Comment Intuitive utilise Labelbox
L'équipe de data science d'Intuitive Surgical utilise Labelbox pour annoter des vidéos chirurgicales image par image, en détectant et en suivant les instruments afin d'entraîner ses modèles de vision par ordinateur. Une ontologie partagée permet aux équipes cliniques et de data science de rester alignées sur les étiquettes.
Voir la preuve capturéeL’usage : comment Intuitive déploie 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.
Le témoignage du client
Nous nous appuyons sur un logiciel collaboratif pour aider à aligner nos différentes équipes, comme nos équipes cliniques et nos équipes de data science, afin de disposer d'une ontologie clairement définie.Traduction automatique de l’anglaisVoir l’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.Les autres outils IA utilisés par Intuitive
Autres relations publiques recensées sur usedby.
Explorer la stack IA de IntuitiveLes clients de Labelbox dans le secteur Dispositifs médicaux
Des entreprises du même secteur, avec une preuve publique.
Voir tous les clients de LabelboxConsulter la source
Cette synthèse repose sur l’étude de cas publiée par Labelbox. Nous vérifions la preuve publique ; les résultats sont ceux rapportés par l’éditeur.
labelbox.com- Dernière vérification
- 10 nov. 2026
Ouvrir la capture Ce que dit le témoignage, et ce que nous avons vérifié
Ce que nous avons comparé à la page.
- Le chiffre : doubledVérifié
Imprimé mot pour mot sur la page, près du nom de Intuitive.
- L’extrait cité plus hautVérifié
Copié mot pour mot depuis la page, près du nom de Intuitive.
- Intuitive utilise LabelboxVérifié
Ligne de niveau Confirmé.
- Le résultat lui-mêmeNon vérifié
Nous le citons ; nous ne l’avons pas mesuré.
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.


