Adnotacja danych z czujników i wideo dla motoryzacyjnego programu ADAS
Firma z branży technologii motoryzacyjnych rozwijająca zaawansowane systemy wspomagania kierowcy potrzebowała adnotacji dużej ilości wideo ze scen drogowych i danych z czujników, aby wytrenować modele percepcji do prawidłowego rozpoznawania pojazdów, pieszych i elementów drogi.
Client snapshot
| Industry | Technologie motoryzacyjne i ADAS |
|---|---|
| Region | Wiele krajów, dobranych do wymogów klienta dotyczących różnorodności warunków drogowych |
| Engagement type | Adnotacja wideo ze scen drogowych i danych z czujników |
The challenge
Klient potrzebował wolumenu adnotacji znacznie przekraczającego możliwości jego wewnętrznego zespołu, w szerokim zakresie warunków drogowych, pogodowych i oświetleniowych, przy wymaganiach dokładności na tyle wysokich, by wspierać system percepcji istotny dla bezpieczeństwa.
The approach
Jwuma przydzieliła przeszkolonych adnotatorów do oznaczania pojazdów, pieszych, oznakowania pasów i elementów drogi w zbiorze scen drogowych klienta, według szczegółowej specyfikacji adnotacji, z zastosowaniem wielopoziomowej drabiny weryfikacji ze względu na istotny dla bezpieczeństwa charakter zastosowania oraz kalibracji zadaniami wzorcowymi, aby wychwycić dryf etykietowania.
Results
Klient zwiększył przepustowość adnotacji znacznie ponad własne możliwości, utrzymując próg dokładności wymagany w procesie walidacji bezpieczeństwa jego modelu percepcji.
Frequently asked questions
Dlaczego adnotacja ADAS wymaga wyższej poprzeczki jakości niż ogólne etykietowanie obrazów?
Ponieważ błędy etykietowania mogą bezpośrednio wpływać na system percepcji istotny dla bezpieczeństwa, co wymaga ostrzejszej weryfikacji i kalibracji niż ogólna praca adnotacyjna.
Jakie warunki drogowe powinny obejmować dane treningowe ADAS?
Zróżnicowany zakres warunków pogodowych, oświetleniowych, typów dróg i natężenia ruchu, ponieważ model wytrenowany na wąskim zakresie warunków słabo uogólnia się na pozostałe.
Jak weryfikuje się dokładność etykietowania w takiej skali?
Poprzez wielopoziomową eskalację weryfikacji i zadania wzorcowe o znanej odpowiedzi umieszczane w kolejce adnotacji, by wychwycić dryf, zanim dotrze do dostarczonego zbioru danych.
Related case studies
Dane do weryfikacji twarzy i tożsamości dla globalnej platformy mobilności
Globalna platforma mobilności i przewozu osób potrzebowała zweryfikowanych danych twarzy i tożsamości z wielu regionów, aby wzmocnić system weryfikacji bezpieczeństwa kierowców i pasażerów, przy ścisłych wymogach dotyczących zgody i postępowania z danymi biometrycznymi.
Zbieranie egocentrycznych danych wideo dla programu AI w robotyce
Firma zajmująca się AI w robotyce potrzebowała wideo z perspektywy pierwszej osoby przedstawiającego ludzi wykonujących codzienne zadania fizyczne, rejestrowanego spójnie w zróżnicowanych środowiskach i dla różnych typów sylwetki, aby wytrenować model ucieleśnionej AI tak, by uogólniał się poza jedno środowisko laboratoryjne.
Ocena RLHF dla modelu konwersacyjnej AI
Firma zajmująca się konwersacyjną AI potrzebowała ustrukturyzowanego, skalowalnego procesu oceny przez ludzi, aby oceniać jakość odpowiedzi chatbota w procesie dostrajania RLHF, po tym jak jej dotychczasowa doraźna pula oceniających dawała niespójne wyniki.
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.