> ## 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. # Rückverfolgbarkeit > Verfolgen Sie jede Modellvorhersage zurück zu den Trainingsdaten, der Annotation und dem QA-Review, die sie erzeugt haben 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. ```python theme={null} 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. ```python theme={null} # 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. ```python theme={null} # 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. ```python theme={null} # 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. ## Rückverfolgbarkeit über die API Alle Rückverfolgbarkeitsdaten sind über die REST API und SDKs verfügbar. Wichtige Endpoints: | Endpoint | Was zurückgegeben wird | | --------------------------------------- | ------------------------------------------------------------------------------- | | `GET /api/v1/exports/{uid}/` | Export-Metadaten einschließlich Datensätze, Projekte und Erstellungszeitstempel | | `GET /api/v1/tasks/` | Aufgabenliste mit Status, Annotator und Datensatzelement-Referenzen | | `GET /api/v1/datasets/{uid}/items/` | Datensatzelemente mit Quell-URLs und Sequenzzugehörigkeit | | `GET /api/v1/datasets/{uid}/sequences/` | Sequenzen mit Frame-Anzahl und Element-Referenzen | Siehe die [API-Referenz](/docs/api-reference/overview) für vollständige Endpoint-Dokumentation, oder verwenden Sie das [Python SDK](/docs/de/sdks/python) und [TypeScript SDK](/docs/de/sdks/typescript) für typisierten Zugriff. ## Nächste Schritte

Qualitätskontrolle

Erfahren Sie, wie die mehrstufigen QA-Workflows von Avala Annotationsfehler abfangen, bevor sie Ihr Modell erreichen.

Exporte

Erstellen Sie versionierte Exporte Ihrer annotierten Daten mit vollständigen Herkunftsmetadaten.

Qualitäts-SLAs

Verstehen Sie die Qualitätsgarantien, Genauigkeitsziele und Bearbeitungszeiten von Avala.

Python SDK

Installieren Sie das SDK und beginnen Sie, Ihre Daten programmatisch abzufragen.