Rückverfolgbarkeit

Avala verknüpft jeden Frame, jedes Label, jede Review-Entscheidung und jede Exportversion in einer einzigen Plattform. Wenn ein Modell an einem Sonderfall scheitert, können Sie die Vorhersage bis zum exakten Trainingslabel zurückverfolgen, das sie beeinflusst hat — und die Ursache beheben, statt zu raten.

Was Rückverfolgbarkeit bei Avala bedeutet

Jede Annotation in Avala trägt vollständige Herkunftsmetadaten:

Entität	Was verfolgt wird
Datensatzelement	Quelldatei-URL, Upload-Zeitstempel, Sequenzzugehörigkeit, Sensormetadaten
Aufgabe	Zugewiesener Annotator, Erstellungszeit, Abschlusszeit, Zustandsübergänge
Ergebnis	Annotationsdaten, verwendetes Werkzeug, Annotator-ID, Einreichungszeitstempel
QA-Review	Reviewer-ID, Review-Entscheidung (Akzeptieren/Ablehnen/Korrigieren), Review-Kommentare
Export	Exportformat, enthaltene Datensätze/Projekte/Slices, Erstellungszeitstempel, Version

Das bedeutet, Sie können von jedem exportierten Label aus rückwärts durch die gesamte Kette gehen: welcher Annotator es erstellt hat, ob es die QA bestanden hat, von welchem Datensatzelement es stammt und wann jeder Schritt stattfand.

Walkthrough: Einen Modellfehler debuggen

Hier ist ein konkretes Beispiel, wie Rückverfolgbarkeit Ihnen hilft, ein Produktionsmodell-Problem zu debuggen.

1. Modell scheitert an einem Sonderfall

Ihr Wahrnehmungsmodell klassifiziert einen teilweise verdeckten Fußgänger in einem LiDAR-Scan falsch. Sie identifizieren die Vorhersage und möchten verstehen, warum das Modell dieses Verhalten gelernt hat.

2. Trainingsdaten finden

Verwenden Sie das SDK, um Ihre Exporte nach den Datensatzelementen zu durchsuchen, die zum Trainingsset des Modells beigetragen haben.

from avala import Client

client = Client()

# Den für das Training verwendeten Export abrufen
export = client.exports.get("export_abc123")
print(f"Export: {export.name}")
print(f"Format: {export.format}")
print(f"Erstellt: {export.created_at}")

3. Einzelne Ergebnisse inspizieren

Jedes Ergebnis im Export enthält das Quelldatensatzelement, Annotatorinformationen und den QA-Status.

# Aufgaben aus dem im Export verwendeten Projekt auflisten
tasks = client.tasks.list(project="project_uid")

for task in tasks:
    print(f"Aufgabe {task.uid}")
    print(f"  Status: {task.status}")
    print(f"  Datensatz: {task.dataset_name}")
    print(f"  Element: {task.dataset_item_name}")

4. Zur Quelle zurückverfolgen

Sobald Sie das problematische Label identifiziert haben, können Sie das ursprüngliche Datensatzelement nachschlagen, um seine Quelldatei, Sensormetadaten und vollständige Annotationshistorie zu sehen.

# Das spezifische Datensatzelement abrufen
item = client.datasets.get_item(
    dataset="dataset_uid",
    item="item_uid"
)

print(f"Quelle: {item.source_url}")
print(f"Hochgeladen: {item.created_at}")
print(f"Sequenz: {item.sequence_name}")

5. Korrigieren und neu trainieren

Mit der identifizierten Ursache — zum Beispiel ein Annotationsfehler beim verdeckten Fußgänger — korrigieren Sie das Label in Avala, erstellen einen neuen Export und trainieren Ihr Modell mit korrigierten Daten neu.

# Einen neuen Export mit den korrigierten Labels erstellen
new_export = client.exports.create(
    name="Training v2 - fixed occlusion labels",
    format="avala-json-external",
    projects=["project_uid"]
)

print(f"Neuer Export: {new_export.uid}")

Vorteile

Reproduzierbarkeit

Jeder Export ist versioniert. Sie können das exakte Trainingsset, das für jede Modellversion verwendet wurde, durch Referenzierung der Export-UID nachvollziehen. Kein Raten, welche Labels ein- oder ausgeschlossen waren.

Schnelleres Debugging

Anstatt manuell Tausende von Annotationen zu durchsuchen, um einen Fehler zu finden, verfolgen Sie direkt vom Fehler des Modells zum spezifischen Label, das ihn verursacht hat. Was früher Tage dauerte, dauert nun Minuten.

Compliance und Audit-Trails

Für regulierte Branchen (Automobil, Medizin, Verteidigung) liefert die Rückverfolgbarkeit die Dokumentation, die Auditoren benötigen. Jede Annotationsentscheidung ist zugeordnet, zeitgestempelt und mit ihrem QA-Review verknüpft.

Kontinuierliche Verbesserung

Verfolgen Sie die Annotationsqualität über die Zeit, indem Sie die Modellleistung mit bestimmten Annotatoren, Review-Stufen und Datensatzversionen korrelieren. Identifizieren Sie systematische Labeling-Probleme, bevor sie sich durch Ihre Trainingspipeline ausbreiten.