Annotation de capteurs et de vidéos pour un programme ADAS automobile
Une entreprise de technologie automobile développant des systèmes avancés d'aide à la conduite avait besoin d'annoter à grand volume des vidéos de scènes routières et des données de capteurs pour entraîner des modèles de perception à identifier correctement les véhicules, les piétons et les éléments de la route.
Client snapshot
| Industry | Technologie automobile et ADAS |
|---|---|
| Region | Plusieurs pays, selon les exigences de diversité des conditions routières du client |
| Engagement type | Annotation de vidéos de scènes routières et de capteurs |
The challenge
Le client avait besoin d'un volume d'annotation bien supérieur à la capacité de son équipe interne, dans un large éventail de conditions routières, météorologiques et d'éclairage, avec des exigences d'exactitude assez élevées pour soutenir un système de perception critique pour la sécurité.
The approach
Jwuma a affecté des annotateurs formés pour étiqueter les véhicules, les piétons, les marquages au sol et les éléments de la route dans le jeu de données de scènes routières du client, selon une spécification d'annotation détaillée, avec une échelle de revue à plusieurs niveaux compte tenu de la nature du cas d'usage, critique pour la sécurité, et un calibrage par tâches étalon pour détecter la dérive d'étiquetage.
Results
Le client a fait monter son débit d'annotation bien au-delà de sa capacité interne tout en maintenant le seuil d'exactitude exigé par le processus de validation de sécurité de son modèle de perception.
Frequently asked questions
Pourquoi l'annotation pour l'ADAS exige-t-elle un niveau de qualité plus élevé que l'étiquetage d'images général ?
Parce que les erreurs d'étiquetage peuvent affecter directement un système de perception critique pour la sécurité, ce qui exige une revue et un calibrage plus stricts que le travail d'annotation généraliste.
Quelles conditions routières les données d'entraînement ADAS doivent-elles couvrir ?
Un éventail varié de conditions météorologiques, d'éclairage, de types de route et de densité de trafic, car un modèle entraîné sur des conditions étroites généralise mal au reste.
Comment l'exactitude de l'étiquetage est-elle vérifiée à cette échelle ?
Grâce à une remontée de revue à plusieurs niveaux et à des tâches étalon à réponse connue intégrées à la file d'annotation pour détecter la dérive avant qu'elle n'atteigne le jeu de données livré.
Related case studies
Données de vérification faciale et d'identité pour une plateforme mondiale de mobilité
Une plateforme mondiale de mobilité et de VTC avait besoin de données faciales et d'identité vérifiées dans plusieurs régions pour renforcer un système de vérification de sécurité des conducteurs et des passagers, dans le respect d'exigences strictes de consentement et de traitement des données biométriques.
Collecte de données vidéo égocentriques pour un programme d'IA en robotique
Une entreprise d'IA en robotique avait besoin de vidéos à la première personne d'humains exécutant des tâches physiques quotidiennes, captées de façon cohérente dans des environnements et des morphologies variés, pour entraîner un modèle d'IA incarnée à généraliser au-delà d'un seul cadre de laboratoire.
Évaluation RLHF pour un modèle d'IA conversationnelle
Une entreprise d'IA conversationnelle avait besoin d'un pipeline d'évaluation humaine structuré et évolutif pour noter la qualité des réponses de son chatbot dans son processus d'affinage RLHF, après que son groupe d'évaluateurs ad hoc eut produit des notations incohérentes.
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.