Raccolta di dati video egocentrici per un programma di IA robotica
Un'azienda di IA robotica aveva bisogno di video in prima persona di persone che svolgono compiti fisici quotidiani, acquisiti in modo coerente in ambienti e con tipi di corpo diversi, per addestrare un modello di IA incarnata a generalizzare oltre un singolo ambiente di laboratorio.
Client snapshot
| Industry | Robotica e IA incarnata |
|---|---|
| Region | Raccolta sul campo in più paesi in Africa, Sud-est asiatico e Americhe |
| Engagement type | Raccolta di video egocentrici di compiti fisici |
The challenge
Il dataset esistente del cliente era stato raccolto quasi interamente in un solo paese e in un solo gruppo demografico, il che limitava la capacità del suo modello di generalizzare ad ambienti domestici e lavorativi reali altrove. Serviva una raccolta sul campo in volume, con standard coerenti di telecamera e struttura dei compiti, in ambienti molto diversi tra loro.
The approach
Jwuma ha reclutato contributor in grado di operare sul campo in diversi paesi, li ha equipaggiati e istruiti secondo uno standard di registrazione documentato e ha raccolto video in prima persona dell'insieme di compiti specificato in una gamma deliberatamente varia di abitazioni, luoghi di lavoro e tipi di corpo. Ogni sessione includeva un consenso esplicito che copriva i dati di immagine personale e di posizione, e l'accuratezza dell'esecuzione dei compiti è stata verificata durante la revisione insieme alla qualità del video.
Results
Il cliente ha ricevuto un dataset video geograficamente e demograficamente diversificato, raccolto con una metodologia coerente, che ha ampliato in modo sostanziale gli ambienti da cui il suo modello aveva esempi di addestramento, entro i tempi originali del programma.
Frequently asked questions
Perché i dati di addestramento per l'IA fisica devono essere raccolti in più paesi?
Perché un modello addestrato su una gamma ristretta di ambienti e tipi di corpo generalizza male alle condizioni del mondo reale al di fuori di quella gamma.
Come si mantiene la coerenza delle registrazioni tra molti contributor e luoghi?
Attraverso uno standard documentato di telecamera e struttura dei compiti, sul quale ogni contributor viene istruito prima dell'inizio della raccolta.
Quale consenso è richiesto per questo tipo di dati?
Un consenso esplicito che copra i dati di immagine personale e di posizione, oltre al consenso standard all'uso dei dati, raccolto all'inizio di ogni sessione di registrazione.
Related case studies
Dati di verifica facciale e dell'identità per una piattaforma di mobilità globale
Una piattaforma globale di mobilità e ride-hailing aveva bisogno di dati verificati di volti e identità in più regioni per rafforzare un sistema di verifica della sicurezza di autisti e passeggeri, nel rispetto di rigorosi requisiti di consenso e di trattamento dei dati biometrici.
Valutazione RLHF per un modello di IA conversazionale
Un'azienda di IA conversazionale aveva bisogno di una pipeline di valutazione umana strutturata e scalabile per valutare la qualità delle risposte dei chatbot nel proprio processo di messa a punto RLHF, dopo che il suo gruppo di valutatori ad hoc aveva prodotto punteggi incoerenti.
Moderazione multilingue dei contenuti e dati di prodotto per un marketplace e-commerce
Un marketplace e-commerce transfrontaliero aveva bisogno di moderazione multilingue dei contenuti e di annotazione del catalogo prodotti per mantenere gli annunci conformi e rintracciabili nelle lingue effettivamente usate da venditori e acquirenti.
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.