实例探究.
添加案例
我们的案例数据库覆盖了全球物联网生态系统中的 18,927 家解决方案供应商。
您可以通过筛选条件进行快速浏览。
Download Excel
筛选条件
-
(16)
- (10)
- (6)
- (1)
- 查看全部
-
(4)
- (3)
- (1)
- (1)
-
(3)
- (2)
- (1)
-
(3)
- (3)
-
(2)
- (1)
- (1)
- 查看全部 7 技术
- (7)
- (4)
- (4)
- (3)
- (3)
- 查看全部 13 行业
- (8)
- (3)
- (3)
- (2)
- (1)
- 查看全部 7 功能区
- (5)
- (5)
- (3)
- (3)
- (2)
- 查看全部 20 用例
- (12)
- (7)
- (6)
- (3)
- (1)
- 查看全部 5 服务
- (18)
Selected Filters
|
Yuka 的产品数据库快速扩展且规模迅速
Yuka 是一款提供食品和化妆品对健康影响信息的移动应用程序，在管理其快速增长的数据库方面面临着重大挑战。该数据库已包含超过 400 万种产品，并以每天约 1,200 种新产品的速度扩展。 Yuka 的小团队无法手动审查添加到平台的每个新产品，这个过程通常需要多个转录任务。该应用程序最初使用 OCR 扫描产品图像以获取营养信息和成分，但此过程并不总是准确的。 OCR 难以处理光照不一致、障碍物或不规则文本表面的图像。结果，提交给 Yuka 的大约 60% 的图像需要外包给人工注释者。对于 Yuka 的小团队来说，这是一项艰巨的任务，特别是考虑到他们的目标是在产品添加到数据库后 2-3 小时内提供产品的健康评分。
|
|
|
|
NFT 市场的复制预防：OpenSea 案例研究
OpenSea 是全球领先的不可替代代币 (NFT) 市场，在检测和减少复制和欺诈方面面临着重大挑战。 Copymint 是流行 NFT 的复制品或模仿品，可能会欺骗用户，尤其是那些刚接触 NFT 世界的用户。信任和安全对于欢迎新人进入 Web3 生态系统至关重要，OpenSea 正在寻找供应商来帮助提高其检测和删除能力。该团队已经使用基于规则的系统来捕获各种形式的欺骗行为，但要达到有效解决市场欺诈所需的所需速度、召回率和精度是一个挑战。
|
|
|
|
Advanced.farm 快速扩展苹果采摘业务
Advanced.farm 是一家专注于利用机器人技术实现农业任务自动化的公司，在提高其苹果采摘能力方面面临着挑战。苹果品种繁多，采摘季节短，很难跟上步伐。当他们为苹果开发计算机视觉机器学习 (CVML) 功能时，他们需要一个标签解决方案，使他们能够定期创建新项目并快速获得标签图像的周转。为了在第一个苹果采摘季节取得成功，他们必须通过注释管道快速处理大量图像，适应不断变化的苹果品种，并确保他们的模型在真实情况下尽可能准确和高效数据。
|
|
|
|
利用 Scale Document AI 彻底改变物流文档处理
Flexport 是一家全球物流技术平台，在处理提单、商业发票和到货通知等物流文件方面面临着重大挑战。这些文件对于货物清关和确定货物所有权至关重要，传统上是使用基于模板且容易出错的 OCR（光学字符识别）解决方案或手工进行处理。这种方法不仅耗时，而且容易出错，导致货物运输延误并减慢内部运营速度。 Flexport 意识到需要一种基于机器学习的文档处理解决方案，该解决方案可以实现流程自动化并在几秒钟内准确提取有价值的信息。然而，面临的挑战是找到一个在人工智能和机器学习方面拥有深厚专业知识的合作伙伴，他们可以在无需 Flexport 建立机器学习工程师或数据科学家团队的情况下实施该解决方案。
|
|
|
|
Nuro 通过 Nucleus 对象自动标记增强自动驾驶汽车的安全性
Nuro 是一家专门从事送货服务自动驾驶车辆的机器人公司，在识别训练数据中不常见但有意义的场景方面面临着重大挑战。该公司的自动驾驶车辆旨在将货物从农产品运送到处方药，需要能够识别和响应各种障碍物，包括姿势不寻常的行人、动物、被遮挡和背光的行人，以及挖掘机等不常遇到的车辆。然而，这些标签并不存在于其训练数据的基本事实中。该公司的内部工具只能识别有限数量的场景，达不到对其自动驾驶车辆进行全面训练所需识别和标记的数千张图像。
|
|
|
|
Orchard 机器人利用快速规模进行精准作物管理
