> ## 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. # Traçabilité > Tracez toute prédiction de modèle jusqu'aux données d'entraînement, à l'annotation et à la révision QA qui l'ont produite Avala relie chaque image, étiquette, décision de révision et version d'export dans une seule plateforme. Lorsqu'un modèle échoue sur un cas limite, vous pouvez tracer la prédiction jusqu'à l'étiquette d'entraînement exacte qui l'a influencée -- et corriger la cause première au lieu de deviner. ## Ce que signifie la traçabilité dans Avala Chaque annotation dans Avala porte des métadonnées de lignage complètes : | Entité | Ce qui est suivi | | ----------------------------- | -------------------------------------------------------------------------------------------------------- | | **Élément de jeu de données** | URL du fichier source, horodatage de téléchargement, appartenance à une séquence, métadonnées du capteur | | **Tâche** | Annotateur assigné, heure de création, heure de complétion, transitions d'état | | **Résultat** | Données d'annotation, outil utilisé, ID de l'annotateur, horodatage de soumission | | **Révision QA** | ID du réviseur, décision de révision (accepter/rejeter/corriger), commentaires de révision | | **Export** | Format d'export, jeux de données/projets/slices inclus, horodatage de création, version | Cela signifie que vous pouvez partir de n'importe quelle étiquette exportée et remonter toute la chaîne : quel annotateur l'a créée, si elle a passé la QA, de quel élément de jeu de données elle provient, et quand chaque étape s'est produite. ## Démonstration : Débogage d'une défaillance de modèle Voici un exemple concret de comment la traçabilité vous aide à déboguer un problème de modèle en production. ### 1. Le modèle échoue sur un cas limite Votre modèle de perception classifie mal un piéton partiellement occulté dans un scan LiDAR. Vous identifiez la prédiction et voulez comprendre pourquoi le modèle a appris ce comportement. ### 2. Trouver les données d'entraînement Utilisez le SDK pour rechercher dans vos exports les éléments de jeu de données qui ont contribué à l'ensemble d'entraînement du modèle. ```python theme={null} from avala import Client client = Client() # Get the export used for training export = client.exports.get("export_abc123") print(f"Export: {export.name}") print(f"Format: {export.format}") print(f"Created: {export.created_at}") ``` ### 3. Inspecter les résultats individuels Chaque résultat dans l'export inclut l'élément source du jeu de données, les informations sur l'annotateur et le statut QA. ```python theme={null} # List tasks from the project used in the export tasks = client.tasks.list(project="project_uid") for task in tasks: print(f"Task {task.uid}") print(f" Status: {task.status}") print(f" Dataset: {task.dataset_name}") print(f" Item: {task.dataset_item_name}") ``` ### 4. Remonter à la source Une fois que vous avez identifié l'étiquette problématique, vous pouvez rechercher l'élément original du jeu de données pour voir son fichier source, les métadonnées du capteur et l'historique complet des annotations. ```python theme={null} # Get the specific dataset item item = client.datasets.get_item( dataset="dataset_uid", item="item_uid" ) print(f"Source: {item.source_url}") print(f"Uploaded: {item.created_at}") print(f"Sequence: {item.sequence_name}") ``` ### 5. Corriger et ré-entraîner La cause première identifiée -- par exemple, une erreur d'annotation sur le piéton occulté -- vous corrigez l'étiquette dans Avala, créez un nouvel export et ré-entraînez votre modèle avec les données corrigées. ```python theme={null} # Create a new export with the corrected labels new_export = client.exports.create( name="Training v2 - fixed occlusion labels", format="avala-json-external", projects=["project_uid"] ) print(f"New export: {new_export.uid}") ``` ## Avantages ### Reproductibilité Chaque export est versionné. Vous pouvez recréer l'ensemble d'entraînement exact utilisé pour n'importe quelle version de modèle en référençant l'UID de l'export. Plus de doutes sur les étiquettes incluses ou exclues. ### Débogage plus rapide Au lieu de chercher manuellement parmi des milliers d'annotations pour trouver une erreur, vous tracez directement de la défaillance du modèle à l'étiquette spécifique qui l'a causée. Ce qui prenait des jours ne prend que quelques minutes. ### Conformité et pistes d'audit Pour les industries réglementées (automobile, médical, défense), la traçabilité fournit la documentation que les auditeurs exigent. Chaque décision d'annotation est attribuée, horodatée et liée à sa révision QA. ### Amélioration continue Suivez la qualité des annotations au fil du temps en corrélant les performances du modèle avec des annotateurs spécifiques, des étapes de révision et des versions de jeux de données. Identifiez les problèmes d'étiquetage systématiques avant qu'ils ne se propagent dans votre pipeline d'entraînement. ## Traçabilité via l'API Toutes les données de traçabilité sont disponibles via la REST API et les SDKs. Endpoints clés : | Endpoint | Ce qu'il retourne | | --------------------------------------- | ------------------------------------------------------------------------------------ | | `GET /api/v1/exports/{uid}/` | Métadonnées d'export incluant les jeux de données, projets et horodatage de création | | `GET /api/v1/tasks/` | Liste de tâches avec statut, annotateur et références aux éléments de jeu de données | | `GET /api/v1/datasets/{uid}/items/` | Éléments de jeu de données avec URLs sources et appartenance aux séquences | | `GET /api/v1/datasets/{uid}/sequences/` | Séquences avec nombre d'images et références aux éléments | Consultez la [Référence API](/docs/api-reference/overview) pour la documentation complète des endpoints, ou utilisez le [Python SDK](/docs/fr/sdks/python) et le [TypeScript SDK](/docs/fr/sdks/typescript) pour un accès typé. ## Prochaines étapes

Contrôle qualité

Découvrez comment les flux QA multi-étapes d'Avala détectent les erreurs d'annotation avant qu'elles n'atteignent votre modèle.

Exports

Créez des exports versionnés de vos données annotées avec des métadonnées de lignage complètes.

SLAs de qualité

Comprenez les garanties de qualité, les objectifs de précision et les délais d'exécution d'Avala.

Python SDK

Installez le SDK et commencez à interroger vos données par programmation.