> ## Documentation Index
> Fetch the complete documentation index at: https://avala.ai/docs/llms.txt
> Use this file to discover all available pages before exploring further.

# Qualität und SLAs

> Qualitätsprozess, Genauigkeitsgarantien, Bearbeitungszeiten und Belegschaftsmodell von Avala

Der Managed Labeling Service von Avala liefert produktionsreife Annotationen, gestützt auf einen strukturierten QA-Prozess, professionelle Domänenexperten und messbare Qualitätsmetriken. Diese Seite dokumentiert, was Sie erwarten können, wenn Sie die Belegschaft von Avala für Annotationen nutzen.

## Qualitätsprozess

Jede Annotation durchläuft eine 3-stufige Qualitätssicherungspipeline, bevor sie Ihren Export erreicht.

### Stufe 1: Automatisierte Prüfungen

Bevor ein menschlicher Reviewer das Ergebnis sieht, fangen automatisierte Validierungen strukturelle Fehler ab.

| Prüfung                      | Was erkannt wird                                                                                          |
| ---------------------------- | --------------------------------------------------------------------------------------------------------- |
| **Schema-Validierung**       | Fehlende erforderliche Attribute, ungültige Label-Werte, Koordinaten außerhalb des Bereichs               |
| **Geometrische Validierung** | Bounding Boxes ohne Fläche, sich selbst schneidende Polygone, Quader außerhalb der Punktwolkengrenzen     |
| **Konsistenzprüfungen**      | Doppelte Objekt-IDs, unterbrochene Tracking-Verbindungen zwischen Frames, Label-/Attribut-Unstimmigkeiten |
| **Abdeckungsprüfungen**      | Nicht annotierte Bereiche, die basierend auf der Projektontologie Labels haben sollten                    |

### Stufe 2: Menschliches Review

Ein dedizierter Reviewer — ein erfahrener Annotator mit tiefem Wissen über Ihre Ontologie — inspiziert jedes Ergebnis auf Genauigkeit, Vollständigkeit und Einhaltung Ihrer Labeling-Richtlinien.

Reviewer prüfen auf:

* Korrekte Objektklassifikation und Attributwerte
* Eng anliegende Bounding Box / Polygon / Quader-Passform
* Konsistentes Objekt-Tracking über Frames
* Sonderfälle, die gemäß Ihren projektspezifischen Anweisungen behandelt werden

### Stufe 3: Experten-Audit

Eine Zufallsstichprobe der geprüften Ergebnisse wird an Domänenexperten für ein abschließendes Audit eskaliert. Diese Stufe kalibriert die Reviewer-Genauigkeit und fängt systematische Probleme ab, bevor sie Ihre Trainingsdaten beeinflussen.

Audit-Ergebnisse fließen in die Annotatorenschulung und Richtlinienverfeinerungen zurück und schaffen eine kontinuierliche Verbesserungsschleife.

## Genauigkeitsziele

| Metrik                         | Ziel                                                          |
| ------------------------------ | ------------------------------------------------------------- |
| **Erstdurchlauf-Erfolgsquote** | > 99 % der Annotationen ohne Nacharbeit akzeptiert            |
| **Klassifikationsgenauigkeit** | > 99 % korrekte Label-Zuweisung                               |
| **Lokalisierungsgenauigkeit**  | Bounding Box IoU > 0,90 mit Ground Truth                      |
| **Tracking-Konsistenz**        | > 99 % korrekte Objekt-ID-Kontinuität über Frames             |
| **Attributgenauigkeit**        | > 99 % korrekte Attributwerte (Verdeckung, Abschneidung usw.) |

<Info>
  Genauigkeitsziele gelten für den Managed Labeling Service von Avala. Die Annotationsgenauigkeit bei Selbstbedienung hängt von den Annotatoren und der QA-Konfiguration Ihres Teams ab.
</Info>

## Bearbeitungszeiten

Die Bearbeitungszeit hängt von der Annotationskomplexität und dem Volumen ab. Die folgende Tabelle zeigt typische Zeitrahmen für gängige Annotationstypen bei Nutzung des Managed Labeling Service von Avala.

| Annotationstyp                         | Typische Bearbeitungszeit | Hinweise                                                |
| -------------------------------------- | ------------------------- | ------------------------------------------------------- |
| **2D-Bounding Boxes** (Bilder)         | 1-3 Werktage              | Standard-Objekterkennung                                |
| **2D-Polygone** (Bilder)               | 2-5 Werktage              | Instanzsegmentierung                                    |
| **Semantische Segmentierung** (Bilder) | 3-7 Werktage              | Pixelgenaue Klassifikation                              |
| **3D-Quader** (LiDAR)                  | 3-7 Werktage              | Punktwolken-Annotation mit BEV + Perspektivansichten    |
| **Multi-Sensor 3D** (LiDAR + Kamera)   | 5-10 Werktage             | Synchronisierte Sensor-Annotation                       |
| **Video-Objekt-Tracking**              | 3-7 Werktage              | Pro Sequenz, abhängig von Frame-Anzahl und Objektdichte |
| **Keypoint-Annotation**                | 2-5 Werktage              | Posenschätzung und Landmarken-Labeling                  |

Die Bearbeitungszeit beginnt, wenn die Daten hochgeladen und die Projektontologie finalisiert ist. Pilotdatensätze (\< 1.000 Elemente) können oft schneller abgeschlossen werden.

