自動車ADASプログラム向けのセンサーと動画のアノテーション
先進運転支援システムを開発する自動車テクノロジー企業は、認識モデルが車両、歩行者、道路の特徴を正しく識別できるように学習させるため、道路シーンの動画とセンサーデータの大量のアノテーションを必要としていました。
Client snapshot
| Industry | 自動車テクノロジーとADAS |
|---|---|
| Region | 複数国、クライアントの道路条件の多様性の要件に合わせて選定 |
| Engagement type | 道路シーンの動画とセンサーのアノテーション |
The challenge
クライアントは、さまざまな道路、天候、照明の条件にわたって、社内チームの能力をはるかに超える量のアノテーションを、安全に関わる認識システムを支えられるだけの高い正確さで必要としていました。
The approach
Jwumaは、訓練を受けたアノテーターを割り当て、詳細なアノテーション仕様に従って、クライアントの道路シーンのデータセット全体で車両、歩行者、車線の区画線、道路の特徴にラベルを付けました。このユースケースが安全に関わることから多段階のレビュー階層を適用し、ラベル付けのドリフトを見つけるためにゴールドタスクによるキャリブレーションを行いました。
Results
クライアントは、認識モデルの安全性検証プロセスに求められる正確さの基準を維持しながら、アノテーションの処理量を社内の能力をはるかに超えて拡大しました。
Frequently asked questions
ADASのアノテーションに、一般的な画像のラベル付けより高い品質水準が必要なのはなぜですか？
ラベル付けの誤りが、安全に関わる認識システムに直接影響する可能性があり、汎用のアノテーション作業よりも厳格なレビューとキャリブレーションが求められるためです。
ADASの学習データは、どのような道路条件をカバーすべきですか？
多様な天候、照明、道路の種類、交通密度の条件です。狭い条件で学習したモデルは、それ以外の条件にうまく汎化できないためです。
この規模で、ラベル付けの正確さはどのように検証されますか？
多段階のレビューのエスカレーションと、アノテーションキューに混ぜた正解が既知のゴールドタスクによって、ドリフトが納品データセットに届く前に見つけます。
Related case studies
世界的なモビリティプラットフォーム向けの顔・本人確認データ
世界的なモビリティ・ライドシェアのプラットフォームが、ドライバーと乗客の安全確認システムを強化するため、厳格な同意と生体情報の取り扱い要件のもとで、複数の地域にわたる検証済みの顔と本人確認のデータを必要としていました。
ロボティクスAIプログラム向けのエゴセントリック動画データ収集
あるロボティクスAI企業は、身体性を持つAIモデルが単一の研究室の環境を超えて汎化できるように学習させるため、多様な環境と体型で一貫して撮影された、人間が日常の物理的な作業を行う一人称視点の動画を必要としていました。
対話型AIモデルのRLHF評価
ある対話型AI企業は、既存の場当たり的な評価者のプールが一貫性のない採点を生んだことから、RLHFのファインチューニングのプロセスでチャットボットの回答品質を評価するための、構造化され拡張可能な人間による評価パイプラインを必要としていました。
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.