> ## 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. # Прослеживаемость > Отследите любое предсказание модели до обучающих данных, аннотации и QA-рецензии, которые его создали Avala связывает каждый кадр, метку, решение рецензента и версию экспорта на одной платформе. Когда модель ошибается на граничном случае, вы можете отследить предсказание до точной обучающей метки, которая на него повлияла — и исправить первопричину вместо гадания. ## Что означает прослеживаемость в Avala Каждая аннотация в Avala несёт полные метаданные происхождения: | Сущность | Что отслеживается | | ------------------------- | ------------------------------------------------------------------------------------------------------ | | **Элемент набора данных** | URL исходного файла, временная метка загрузки, принадлежность к последовательности, метаданные сенсора | | **Задача** | Назначенный аннотатор, время создания, время завершения, переходы состояний | | **Результат** | Данные аннотации, использованный инструмент, ID аннотатора, временная метка отправки | | **QA-рецензия** | ID рецензента, решение рецензии (принять/отклонить/исправить), комментарии | | **Экспорт** | Формат экспорта, включённые наборы данных/проекты/срезы, временная метка создания, версия | Это означает, что вы можете начать с любой экспортированной метки и пройти назад по всей цепочке: какой аннотатор её создал, прошла ли она QA, из какого элемента набора данных она происходит и когда произошёл каждый шаг. ## Пошаговый пример: отладка ошибки модели Вот конкретный пример того, как прослеживаемость помогает отлаживать проблему продакшн-модели. ### 1. Модель ошибается на граничном случае Ваша модель восприятия неправильно классифицирует частично перекрытого пешехода в скане LiDAR. Вы определяете предсказание и хотите понять, почему модель научилась такому поведению. ### 2. Найдите обучающие данные Используйте SDK для поиска в экспортах элементов набора данных, которые внесли вклад в обучающую выборку модели. ```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. Проверьте отдельные результаты Каждый результат в экспорте включает исходный элемент набора данных, информацию об аннотаторе и статус 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. Проследите до источника Определив проблемную метку, вы можете найти оригинальный элемент набора данных, чтобы увидеть его исходный файл, метаданные сенсора и полную историю аннотаций. ```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. Исправьте и переобучите Определив первопричину — например, ошибку аннотации перекрытого пешехода — вы исправляете метку в Avala, создаёте новый экспорт и переобучаете модель на исправленных данных. ```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}") ``` ## Преимущества ### Воспроизводимость Каждый экспорт версионирован. Вы можете воссоздать точный обучающий набор, использованный для любой версии модели, по UID экспорта. Никаких догадок о том, какие метки были включены или исключены. ### Быстрая отладка Вместо ручного перебора тысяч аннотаций в поисках ошибки вы прослеживаете путь напрямую от ошибки модели до конкретной метки, которая её вызвала. То, что раньше занимало дни, теперь занимает минуты. ### Соответствие и аудиторские следы Для регулируемых отраслей (автомобилестроение, медицина, оборона) прослеживаемость обеспечивает документальный след, который требуют аудиторы. Каждое решение по аннотации атрибутировано, датировано и связано с QA-рецензией. ### Непрерывное улучшение Отслеживайте качество аннотаций во времени, соотнося производительность модели с конкретными аннотаторами, этапами рецензирования и версиями наборов данных. Выявляйте систематические проблемы разметки до того, как они распространятся по вашему пайплайну обучения. ## Прослеживаемость через API Все данные прослеживаемости доступны через REST API и SDK. Ключевые эндпоинты: | Эндпоинт | Что возвращает | | --------------------------------------- | ------------------------------------------------------------------------------- | | `GET /api/v1/exports/{uid}/` | Метаданные экспорта, включая наборы данных, проекты и временную метку создания | | `GET /api/v1/tasks/` | Список задач со статусом, аннотатором и ссылками на элементы набора данных | | `GET /api/v1/datasets/{uid}/items/` | Элементы набора данных с URL источников и принадлежностью к последовательностям | | `GET /api/v1/datasets/{uid}/sequences/` | Последовательности с количеством кадров и ссылками на элементы | Полную документацию по эндпоинтам см. в [Справочнике API](/docs/api-reference/overview), или используйте [Python SDK](/docs/ru/sdks/python) и [TypeScript SDK](/docs/ru/sdks/typescript) для типизированного доступа. ## Следующие шаги

Контроль качества

Узнайте, как многоэтапные QA-процессы Avala отлавливают ошибки аннотации до того, как они попадут в вашу модель.

Экспорты

Создавайте версионированные экспорты аннотированных данных с полными метаданными происхождения.

Качество и SLA

Узнайте о гарантиях качества, целях точности и сроках выполнения Avala.

Python SDK

Установите SDK и начните программно запрашивать данные.