> ## 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.

# 품질 및 SLA

> Avala의 품질 프로세스, 정확도 보증, 처리 시간, 인력 모델

Avala의 관리형 라벨링 서비스는 체계적인 QA 프로세스, 전문 도메인 전문가, 측정 가능한 품질 지표를 기반으로 프로덕션 품질의 어노테이션을 제공합니다. 이 페이지는 Avala 인력을 사용한 어노테이션에서 기대할 수 있는 사항을 문서화합니다.

## 품질 프로세스

모든 어노테이션은 내보내기에 도달하기 전에 3단계 품질 보증 파이프라인을 거칩니다.

### 1단계: 자동 검사

사람 리뷰어가 결과를 보기 전에, 자동 검증이 구조적 오류를 포착합니다.

| 검사          | 포착 내용                                       |
| ----------- | ------------------------------------------- |
| **스키마 검증**  | 누락된 필수 속성, 유효하지 않은 라벨 값, 범위 밖 좌표            |
| **기하학적 검증** | 면적이 0인 바운딩 박스, 자기교차 폴리곤, 포인트 클라우드 범위 밖 큐보이드 |
| **일관성 검사**  | 중복 객체 ID, 프레임 간 깨진 추적 링크, 라벨/속성 불일치         |
| **커버리지 검사** | 프로젝트 온톨로지에 따라 라벨이 있어야 하는 미주석 영역             |

### 2단계: 사람 리뷰

전용 리뷰어 -- 귀하의 온톨로지에 대한 깊은 지식을 가진 시니어 어노테이터 -- 가 각 결과의 정확성, 완전성, 라벨링 가이드라인 준수 여부를 검사합니다.

리뷰어 확인 항목:

* 올바른 객체 분류 및 속성 값
* 타이트한 바운딩 박스 / 폴리곤 / 큐보이드 맞춤
* 프레임 간 일관된 객체 추적
* 프로젝트별 지침에 따른 에지 케이스 처리

### 3단계: 전문가 감사

리뷰된 결과의 무작위 샘플이 도메인 전문가에게 최종 감사를 위해 에스컬레이션됩니다. 이 단계는 리뷰어 정확도를 보정하고 학습 데이터에 영향을 미치기 전에 체계적 이슈를 포착합니다.

감사 결과는 어노테이터 교육 및 가이드라인 개선에 피드백되어 지속적인 개선 루프를 만듭니다.

## 정확도 목표

| 지표         | 목표                              |
| ---------- | ------------------------------- |
| **1차 합격률** | 어노테이션의 99% 이상이 재작업 없이 승인        |
| **분류 정확도** | 99% 이상 올바른 라벨 할당                |
| **위치 정확도** | 바운딩 박스 IoU > 0.90 (그라운드 트루스 대비) |
| **추적 일관성** | 프레임 간 99% 이상 올바른 객체 ID 연속성      |
| **속성 정확도** | 99% 이상 올바른 속성 값 (차폐, 잘림 등)      |

<Info>
  정확도 목표는 Avala의 관리형 라벨링 서비스에 적용됩니다. 셀프서비스 어노테이션 정확도는 귀하 팀의 어노테이터와 QA 구성에 따라 달라집니다.
</Info>

## 처리 시간

처리 시간은 어노테이션 복잡도와 볼륨에 따라 달라집니다. 아래 표는 Avala의 관리형 라벨링 서비스를 사용할 때 일반적인 어노테이션 유형별 일반적인 타임라인을 보여줍니다.

| 어노테이션 유형                  | 일반적인 처리 시간 | 비고                             |
| ------------------------- | ---------- | ------------------------------ |
| **2D 바운딩 박스** (이미지)       | 1-3 영업일    | 표준 객체 탐지                       |
| **2D 폴리곤** (이미지)          | 2-5 영업일    | 인스턴스 세그멘테이션                    |
| **시맨틱 세그멘테이션** (이미지)      | 3-7 영업일    | 픽셀 수준 분류                       |
| **3D 큐보이드** (LiDAR)       | 3-7 영업일    | BEV + 원근 뷰를 사용한 포인트 클라우드 어노테이션 |
| **멀티센서 3D** (LiDAR + 카메라) | 5-10 영업일   | 동기화된 센서 어노테이션                  |
| **비디오 객체 추적**             | 3-7 영업일    | 시퀀스당, 프레임 수와 객체 밀도에 따라 다름      |
| **키포인트 어노테이션**            | 2-5 영업일    | 포즈 추정 및 랜드마크 라벨링               |

처리 시간은 데이터가 업로드되고 프로젝트 온톨로지가 확정된 시점부터 시작됩니다. 파일럿 데이터셋(1,000개 미만 항목)은 종종 더 빠르게 완료될 수 있습니다.

