Zuweisung von Annotationsaufgaben

Wenn neue Daten in einem V7 Darwin-Datensatz eingehen, liest ein Beam AI-Agent die Batch-Metadaten und die Labeling-Phase des Projekts aus. Er wendet Ihre Routing-Regel an, um die Elemente auf den richtigen Annotations-Workflow zu verteilen, und aktualisiert die Felder für Aufgabenstatus und zugewiesene Personen, sofern der Connector dies zulässt. Standard-Batches werden ohne manuelle Sortierung in die Warteschlange verschoben. Wenn einem Batch Labels fehlen, er eine unerwartete Klasse aufweist oder einen von Ihnen festgelegten Größenschwellenwert überschreitet, hält der Agent ihn an und benachrichtigt einen Projektleiter. Eine Person bestätigt, wie diese Elemente verarbeitet werden sollen, bevor das eigentliche Labeling beginnt.

Qualitätsprüfungen für Labels

Nach Abschluss einer Labeling-Phase liest ein Beam AI-Agent die Annotationen und den Review-Status in V7 Darwin aus. Er wendet Ihre Abnahmeregel an, vergleicht die Labels mit den von Ihnen festgelegten Kriterien, leitet erfolgreiche Elemente weiter und schreibt eine Review-Notiz in die jeweilige Aufgabe zurück. Einwandfreie Arbeit wird automatisch in die nächste Phase überführt. Elemente, die eine Prüfung nicht bestehen, Unstimmigkeiten zwischen den Annotatoren aufweisen oder unter Ihren Konfidenzschwellenwert fallen, werden für einen menschlichen Reviewer markiert, anstatt sie automatisch freizugeben. Ihr Team behält das letzte Wort darüber, ob umstrittene Labels in den Trainingsdatensatz aufgenommen werden, und der Agent protokolliert jede Entscheidung.

Exportbereitschaft des Datensatzes

Vor einem Trainingsdurchlauf liest ein Beam AI-Agent die Aufgabenstatus und Fertigstellungszahlen eines V7 Darwin-Datensatzes aus. Er wendet Ihre Bereitschaftsregel an, um zu entscheiden, ob der Datensatz vollständig gelabelt und überprüft ist, aktualisiert dann ein Statusfeld und benachrichtigt das ML-Team, wenn die Exportkriterien erfüllt sind. Datensätze, welche die Anforderungen eindeutig erfüllen, werden als bereit markiert. Wenn erforderliche Klassen unterrepräsentiert sind, Aufgaben offen bleiben oder die Zahlen von Ihrem Schwellenwert abweichen, leitet der Agent den Datensatz an eine Person weiter, anstatt grünes Licht zu geben. Jemand überprüft die Lücken, bevor die Daten in ein Modell einfließen.