Anotação de sensores e vídeo para um programa ADAS automóvel
Uma empresa de tecnologia automóvel que desenvolve sistemas avançados de assistência à condução precisava de anotação em grande volume de vídeo de cenas de estrada e de dados de sensores para treinar modelos de perceção a identificar corretamente veículos, peões e elementos da via.
Client snapshot
| Industry | Tecnologia automóvel e ADAS |
|---|---|
| Region | Vários países, adequados aos requisitos de diversidade de condições de estrada do cliente |
| Engagement type | Anotação de vídeo de cenas de estrada e de sensores |
The challenge
O cliente precisava de um volume de anotação muito superior à capacidade da sua equipa interna, numa ampla gama de condições de estrada, meteorológicas e de iluminação, com requisitos de exatidão suficientemente elevados para apoiar um sistema de perceção relevante para a segurança.
The approach
A Jwuma atribuiu anotadores treinados para etiquetar veículos, peões, marcações de faixa e elementos da via no conjunto de dados de cenas de estrada do cliente, seguindo uma especificação de anotação detalhada, com uma escada de revisão em vários níveis aplicada dada a natureza do caso de utilização, relevante para a segurança, e calibração por tarefas de referência (gold tasks) para detetar o desvio de etiquetagem.
Results
O cliente escalou o seu débito de anotação muito além da capacidade interna, mantendo o limiar de exatidão exigido pelo processo de validação de segurança do seu modelo de perceção.
Frequently asked questions
Porque é que a anotação ADAS exige um nível de qualidade mais elevado do que a etiquetagem de imagens geral?
Porque os erros de etiquetagem podem afetar diretamente um sistema de perceção relevante para a segurança, o que exige uma revisão e calibração mais rigorosas do que o trabalho de anotação de uso geral.
Que condições de estrada devem os dados de treino ADAS abranger?
Uma gama diversificada de condições meteorológicas, de iluminação, de tipo de estrada e de densidade de tráfego, uma vez que um modelo treinado em condições restritas generaliza mal para as restantes.
Como é verificada a exatidão da etiquetagem a esta escala?
Através de escalada de revisão em vários níveis e de tarefas de referência de resposta conhecida inseridas na fila de anotação para detetar o desvio antes que chegue ao conjunto de dados entregue.
Related case studies
Dados de verificação facial e de identidade para uma plataforma global de mobilidade
Uma plataforma global de mobilidade e de transporte individual precisava de dados faciais e de identidade verificados em várias regiões para reforçar um sistema de verificação de segurança de condutores e passageiros, sob requisitos rigorosos de consentimento e de tratamento de dados biométricos.
Recolha de dados de vídeo egocêntrico para um programa de IA de robótica
Uma empresa de IA de robótica precisava de vídeo na primeira pessoa de humanos a realizar tarefas físicas do quotidiano, captado de forma consistente em ambientes e tipos de corpo diversos, para treinar um modelo de IA incorporada a generalizar para além de um único cenário de laboratório.
Avaliação de RLHF para um modelo de IA conversacional
Uma empresa de IA conversacional precisava de um pipeline de avaliação humana estruturado e escalável para avaliar a qualidade das respostas de chatbot no seu processo de ajuste fino por RLHF, depois de o seu conjunto de avaliadores ad hoc existente ter produzido pontuações inconsistentes.
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.