وسم الحساسات والفيديو لبرنامج ADAS في قطاع السيارات
احتاجت شركة تقنية سيارات تطور أنظمة مساعدة السائق المتقدمة إلى وسم عالي الحجم لفيديو مشاهد الطرق وبيانات الحساسات لتدريب نماذج الإدراك على تحديد المركبات والمشاة وعناصر الطريق بشكل صحيح.
Client snapshot
| Industry | تقنية السيارات وأنظمة ADAS |
|---|---|
| Region | عدة دول، بما يطابق متطلبات العميل لتنوع ظروف الطرق |
| Engagement type | وسم فيديو مشاهد الطرق والحساسات |
The challenge
احتاج العميل إلى حجم وسم يتجاوز بكثير طاقة فريقه الداخلي، عبر طيف واسع من ظروف الطرق والطقس والإضاءة، بمتطلبات دقة عالية بما يكفي لدعم نظام إدراك مرتبط بالسلامة.
The approach
عيّنت Jwuma مُوسِّمين مدرَّبين لوسم المركبات والمشاة وعلامات المسارات وعناصر الطريق عبر مجموعة بيانات مشاهد الطرق لدى العميل، وفق مواصفات وسم مفصلة، مع تطبيق سلّم مراجعة متعدد المستويات نظرًا للطبيعة المرتبطة بالسلامة لهذه الحالة، ومعايرة بالمهام الذهبية لاكتشاف انحراف الوسم.
Results
وسّع العميل إنتاجية الوسم لديه بما يتجاوز طاقته الداخلية بكثير، مع الحفاظ على حد الدقة المطلوب لعملية التحقق من سلامة نموذج الإدراك لديه.
Frequently asked questions
لماذا يتطلب وسم ADAS مستوى جودة أعلى من وسم الصور العام؟
لأن أخطاء الوسم قد تؤثر مباشرة في نظام إدراك مرتبط بالسلامة، ما يتطلب مراجعة ومعايرة أكثر صرامة من أعمال الوسم العامة.
ما ظروف الطرق التي ينبغي أن تغطيها بيانات تدريب ADAS؟
نطاق متنوع من ظروف الطقس والإضاءة ونوع الطريق وكثافة المرور، لأن النموذج المدرَّب على ظروف ضيقة يعمّم بشكل ضعيف على بقية الظروف.
كيف يُتحقق من دقة الوسم على هذا النطاق؟
عبر تصعيد المراجعة متعدد المستويات ومهام ذهبية ذات إجابات معروفة تُزرع في قائمة الوسم لاكتشاف الانحراف قبل أن يصل إلى مجموعة البيانات المسلَّمة.
Related case studies
بيانات التحقق من الوجه والهوية لمنصة تنقّل عالمية
احتاجت منصة عالمية للتنقل وطلب السيارات إلى بيانات وجه وهوية موثَّقة في مناطق متعددة لتعزيز نظام التحقق من سلامة السائقين والركاب، في ظل متطلبات صارمة للموافقة ومعالجة البيانات البيومترية.
جمع بيانات الفيديو ذاتي المنظور (egocentric) لبرنامج ذكاء اصطناعي للروبوتات
احتاجت شركة ذكاء اصطناعي للروبوتات إلى فيديو من منظور الشخص الأول لبشر يؤدون مهامًا مادية يومية، يُلتقط باتساق عبر بيئات وأنواع أجسام متنوعة، لتدريب نموذج ذكاء اصطناعي مجسَّد على التعميم بما يتجاوز بيئة مختبر واحدة.
تقييم RLHF لنموذج ذكاء اصطناعي محادثي
احتاجت شركة ذكاء اصطناعي محادثي إلى مسار تقييم بشري منظّم وقابل للتوسع لتقدير جودة ردود روبوت الدردشة في عملية الضبط الدقيق بـ RLHF، بعد أن أنتجت مجموعة المقيّمين العشوائية لديها درجات غير متسقة.
Published 2026-10-02 by Jwuma, operated by Corpshore AI. This case study is an anonymized composite representative of the kind of work Jwuma performs in this industry, described by industry, region and engagement type rather than by company name, since this engagement is not yet cleared for public naming. Discuss a similar program at client.corpshore.ai.