Labelbox, Inc. est une entreprise américaine spécialisée dans les données nécessaires au développement de systèmes d’intelligence artificielle. Établie à San Francisco, elle commercialise une plateforme permettant aux équipes techniques de sélectionner des données, de les faire annoter et d’en contrôler la qualité. Son positionnement répond à un problème concret : disposer d’un modèle ne suffit pas si les informations utilisées pour l’entraîner ou l’évaluer sont mal organisées, insuffisamment représentatives ou incorrectement étiquetées.
Une entreprise née des besoins de l’apprentissage supervisé
Labelbox a été fondée en 2018 par Manu Sharma, Brian Rieger et Peter Welinder. À cette époque, le déploiement de l’apprentissage automatique dans les entreprises accentue les besoins en données annotées, notamment pour la vision par ordinateur. Identifier un objet dans une image, délimiter une zone ou attribuer une catégorie à un document nécessite des outils et des processus reproductibles.
L’entreprise se construit autour de cette étape souvent laborieuse du développement de l’IA. Plutôt que de proposer uniquement une prestation d’étiquetage, elle développe un environnement logiciel destiné à coordonner les données, les consignes et le travail des annotateurs. Son offre s’est ensuite élargie avec la diversification des modèles et l’essor de l’intelligence artificielle générative.
Organiser les données et mobiliser le jugement humain
La plateforme couvre plusieurs opérations complémentaires : exploration des jeux de données, sélection des éléments pertinents, annotation et vérification des résultats. Elle prend en charge différents formats, dont les images, la vidéo, le texte et l’audio. Les entreprises peuvent ainsi organiser des projets impliquant leurs propres équipes ou des contributeurs externes, tout en définissant des règles de travail communes.
Labelbox associe également automatisation et intervention humaine. Des modèles peuvent contribuer à produire des préannotations ou à accélérer certaines tâches, tandis que les personnes chargées du contrôle corrigent les erreurs et traitent les cas ambigus. L’objectif est de concentrer l’effort humain là où il apporte une information utile, plutôt que de multiplier les opérations manuelles sans distinction.
Pour l’IA générative, le travail porte aussi sur l’évaluation des réponses : comparer plusieurs productions, apprécier leur pertinence ou vérifier le respect de consignes. Avec Alignerr, son réseau de contributeurs spécialisés, Labelbox mobilise des compétences adaptées aux domaines concernés. Cette dimension souligne une évolution du secteur : la qualité des données dépend autant de l’expertise des évaluateurs que de l’interface utilisée.
Et maintenant ?
La progression des modèles génératifs et multimodaux ouvre de nouveaux débouchés à Labelbox, mais transforme aussi ses contraintes. Les clients doivent pouvoir documenter leurs évaluations, protéger leurs données et comprendre les désaccords entre annotateurs. Face aux acteurs spécialisés et aux offres des grandes plateformes cloud, l’entreprise devra démontrer l’utilité de ses outils au-delà du seul volume de données traitées. Sa trajectoire dépendra notamment de sa capacité à relier préparation des données, expertise humaine et mesure fiable des performances des systèmes d’IA.