<Tip>
  프로젝트에 특정 SLA가 필요하신가요? 보장된 처리 시간 약속에 대해 논의하려면 **[sales@avala.ai](mailto:sales@avala.ai)**에 문의하세요.
</Tip>

## 인력 품질

### 도메인 전문화

Avala의 어노테이터는 긱 워커가 아닌 전문 직업인입니다. 각 어노테이터는 12개월 이상 특정 도메인(자율주행, 로보틱스, 의료 영상)에 전문화됩니다.

| 속성         | 세부사항                                            |
| ---------- | ----------------------------------------------- |
| **전문화 기간** | 단일 고객 도메인에서 12개월 이상                             |
| **교육**     | 귀하의 온톨로지, 에지 케이스 라이브러리, 라벨링 가이드라인을 통한 프로젝트별 온보딩 |
| **유지율**    | 연간 90% 이상 유지 -- 어노테이터가 깊은 기관 지식을 구축             |
| **팀 규모**   | 모든 도메인에 걸쳐 15,000명 이상의 어노테이터                    |

### 유지율이 중요한 이유

높은 어노테이터 유지율은 데이터 품질에 직접적인 영향을 미칩니다:

* **기관 지식** -- 어노테이터는 시간이 지남에 따라 귀하의 에지 케이스, 명명 규칙, 도메인별 뉘앙스를 학습합니다. 새 어노테이터가 같은 수준에 도달하려면 몇 주가 걸립니다.
* **재작업 감소** -- 경험 많은 어노테이터는 1차에서 더 적은 오류를 생성하여 리뷰 오버헤드와 처리 시간을 줄입니다.
* **온톨로지 진화** -- 라벨 분류 체계를 업데이트할 때, 경험 많은 어노테이터는 변경 이유를 이해하기 때문에 더 빠르게 적응합니다.

## API를 통한 품질 지표

프로젝트의 품질 지표는 API와 SDK를 통해 프로그래밍 방식으로 사용할 수 있습니다.

### 프로젝트 수준 지표

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

client = Client()

# 품질 지표를 포함한 프로젝트 세부정보 가져오기
projects = client.projects.list()

for project in projects:
    print(f"Project: {project.name}")
    print(f"  Tasks completed: {project.task_count}")
```

### 작업 수준 품질 데이터

```python theme={null}
# 리뷰 상태가 포함된 작업 목록
tasks = client.tasks.list(project="project_uid")

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

### 품질 메타데이터 포함 내보내기

내보내기를 생성할 때, 각 어노테이션 결과에는 QA 리뷰 상태가 포함되어 학습 파이프라인에서 품질 수준별로 필터링할 수 있습니다.

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

## 품질 관리 구성

셀프서비스 어노테이션의 경우, Avala는 구성 가능한 QA 워크플로우를 제공합니다.

| 기능             | 설명                                  |
| -------------- | ----------------------------------- |
| **다단계 리뷰**     | 승인 전에 어노테이션을 하나 이상의 리뷰 단계를 거치도록 라우팅 |
| **합의 워크플로우**   | 여러 어노테이터가 동일한 라벨에 동의하도록 요구          |
| **승인 기준**      | 작업 승인을 위한 최소 품질 임계값 설정              |
| **이슈 추적**      | 코멘트와 해결 상태로 어노테이션 이슈를 플래그 및 추적      |
| **어노테이터 간 합의** | 동일 데이터에 대한 어노테이터 간 일관성 측정           |

설정 지침은 [품질 관리](/docs/annotation/guides/quality-control)를 참조하세요.

## 다음 단계

<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'}}>품질 관리 가이드</p>
    <p style={{fontSize: '14px', marginTop: '0px', opacity: 0.6}}>프로젝트에 대한 다단계 리뷰, 합의, 승인 워크플로우를 구성하세요.</p>
  </Card>

  <Card title="" icon="link" href="/docs/ko/traceability">
    <p style={{fontWeight: 600, fontSize: '18px', marginBottom: '4px', marginTop: '8px', color: 'inherit'}}>추적성</p>
    <p style={{fontSize: '14px', marginTop: '0px', opacity: 0.6}}>모든 어노테이션을 소스 데이터, 어노테이터, QA 리뷰까지 추적하세요.</p>
  </Card>

  <Card title="" icon="star" href="/docs/ko/why-avala">
    <p style={{fontWeight: 600, fontSize: '18px', marginBottom: '4px', marginTop: '8px', color: 'inherit'}}>Avala를 선택하는 이유</p>
    <p style={{fontSize: '14px', marginTop: '0px', opacity: 0.6}}>Avala가 Scale AI, Labelbox, Label Studio와 어떻게 다른지 확인하세요.</p>
  </Card>

  <Card title="" icon="phone" href="mailto:sales@avala.ai">
    <p style={{fontWeight: 600, fontSize: '18px', marginBottom: '4px', marginTop: '8px', color: 'inherit'}}>영업팀에 문의</p>
    <p style={{fontSize: '14px', marginTop: '0px', opacity: 0.6}}>관리형 라벨링, 맞춤 SLA, 엔터프라이즈 배포에 대해 논의하세요.</p>
  </Card>
</CardGroup>