개요
컴퓨터 비전 연구 기업이 아이 트래킹 AI 플랫폼을 개발하며 Sourcefit 과 협력하여 모델 훈련 워크플로우 전반에 걸친 데이터 검증, 시선 분류 및 주석 일관성을 지원했습니다. 해당 팀은 시선 방향 출력 평가, 라벨링 문제 식별 및 부정확한 분류 수정 등을 위해 체계적인 인간 검토가 필요했습니다. Sourcefit 데이터셋 검증과 모델 개선 주기 강화를 위한 전용 QA 프로그램을 Sourcefit .
도전 과제
- 안구 추적 출력값은 정확한 검증과 분류가 필요했습니다.
- 데이터셋에는 다양한 머리 위치, 조명 조건 및 시선 각도가 포함되었습니다.
- 라벨링의 불일치로 인해 훈련 품질이 저하되고 모델 발전이 제한되었다
- 고객사는 분류 기준에 대해 일치된 의견을 가진 인간 검토자가 필요했습니다.
- 주석 작성자들 간 일관성을 보장하기 위해 보정이 필요했습니다.
접근 방식
Sourcefit 훈련된 팀이 지원하는 체계적인 품질 보증(QA) 워크플로를 Sourcefit 및 운영합니다. 해당 팀은 시선 추적 검토, 시각적 패턴 평가 및 분류 규칙을 전문으로 합니다. 팀은 머리 방향, 눈 위치 및 상황적 단서를 기반으로 시선 방향을 평가하여 모델 출력을 검증합니다.
설정하는 동안 Sourcefit:
- 검토자들의 시선 분류 규칙에 대한 이해를 통일하기 위해 교정 세션을 진행했습니다.
- 머리 정렬, 시선 각도 및 신뢰도 점수에 대한 검증 체크리스트를 생성했습니다.
- 부정확하거나 일관성 없는 라벨을 탐지하기 위한 다단계 QA 검토를 구현했습니다.
- 검토자의 정확도를 추적하고 일관성을 유지하기 위해 지속적인 피드백을 제공했습니다.
- 지원되는 모델 개선 주기는 일일 데이터셋 검증 및 문서 업데이트를 통해 이루어집니다.
현재 Sourcefit 모델 성능 강화 및 훈련 신뢰도 향상을 위해 지속적인 데이터셋 검증과 체계적인 QA 지원을 제공하고 Sourcefit .
결과
- 대규모 시선 추적 데이터셋 전반에 걸친 라벨링 정확도 향상
- 다양한 조명, 각도 및 머리 움직임으로 인한 불일치 감소
- 훈련 및 테스트 주기를 위한 데이터셋 신뢰성 향상
- 모델 개선 및 실험 실행을 위한 더 빠른 반복 지원
주요 요점
- 명확한 분류 규칙은 데이터셋 품질을 향상시킵니다: 교정 및 기준 정렬은 복잡한 시각적 데이터셋 전반에 걸쳐 정확도를 강화합니다.
- 인간 검증이 신뢰성을 강화합니다: 수동 검토는 자동화 시스템이 종종 오분류하는 미묘한 단서를 포착합니다.
- 구조화된 QA는 모델 개선을 가속화합니다: 일관된 검증 워크플로가 더 빠른 반복 및 정교화를 지원합니다.
업계에서 얻은 교훈
아이 트래킹 시스템은 초기 훈련 단계에서 인간의 정밀한 판단에 의존합니다. 시선, 머리 각도, 조명에 미세한 변동이 발생해도 모델 해석이 방해받을 수 있습니다. 전담 QA 팀은 라벨링 정확도를 강화하고 데이터셋을 안정화하며 컴퓨터 비전 파이프라인 전반에 걸친 반복적 개선을 지원합니다.
자세히 알아보기
Sourcefit AI, 연구 및 컴퓨터 비전 조직을 위한 확장 가능한 QA 및 검증 팀을 구축합니다.
탐색 WorkingAI 자동화 및 데이터셋 오케스트레이션 기능을 위해, 또는 고객 지원 프로그램을 위해 SourceCX를 살펴보세요.
구조화된 검증 및 주석 지원을 알아보려면 AI 운영팀에 문의하십시오.
