查找解释修复脏数据
各维度得分依据公开资料与字段推算,加权后即综合评分,仅供参考。
Redpoll.ai 页面显示该网站已 deprecated，并称“现在是 Ix”。其核心产品 Plover 是一款面向半结构化关系型数据的数据质量与异常检测工具，目标不是生成内容，而是“发现、解释并修复坏数据及其背后的流程问题”。它将所谓 messy data 视为流程问题的证据，通过持续监控业务数据系统来识别错误、异常和潜在流程低效。
Plover 明确不是 ChatGPT、Claude、Llama 等通用大模型包装器，而是专有概率机器学习模型。它会基于客户自己的数据构建整体模型，并通过 metalearning 优化对数据结构的理解。输出上，它可以列出最可能错误的行列、展示观测值与预测值，并按“不一致性”发现异常；也能根据一个已知错误查找相似错误，或对即将进入生产系统的新记录做检测。
页面给出了 Python 代码示例，可连接 SQL 数据库，使用 AWS S3 作为存储，并通过 AWS 后端运行；核心接口包括 fit、persist、metalearn、detect、errors_like 等。隐私是其亮点：官方称模型只训练在客户自己的数据上，Plover 可安装在客户基础设施、云环境甚至气隙隔离环境中，且不会向外部传输数据。浏览器 Demo 也在本地运行，数据不离开机器。
页面没有披露定价、套餐、付款方式或 SLA。试用方面提供浏览器 Demo，可上传 CSV，但限制较明显：文件不超过 1MB，需有表头，缺失值必须为空单元格，仅支持连续和最多 256 类的分类数据。为了在浏览器单核运行，Demo 降低了质量，并缺少错误度量值、属性级错误解释、相似错误元检索和表外假设数据检测等正式能力。
优点是定位清晰，适合关系型业务数据、数据仓库和生产数据入库前校验；其可解释性、不确定性量化和本地部署，对金融、医疗、国防等高安全行业有吸引力。缺点是官网已废弃、品牌迁移状态不明，中文支持、商业支持、定价与部署细节不足。它更适合有工程能力的数据团队评估，不适合只想要低门槛 SaaS 数据清洗工具的用户。
页面未提供中国区网络、支付或本地化信息，实际访问状态未知。若采购受阻，可对比 Great Expectations、Soda、Monte Carlo、Anomalo、Deequ、Evidently AI 等数据质量或异常检测工具。
本测评基于公开资料整理,不构成购买建议,请以 redpoll.ai 官网实际信息为准。
官网称已迁移到Ix，仍有数据质量产品信息。
评分明细(分布与用户短评)接入中。当前展示 TG4G 综合评分,数据源自公开测评与用户反馈。