Verzameling van egocentrische videodata voor een robotica-AI-programma
Een robotica-AI-bedrijf had video vanuit eerstepersoonsperspectief nodig van mensen die alledaagse fysieke taken uitvoeren, consistent vastgelegd in uiteenlopende omgevingen en met verschillende lichaamstypen, om een belichaamd AI-model te trainen te generaliseren voorbij één laboratoriumsituatie.
Client snapshot
| Industry | Robotica en belichaamde AI |
|---|---|
| Region | Verzameling in het veld in meerdere landen in Afrika, Zuidoost-Azië en Amerika |
| Engagement type | Verzameling van egocentrische video's van fysieke taken |
The challenge
De bestaande dataset van de klant was vrijwel geheel in één land en bij één demografische groep verzameld, wat beperkte hoe goed het model generaliseerde naar echte huishoudelijke en werkomgevingen elders. Er was verzameling in het veld in volume nodig, met consistente normen voor camera en taakstructuur, in sterk uiteenlopende omgevingen.
The approach
Jwuma wierf bijdragers die in het veld kunnen werken in meerdere landen, rustte hen uit en instrueerde hen volgens een gedocumenteerde opnamenorm, en verzamelde video vanuit eerstepersoonsperspectief van de gespecificeerde taakset in een bewust gevarieerde reeks huizen, werkplekken en lichaamstypen. Elke sessie omvatte expliciete toestemming voor beeltenis- en locatiegegevens, en de juistheid van de taakuitvoering werd tijdens de beoordeling gecontroleerd naast de videokwaliteit.
Results
De klant ontving een geografisch en demografisch gevarieerde videodataset die volgens een consistente methodologie was verzameld, waardoor het aantal omgevingen waarvan het model trainingsvoorbeelden had aanzienlijk toenam, binnen de oorspronkelijke termijn van het programma.
Frequently asked questions
Waarom moeten trainingsdata voor fysieke AI in meerdere landen worden verzameld?
Omdat een model dat is getraind op een smal bereik aan omgevingen en lichaamstypen slecht generaliseert naar omstandigheden in de echte wereld buiten dat bereik.
Hoe wordt de opnameconsistentie bewaakt bij veel bijdragers en locaties?
Via een gedocumenteerde norm voor camera en taakstructuur waarop elke bijdrager wordt geïnstrueerd voordat de verzameling begint.
Welke toestemming is nodig voor dit type data?
Expliciete toestemming voor beeltenis- en locatiegegevens, naast de standaardtoestemming voor datagebruik, verzameld op het moment van elke opnamesessie.
Related case studies
Gezichts- en identiteitsverificatiedata voor een wereldwijd mobiliteitsplatform
Een wereldwijd mobiliteits- en taxiplatform had geverifieerde gezichts- en identiteitsdata uit meerdere regio's nodig om een veiligheidsverificatiesysteem voor chauffeurs en passagiers te versterken, onder strikte eisen voor toestemming en omgang met biometrische gegevens.
RLHF-beoordeling voor een conversationeel AI-model
Een bedrijf voor conversationele AI had een gestructureerde, schaalbare menselijke beoordelingspijplijn nodig om de kwaliteit van chatbotantwoorden te beoordelen voor zijn RLHF-finetuningproces, nadat zijn bestaande ad-hocgroep beoordelaars inconsistente scores had opgeleverd.
Meertalige contentmoderatie en productdata voor een e-commercemarktplaats
Een grensoverschrijdende e-commercemarktplaats had meertalige contentmoderatie en annotatie van de productcatalogus nodig om advertenties conform en vindbaar te houden in de talen die haar verkopers en kopers daadwerkelijk gebruikten.
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.