Orchard Robotics 是一家为农民提供人工智能优先精准作物管理解决方案的公司，在收集和利用大型商业果园的精准数据方面面临着重大挑战。该公司开发了安装在拖拉机上的人工智能摄像头系统，用于收集每棵树的精确数据。然而，该公司需要准确地计算每棵树上的每个果实，这项任务被证明是非常困难和乏味的，特别是当果实很小时。作为一个小团队，Orchard Robotics 努力在内部扩展这些注释。他们最初尝试使用其他三种主要的数据标签服务，但无法达到所需的一致质量。批次之间的质量差异很大，并且他们无法向注释者提供有关标签质量的反馈。这些平台也不提供椭圆作为注释类型，迫使 Orchard Robotics 依赖边界框，这是标记球形水果时不太理想的选择。
|
|
|
|
使用 Scale Rapid 的注释增强拾放机器人
Ambi Robotics 为客户提供人工智能驱动的机器人系统，使他们能够扩大运营规模并应对不断增长的供应链需求。该公司的机器学习（ML）系统负责识别物体及其位置，并将机器人手移动到该位置以抓取物体。拾取成功率，即机器人成功拾取物体的频率，是成功的最重要标志。然而，Ambi Robotics 在获得高质量数据注释方面面临挑战，这对于改进模型至关重要。最初，该公司在内部管理注释流程，但这种方法无法根据他们所需的数据量进行扩展。在与新客户和新地点合作时，Ambi Robotics 有时会发现拾放成功率较低，仅仅是因为环境看起来不同。提高性能的最佳方法是从新位置挖掘数据，对其进行注释，然后重新训练 ML 模型。然而，该公司缺乏定期处理如此大量数据的基础设施。
|
|
|
|
利用综合数据增强自主卡车运输：Kodiak 机器人案例研究
Kodiak Robotics 是一家自主技术公司，正在为长途卡车运输行业开发自动驾驶功能。该公司使用独特的传感器融合系统和轻量级地图解决方案来导航高速公路驾驶并高效地运送货物。然而，该公司在训练软件处理罕见场景（例如行人在高速公路上行走）方面面临着重大挑战。这些边缘情况对于生产级自动驾驶汽车系统至关重要，但事实证明，收集足够多的真实示例来可靠地训练模型非常困难。
|
|
|
|
利用物联网彻底改变酒窖管理：CellarEye, Inc. 案例研究
CellarEye, Inc. 是一家致力于利用最先进的计算机视觉 (CV) 和人工智能 (AI) 技术彻底改变私人和专业葡萄酒收藏管理的公司。他们的目标是提供一个无缝管理系统，自动跟踪酒窖中的每个酒瓶，将品牌和位置存储到库存工具中，无需手动输入。然而，CellarEye 团队在实现其愿景方面面临着重大挑战。他们需要开发一个可靠的对象检测模型，以识别和跟踪酒瓶在库存中的登记和移除情况。拥有数千瓶酒的酒窖环境呈现出一个复杂的场景，有许多边缘情况。该公司最初因注释错误或不一致而苦苦挣扎，这使得实现超过 80% 的准确率成为一项挑战。他们需要一种更好的方法来检测数据问题，了解模型故障，并使机器学习 (ML) 团队能够与注释团队协作，更快地发现标签错误。
|
|
|
|
Goodcall 通过 Scale Rapid 的文本注释增强聊天机器人性能
Goodcall 是一家为企业提供智能电话代理的公司，在管理和注释聊天机器人生成的大量数据方面面临着重大挑战。聊天机器人使用自动语音识别 (ASR) 将语音转换为文本，并使用人工智能分析来解释客户请求，需要根据实际生产数据进行定期微调。然而，用高质量注释来标记如此大量的数据的过程非常耗时且占用资源。此外，由于其内部数据注释流程，Goodcall 无法匹配可用数据的规模。这意味着每一条未标记的数据都错失了改进模型的机会。为了增强模型性能和客户体验，Goodcall 需要一种可扩展、可持续的方法来标记大量数据。
|
|
|
|
Scale 的综合数据增强了 Kaleido AI 的视觉 AI 能力
Kaleido AI 是一家总部位于维也纳的公司，致力于通过创建加速工作流程和培养创造力的工具来简化复杂的技术。该公司推出了自动图像背景去除器remove.bg和视频背景去除器Unscreen，大受欢迎并导致其于2021年被Canva收购。然而，Kaleido AI在改进其机器学习模型方面面临着重大挑战。该公司的模型需要大量高质量数据，但他们在特定的分割任务中遇到了几种边缘情况，导致模型表现不佳。收集和标记数以万计的具有多种图案、图像、背景和纹理的现实世界图像非常困难。开放数据集没有足够的此类特定类别的高质量图像。 Kaleido AI 最初依靠现实世界的数据来训练其分割模型，但这种方法非常复杂、资源密集且成本高昂。
|
|
|
|
利用规模文档 AI 增强应付账款培训数据：SAP 案例研究
SAP 是一家领先的软件公司，在改进其文档处理产品方面面临着挑战，特别是那些处理发票、采购订单和付款建议的产品。该团队拥有大量客户文档，但需要合作伙伴创建一个全面的数据集，以增强其应付账款产品，同时尊重数据所有权、隐私和敏感性。对于高性能模型来说，对高质量数据的需求至关重要。 SAP 需要优质的培训数据来训练模型，以处理和提取英语、德语和西班牙语采购订单和发票中的关键信息。客户数据的可变性（有些客户每周提供数千份文档，而另一些则需要数月时间才能提供相同数量的一小部分），这增加了挑战的复杂性。
