Der Kunde entwickelt Softwareprodukte für große Automobilunternehmen. Die Software baut Datensätze auf und trainiert intelligente Systeme, die den Verkehr sicherer machen. Die Lösung war veraltet und benötigte ein Upgrade.
Festpreis
Waterfall
Business Analyst
Machine-Learning-Team
Team für Web Development
QA-Team
Softeq musste das System aktualisieren, um es produktiver zu machen. Wir mussten die Lösung in die Cloud migrieren und ihre Architektur neu gestalten. Dies ermöglichte es den Mitarbeitern, von jedem Standort aus auf das System zuzugreifen und die Daten schneller zu verarbeiten.
Bei der Lösung handelt es sich um eine unabhängige Webanwendung, die aus zwei Modulen besteht - Admin Panel und Workspace. Abhängig von der Rolle des Benutzers im Projekt kann er spezifische Handlungen ausführen. Es gibt fünf Benutzerrollen — Superadmin, Coordinator, Observer, Labeling Manager und Labeler. Sie teilen sich die wichtigsten funktionalen Verantwortungen.
Ein Labeler kann:
Superadmin ist zu Folgendem berechtigt:
Der Coordinator ist für das Projekt- und Aufgabenmanagement verantwortlich.
Observer und Labeling Manager steuern die Leistung von Labelern und die Projektqualität.
Ein Labeler erhält spezifische Anleitungen im .xml-Format. Darin sind Informationen zu den Objekten enthalten, die gekennzeichnet werden müssen (Fahrzeuge, Fußgänger, Straßenmarkierungen, Verkehrszeichen usw.). Die Dateien werden in einem Remote-Medienspeicher aufbewahrt. Der Labeler beschriftet diejenigen Objekte manuell, die noch nicht mit Hilfe der Machine-Learning-Algorithmen identifiziert wurden.
Im Moment unterstützt die App nur Videos mit geringer Farbtiefe. Das bedeutet, dass die importierten Videodateien vor dem Labeling erst verarbeitet werden müssen. Um die Videobilder auf das manuelle Labeling vorzubereiten, nutzt die Lösung neurale, auf Netzwerken basierende Bildvorverarbeitungs-Algorithmen mit Faltungsalgorithmen.
Das System und seine Medienspeicher befanden sich ursprünglich auf lokalen Servern in Berlin, der Großteil der Labeler arbeitete hingegen an entfernten Standorten. Dies führte zu regelmäßigen Verbindungsproblemen und Verzögerungen in der Serverreaktion. Um die Systembeständigkeit und die Reaktionszeit des Servers zu verbessern, migriert das Softeq-Team die Anwendung und ihre Medienspeicher in die Azure Cloud.
Um die Lösung skalierbarer zu machen und die Ressourcen verbrauchenden Vorgänge auf unterschiedliche Systemkomponente zu verteilen, gestaltet das Team die Architektur der Lösung neu. Systemfunktionen wie Caching, Queue Messaging und Containerisierung werden zu externen Services delegiert — unter anderem Reddis, RabbitMQ und Docker.
Während der ersten Phase werden das System und die Medienspeicher erfolgreich in die Azure Cloud migriert und die Architektur der Lösung neu erstellt.
Das QA-Team führt Belastungstests des Systems durch, um sicherzustellen, dass die Lösung weiterhin stabil und nachhaltig ist, während mehrere Labelingteams auf sie zugreifen.
Der Kunde ist mit den Ergebnissen der ersten Phase zufrieden und beauftragt Softeq, zusätzliche Funktionen zu entwickeln. Das Team fügt unter anderem die Unterstützung von HDR-Video und TIFF-/PNG-Formaten für resultierende Bilder hinzu sowie Echtzeit-Video-Annotation.