<Tip>
  Benötigen Sie ein bestimmtes SLA für Ihr Projekt? Kontaktieren Sie **[sales@avala.ai](mailto:sales@avala.ai)**, um garantierte Bearbeitungszusagen zu besprechen.
</Tip>

## Belegschaftsqualität

### Domänenspezialisierung

Die Annotatoren von Avala sind professionelle Fachkräfte, keine Gelegenheitsarbeiter. Jeder Annotator spezialisiert sich für 12 Monate oder länger auf eine bestimmte Domäne (autonomes Fahren, Robotik, medizinische Bildgebung).

| Eigenschaft                  | Details                                                                                            |
| ---------------------------- | -------------------------------------------------------------------------------------------------- |
| **Spezialisierungszeitraum** | 12+ Monate in einer einzelnen Kundendomäne                                                         |
| **Schulung**                 | Projektspezifisches Onboarding mit Ihrer Ontologie, Sonderfall-Bibliothek und Labeling-Richtlinien |
| **Bindungsrate**             | > 90 % jährliche Bindung — Annotatoren bauen tiefes institutionelles Wissen auf                    |
| **Teamgröße**                | 15.000+ Annotatoren über alle Domänen                                                              |

### Warum Bindung wichtig ist

Hohe Annotatoren-Bindung wirkt sich direkt auf die Datenqualität aus:

* **Institutionelles Wissen** — Annotatoren lernen Ihre Sonderfälle, Namenskonventionen und domänenspezifischen Nuancen über die Zeit. Ein neuer Annotator braucht Wochen, um dasselbe Niveau zu erreichen.
* **Weniger Nacharbeitszyklen** — Erfahrene Annotatoren produzieren beim ersten Durchlauf weniger Fehler, was den Review-Aufwand und die Bearbeitungszeit reduziert.
* **Ontologie-Evolution** — Wenn Sie Ihre Label-Taxonomie aktualisieren, passen sich erfahrene Annotatoren schneller an, weil sie die Gründe hinter den Änderungen verstehen.

## Qualitätsmetriken über die API

Qualitätsmetriken für Ihre Projekte sind programmatisch über die API und SDKs verfügbar.

### Metriken auf Projektebene

```python theme={null}
from avala import Client

client = Client()

# Projektdetails einschließlich Qualitätsmetriken abrufen
projects = client.projects.list()

for project in projects:
    print(f"Projekt: {project.name}")
    print(f"  Abgeschlossene Aufgaben: {project.task_count}")
```

### Qualitätsdaten auf Aufgabenebene

```python theme={null}
# Aufgaben mit ihrem Review-Status auflisten
tasks = client.tasks.list(project="project_uid")

for task in tasks:
    print(f"Aufgabe: {task.uid}")
    print(f"  Status: {task.status}")
```

### Export mit Qualitätsmetadaten

Wenn Sie einen Export erstellen, enthält jedes Annotationsergebnis seinen QA-Review-Status, sodass Sie in Ihrer Trainingspipeline nach Qualitätsniveau filtern können.

```python theme={null}
export = client.exports.create(
    name="Training data - QA passed only",
    format="avala-json-external",
    projects=["project_uid"]
)
```

## Qualitätskontroll-Konfiguration

Für Selbstbedienungs-Annotation bietet Avala konfigurierbare QA-Workflows.

| Funktion                      | Beschreibung                                                             |
| ----------------------------- | ------------------------------------------------------------------------ |
| **Mehrstufiges Review**       | Annotationen durch eine oder mehrere Prüfstufen vor der Akzeptanz leiten |
| **Konsens-Workflows**         | Erfordern, dass mehrere Annotatoren sich auf dasselbe Label einigen      |
| **Akzeptanzkriterien**        | Mindestschwellen für die Aufgabenakzeptanz festlegen                     |
| **Issue-Tracking**            | Annotationsprobleme mit Kommentaren und Lösungsstatus verfolgen          |
| **Inter-Annotator-Agreement** | Konsistenz zwischen Annotatoren bei denselben Daten messen               |

Siehe [Qualitätskontrolle](/docs/annotation/guides/quality-control) für Einrichtungsanweisungen.

## Nächste Schritte

<CardGroup cols={2}>
  <Card title="" icon="shield-check" href="/docs/annotation/guides/quality-control">
    <p style={{fontWeight: 600, fontSize: '18px', marginBottom: '4px', marginTop: '8px', color: 'inherit'}}>Qualitätskontroll-Guide</p>
    <p style={{fontSize: '14px', marginTop: '0px', opacity: 0.6}}>Mehrstufiges Review, Konsens und Akzeptanz-Workflows für Ihre Projekte konfigurieren.</p>
  </Card>

  <Card title="" icon="link" href="/docs/de/traceability">
    <p style={{fontWeight: 600, fontSize: '18px', marginBottom: '4px', marginTop: '8px', color: 'inherit'}}>Rückverfolgbarkeit</p>
    <p style={{fontSize: '14px', marginTop: '0px', opacity: 0.6}}>Jede Annotation zu ihren Quelldaten, dem Annotator und dem QA-Review zurückverfolgen.</p>
  </Card>

  <Card title="" icon="star" href="/docs/de/why-avala">
    <p style={{fontWeight: 600, fontSize: '18px', marginBottom: '4px', marginTop: '8px', color: 'inherit'}}>Warum Avala</p>
    <p style={{fontSize: '14px', marginTop: '0px', opacity: 0.6}}>Sehen Sie, was Avala von Scale AI, Labelbox und Label Studio unterscheidet.</p>
  </Card>

  <Card title="" icon="phone" href="mailto:sales@avala.ai">
    <p style={{fontWeight: 600, fontSize: '18px', marginBottom: '4px', marginTop: '8px', color: 'inherit'}}>Vertrieb kontaktieren</p>
    <p style={{fontSize: '14px', marginTop: '0px', opacity: 0.6}}>Besprechen Sie Managed Labeling, individuelle SLAs und Enterprise-Deployment.</p>
  </Card>
</CardGroup>