Voxel51

Voxel51은 샘플에 인덱스를 붙여서 설명을 입력하면 해당 프레임을 돌려준다. 검색 범위는 샘플과 에피소드, 행동을 아우른다. 한 편의 녹화에 서로 다른 장면이 여러 개 들어 있을 때 이 차이가 크다. 예시 하나에서 출발해 시각적으로 비슷한 결과를 요청할 수도 있다. 경계 상황마다 필터 로직을 짜는 것보다 빠르다.

한 샘플이 이미지와 3D 장면, 센서 스트림, 지도, 어노테이션을 동시에 담으면 데이터셋 시각화가 어려워진다. Voxel51은 이 모두를 하나의 타임라인에서 동기 재생한다. 라이다의 튐이 그것을 설명하는 카메라 프레임과 정확히 맞물린다. 검토자는 에피소드를 훑으며 각 단계에서 모델이 무엇을 보고 있었는지 확인한다.

노트북으로 열 수 없는 크기의 데이터셋을 전제로 만들어졌다. 걸러내고 표시하고 뷰를 저장하며, 그 뷰는 데이터가 바뀌어도 버전으로 남는다. 약한 샘플을 일찍 빼면 저장 비용과 학습 비용이 줄고, 남긴 뷰는 무엇을 왜 바꿨는지 기록이 된다.

이미지와 영상, 3D, 멀티모달 라벨을 검토에 쓰는 같은 도구 안에서 만든다. 자동 검사는 배치가 학습으로 넘어가기 전에 클래스 불일치와 형상 문제를 잡는다. VLM 보조 라벨링과 액티브 러닝은 어노테이터의 시간을 모델이 헷갈리는 샘플로 보내고, 이미 잘 처리하는 프레임에는 쓰지 않게 한다.

컴퓨터 비전 데이터셋 정리의 값어치가 여기서 드러난다. 하나 이상의 모델 예측을 붙이고 같은 뷰에서 비교한다. 임베딩, 고유성, 오류 가능성 점수가 약점을 드러낼 만한 샘플을 위로 끌어올린다. 그래서 모델 평가는 평균값이 늘어선 대시보드가 아니라 짧은 목록을 가리킨다.

에이전트는 데이터셋을 읽고 실제로 손을 움직인다. 중복 묶기, 클래스 재분배, 라벨 드리프트 보고서 작성을 요청하면 메뉴를 안내하는 대신 단계를 실행한다. 데이터 팀의 한 주를 잡아먹는 자잘한 일을 덜어내는 것이 목적이고, 엔지니어의 판단을 대신하려는 것이 아니다.