|
|
|
|
Velodyne 使用 Scale Nucleus 在 3D 激光雷达技术中进行高效数据注释
Velodyne Lidar 是一家为各行业的安全导航和自主制造激光雷达传感器的公司，在管理和从收集的大量传感器数据中选择相关训练数据方面面临着挑战。数据团队发现对常见的室内机器人场景进行分类相对容易，因为这些场景构成了测试机器人捕获的数据集的很大一部分。然而，发现更罕见的场景，例如仓库员工在剪叉式升降机顶部堆放箱子，被证明是一项艰巨的任务。该团队需要一个开箱即用的解决方案，为高效的数据选择和管理提供必要的工具。
|
|
|
|
Voxel 的转型：增强内部标记操作以获得高质量的训练数据
Voxel 是一家利用人工智能和计算机视觉来管理风险和运营的公司，面临着两个重大挑战。首先，他们需要为其计算机视觉系统维护高质量的训练数据。其次，他们寻求自动化标签流程以提高吞吐量，同时保留内部注释团队。 Voxel 已经投资了一个由主题专家组成的内部注释团队，但他们在标签操作的效率方面遇到了困难。他们一直在使用开源解决方案计算机视觉注释工具（CVAT），当他们增加模型训练所需的注释量时，该解决方案造成了瓶颈。从操作角度来看，Voxel 发现很难有效地收集数据和有关数据标记过程的见解，从而导致大量的手动工作。该工具无法有效地将数据质量与各个注释器联系起来，因此很难确定低质量标签的原因。在工程方面，Voxel 必须为新客户项目定制数据管道，这个过程需要多名工程师为每个项目花费四个星期的时间。
|
|
|
|
利用 Scale Document AI 实现财务工作流程自动化：Brex Inc. 案例研究
Brex Inc. 是一家金融服务和技术公司，在实现财务工作流程自动化方面面临着重大挑战。该公司的目标是为企业提供一体化的财务解决方案，包括 Bill Pay 等功能，使企业能够在一个地方管理和支付账单。然而，该行业的大部分仍然依赖于容易出错的手动工作流程，特别是在文档处理方面。 Brex 发现传统的 OCR 解决方案不够可靠。上传的收据或账单中经过处理的信息通常不正确，需要验证和重新输入。即使声称使用机器学习的解决方案也没有达到足够高的准确性，并且需要 Brex 团队进行大量的前期工作来设置模板。我们面临的挑战是找到一种提供高精度和低延迟的解决方案。
|
|
|
|
通过 Scale Rapid 加速哈佛医学院 Datta 实验室的神经科学研究
哈佛医学院的达塔实验室致力于研究与啮齿动物行为相关的神经机制。他们的研究涉及使用摄像头记录小鼠的行为并使用神经植入物测量它们的神经活动。挑战在于对这些数据的分析，特别是解释行为数据。这需要研究人员随着时间的推移标记鼠标的姿势。虽然机器学习模型可以自动执行此过程，但需要首先手动注释大量视频片段。这种注释过程非常耗时，并且会影响研究人员花在需要其专业知识的其他研究方面的时间。该实验室需要一种解决方案来加快数据注释过程。
|
|
|
|
通过 Scale Rapid 增强日志扩展和库存管理
TimberEye 团队在增强移动应用程序的日志扩展功能方面面临着重大挑战。该应用程序采用计算机视觉和激光雷达测绘技术，旨在帮助木材供应商和买家更快、更安全、更准确地对原木进行分类和缩放。然而，该团队希望尝试实例分割模型，以进一步提高应用程序的扩展能力。事实证明，注释图像以进行分割的过程是一项艰巨的任务。 TimberEye 首席执行官兼创始人 Scott Gregg 尝试自行注释分割数据集，但三天后仅标记了 1,000 张图像，他就精疲力竭了。该过程比为目标检测注释图像更具挑战性和耗时，每个图像需要点击 100-200 次鼠标，而不是仅仅 4 次。团队不知所措并陷入困境，他们只需要完成注释的数据集的 5%。
|
|
|
|
Vistapath 与 Scale Studio 的合作：通过下一代病理学实验室增强患者体验
Vistapath 是一家病理学实验室，在销售过程中面临着重大挑战，销售过程是诊断癌症等疾病的关键步骤。 Grossing 涉及评估和记录组织样本的物理特征，这个过程很容易出现人为错误，并可能导致误诊。 Vistapath 旨在通过利用计算机视觉和人工智能来减少这些错误。然而，他们在开发稳健的组织检测模型时遇到了问题。该模型需要数百到数千张精确注释的图像，这项任务需要组织学家和专家可以轻松使用的工具。最初，Vistapath 使用开源注释工具，但缺乏自动化和可扩展性。然后，他们尝试了一种自动化程度更高的工具，但未能满足他们的安全性和合规性要求。因此，Vistapath 需要一个能够提供注释自动化工具来满足其严格的安全性和合规性要求的合作伙伴。
|
|
