Cómo Intuitive utiliza Labelbox
El equipo de ciencia de datos de Intuitive Surgical utiliza Labelbox para etiquetar vídeos quirúrgicos fotograma a fotograma, detectando y siguiendo instrumentos para entrenar sus modelos de visión artificial. Una ontología compartida mantiene alineados a los equipos clínicos y de ciencia de datos en cuanto a las etiquetas.
Ver la prueba capturadaEl uso: cómo Intuitive implementa Labelbox
Intuitive Surgical's data science team uses Labelbox to label surgical videos frame by frame, detecting and tracking instruments to train its computer vision models. A shared ontology keeps clinical and data science teams aligned on the labels.
En palabras del cliente
Confiamos en software colaborativo para alinear a nuestros distintos equipos, como los equipos clínicos y los de ciencia de datos, y asegurarnos de contar con una ontología claramente definida.Traducción automática del inglésVer el original
We rely on collaborative software to help align our different teams such as our clinical teams and data science teams to ensure that we have a clearly defined ontology.Otras herramientas de IA utilizadas por Intuitive
Otras relaciones públicas registradas en usedby.
Explorar las herramientas de IA de IntuitiveClientes de Labelbox en Dispositivos médicos
Empresas del mismo sector, con pruebas públicas.
Ver todos los clientes de LabelboxConsultar la fuente
Basado en el caso de éxito publicado por Labelbox. Verificamos las pruebas públicas; los resultados son los que declara el proveedor.
labelbox.com- Última verificación
- 10 nov 2026
Abrir la captura Lo que dice la historia, y lo que verificamos
Lo que comparamos con la página.
- La cifra: doubledVerificado
Impresa palabra por palabra en la página, cerca del nombre de Intuitive.
- El pasaje citado arribaVerificado
Copiado palabra por palabra de la página, cerca del nombre de Intuitive.
- Intuitive usa LabelboxVerificado
Línea de nivel Confirmado.
- El resultado en síNo verificado
Lo citamos; no lo medimos.
The team scaled signal throughput, lowered the overhead of gathering performance and quality metrics, and doubled the speed at which they deliver training signal for their multiple ML models.


