Annotazione di sensori e video per un programma ADAS automobilistico
Un'azienda di tecnologia automobilistica che sviluppa sistemi avanzati di assistenza alla guida aveva bisogno di un'annotazione ad alto volume di video di scene stradali e dati dei sensori per addestrare i modelli di percezione a identificare correttamente veicoli, pedoni e caratteristiche stradali.
Client snapshot
| Industry | Tecnologia automobilistica e ADAS |
|---|---|
| Region | Più paesi, abbinati ai requisiti del cliente sulla diversità delle condizioni stradali |
| Engagement type | Annotazione di video di scene stradali e dei sensori |
The challenge
Il cliente aveva bisogno di un volume di annotazione molto superiore alla capacità del suo team interno, su un'ampia gamma di condizioni stradali, meteorologiche e di illuminazione, con requisiti di accuratezza abbastanza elevati da supportare un sistema di percezione rilevante per la sicurezza.
The approach
Jwuma ha assegnato annotatori formati per etichettare veicoli, pedoni, segnaletica orizzontale e caratteristiche stradali nel dataset di scene stradali del cliente, seguendo una specifica di annotazione dettagliata, con una scala di revisione su più livelli applicata data la natura rilevante per la sicurezza del caso d'uso e una calibrazione con gold task per individuare la deriva dell'etichettatura.
Results
Il cliente ha scalato la propria capacità di annotazione ben oltre la capacità interna, mantenendo la soglia di accuratezza richiesta dal processo di validazione della sicurezza del proprio modello di percezione.
Frequently asked questions
Perché l'annotazione ADAS richiede uno standard di qualità più alto rispetto all'etichettatura generica di immagini?
Perché gli errori di etichettatura possono incidere direttamente su un sistema di percezione rilevante per la sicurezza, il che richiede una revisione e una calibrazione più rigorose rispetto al lavoro di annotazione generico.
Quali condizioni stradali dovrebbero coprire i dati di addestramento ADAS?
Una gamma varia di condizioni meteorologiche, di illuminazione, di tipo di strada e di densità del traffico, poiché un modello addestrato su condizioni ristrette generalizza male a tutte le altre.
Come viene verificata l'accuratezza dell'etichettatura a questa scala?
Tramite escalation della revisione su più livelli e gold task a risposta nota inseriti nella coda di annotazione per individuare la deriva prima che raggiunga il dataset consegnato.
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.
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.
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.
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.