermöglicht es KI-Agenten (insbesondere Codex), eine automatisierte Qualitätsprüfung von Pre-Training-Datensätzen durchzuführen. Sie analysiert Datensätze auf kritische Probleme wie Ungleichgewichte in Klassen oder Demografien, systematische Verzerrungen (Bias), Datenlecks (Leakage) zwischen Trainings- und Testmengen sowie ethische Bedenken. Die Ergebnisse werden nicht nur quantitativ gemeldet, sondern auch mit etablierten ethischen und technischen Frameworks wie NIST und Gebrus Datasheets for Datasets verknüpft, was eine standardisierte Bewertung ermöglicht. Die Fähigkeit nutzt eine crawl4ai-Pipeline, um große Datensätze effizient zu verarbeiten und zu analysieren. Sie ist besonders nützlich für Entwickler und Forscher, die sicherstellen möchten, dass ihre Trainingsdaten den Best Practices entsprechen, bevor sie in teure und zeitaufwändige Trainingsprozesse investieren. Die Fähigkeit wurde für production-grade Anwendungen entwickelt und liefert umsetzbare Einblicke in die Datenqualität.
npx skills add dungnotnull/ai-dataset-quality-audit-agent-skillInstalled? Explore more Recherche & Datenanalyse skills: affaan-m/uspto-database, affaan-m/scholar-evaluation, affaan-m/literature-review · View all 6 →
📊 KI-Trainingsdatensatz-Qualitätsaudit | Produktionsreife Codex-Fähigkeit zur Prüfung von Pre-Training-Datensätzen (Gleichgewicht, Verzerrung, Leakage, ethische Eignung). Verknüpft Bewertungen mit benannten Frameworks (NIST, Gebrus Datenblätter) und verwendet eine crawl4ai-Pipeline.
USPTO patent and trademark data workflow for official record lookup, PatentSearch queries, TSDR checks, assignment data, and reproducible IP research logs.
Structured scholarly-work evaluation for papers, proposals, literature reviews, methods sections, evidence quality, citation support, and research-writing feedback.
Systematic literature-review workflow for academic, biomedical, technical, and scientific topics, including search planning, source screening, synthesis, citation checks, and evidence logging.
The agent harness performance optimization system. Skills, instincts, memory, security, and research-first development for Claude Code, Codex, Opencode, Cursor and beyond.
Agent skill repository discovered by 10x-chat research.
Review backend code for quality, security, maintainability, and best practices based on established checklist rules. Use when the user requests a review, analysis, or improvement of backend files (e.g., `.py`) under the `api/` directory. Do NOT use for frontend files (e.g., `.tsx`, `.ts`, `.js`). Supports pending-change review, code snippets review, and file-focused review.