Anotación de sensores y vídeo para un programa ADAS del sector del automóvil
Una empresa de tecnología del automóvil que desarrollaba sistemas avanzados de asistencia a la conducción necesitaba anotar a gran volumen vídeo de escenas de carretera y datos de sensores para entrenar modelos de percepción que identificaran correctamente vehículos, peatones y elementos de la vía.
Client snapshot
| Industry | Tecnología del automóvil y ADAS |
|---|---|
| Region | Varios países, según los requisitos de diversidad de condiciones viales del cliente |
| Engagement type | Anotación de vídeo de escenas de carretera y de sensores |
The challenge
El cliente necesitaba un volumen de anotación muy superior a la capacidad de su equipo interno, en una amplia gama de condiciones de carretera, meteorológicas y de iluminación, con requisitos de exactitud lo bastante altos como para respaldar un sistema de percepción relevante para la seguridad.
The approach
Jwuma asignó anotadores formados para etiquetar vehículos, peatones, marcas viales y elementos de la vía en el conjunto de datos de escenas de carretera del cliente, siguiendo una especificación de anotación detallada, con una escalera de revisión de varios niveles dada la naturaleza del caso de uso, relevante para la seguridad, y calibración con tareas de oro para detectar la deriva del etiquetado.
Results
El cliente escaló su capacidad de anotación muy por encima de su capacidad interna manteniendo el umbral de exactitud exigido para el proceso de validación de seguridad de su modelo de percepción.
Frequently asked questions
¿Por qué exige la anotación para ADAS un listón de calidad más alto que el etiquetado de imágenes general?
Porque los errores de etiquetado pueden afectar directamente a un sistema de percepción relevante para la seguridad, lo que requiere una revisión y una calibración más estrictas que el trabajo de anotación de uso general.
¿Qué condiciones viales deben cubrir los datos de entrenamiento para ADAS?
Una gama diversa de condiciones meteorológicas, de iluminación, de tipo de vía y de densidad de tráfico, ya que un modelo entrenado en condiciones limitadas generaliza mal al resto.
¿Cómo se verifica la exactitud del etiquetado a esta escala?
Mediante escalada de revisión de varios niveles y tareas de oro de respuesta conocida introducidas en la cola de anotación para detectar la deriva antes de que llegue al conjunto de datos entregado.
Related case studies
Datos de verificación facial y de identidad para una plataforma global de movilidad
Una plataforma global de movilidad y transporte con conductor necesitaba datos faciales y de identidad verificados en varias regiones para reforzar un sistema de verificación de seguridad de conductores y pasajeros, bajo estrictos requisitos de consentimiento y de tratamiento de datos biométricos.
Recopilación de datos de vídeo egocéntrico para un programa de IA de robótica
Una empresa de IA de robótica necesitaba vídeo en primera persona de personas realizando tareas físicas cotidianas, captado de forma coherente en entornos y tipos de cuerpo diversos, para entrenar un modelo de IA corpórea que generalizara más allá de un único entorno de laboratorio.
Evaluación RLHF para un modelo de IA conversacional
Una empresa de IA conversacional necesitaba un circuito de evaluación humana estructurado y escalable para puntuar la calidad de las respuestas de un chatbot en su proceso de ajuste fino con RLHF, después de que su grupo de evaluadores ad hoc produjera una puntuación incoherente.
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.