AI 인사이트 ChatGPT 유행이 가지는 의미 (3) – 우리 삶과 AI 분명 ChatGPT는 인공지능 업계에서 새로운 패러다임임과 동시에 사회의 유행을 이끌고 있습니다. 물론 꼭 ChatGPT가 아니더라도 여태까지 우리 사회에 유행을 이끌었던 것은 많습니다. 크게는 인터넷과 스마트폰의 등장을 대표적인 예로 생각해볼 수 있으며, 작게는 특정 유행어나 패션이 유행을 하기도 합니다. 이러한 다양한 유행은 시간이 지나고 ‘당연한 것’이 되어 우리 삶을 크게
저널 모델 진단으로 데이터 문제를 조기에 발견하는 방법 효율적이고 효과적인 머신러닝 모델을 개발하는 데는 수많은 어려움이 있습니다. 이러한 어려움을 해결하기 위해 가장 중요한 것은 데이터 관련 문제를 조기에 발견하고 수정하는 것입니다. 모델 진단(Model Diagnotics)은 데이터 문제가 모델 성능을 저해하기 전에 정확히 찾아내고 수정하는 도구로 대단히 중요합니다. 이번 포스팅에서는 슈퍼브에이아이의 큐레이트 툴이 모델 진단과 데이터 문제 조기
제품 및 서비스 슈퍼브 플랫폼에서 프로젝트 성공적으로 설정하기 컴퓨터 비전 분야에서 모델의 성공 여부는 라벨의 품질로 결정된다는 것은 누구나 아는 사실입니다. 효과적인 모델을 구축하려면 끈기와 인내심, 실행 가능한 프로세스가 필요합니다. 초기 단계에서 적절한 질문을 설정하고 가설을 정의하세요. 예산, 인력 규모, 기간, 어노테이션 유형, 데이터셋의 크기 및 전체 프로젝트 목표를 고려하는 것이 필요합니다. 프로젝트 개발은 적절한 도구 선택, 어노테이션
저널 컴퓨터 비전 모델의 희귀 케이스를 위한 데이터 증강 기법 머신러닝은 항상 데이터에 굶주려 있습니다. 특히 컴퓨터 비전 작업에서는 데이터가 많을수록 더 나은 모델을 만들 수 있는 경우가 많습니다. 하지만 모든 데이터셋이 동일하게 생성되는 것은 아닙니다. 특히 빈도가 낮거나 드문 어떤 사례들은 데이터가 부족할 수 있습니다. 이러한 경우 데이터 증강 기술이 모델의 성능에 큰 영향을 미칠 수 있습니다. 이런 문제의
저널 정확성을 위한 큐레이팅: 균형 잡힌 컴퓨터 비전 데이터셋 구축하기 컴퓨터 비전(CV) 기술의 발전은 전례 없는 수준의 자동화와 스마트 기능을 등에 업고 다양한 산업을 변화시키고 있습니다. 그러나 정확하고 편향성 없는 CV 모델을 구축하는 것은 늘 복잡한 과정입니다. 이러한 난관을 극복하는 비결은 균형 잡힌 고품질 데이터셋을 생성하는 데 있습니다. 이러한 맥락에서 슈퍼브 큐레이트(Superb Curate)는 데이터 큐레이션 프로세스를 간소화하는
저널 컴퓨터 비전 분류: 노이즈가 많고 잘못 라벨링된 데이터 클리닝 머신러닝 및 컴퓨터 비전 기술에 대한 전문 지식이나 경험에 관계없이 한 가지 보편적인 사실은 모델의 성공 여부는 데이터 품질에 크게 좌우된다는 것입니다. 쓰레기 심은데 쓰레기 난다(Garbage in, Garbage out; GIGO)는 말이 있을 정도로요. 하지만 실제 데이터는 노이즈와 잘못된 라벨로 가득 차 지저분한 경우가 많습니다. 이 포스팅은 머신러닝 실무자와
업데이트 소식 다국어 업데이트 : 한국어로 편리하게 슈퍼브 플랫폼을 이용하세요 지난 12월, 영문으로만 제공되던 웹사이트의 다국어 업데이트를 진행했습니다. 한국어가 신규 추가되어 국내 사용자의 온보딩 경험이 향상되었으며 긍정적인 피드백을 받을 수 있었습니다. 이런 긍정적인 피드백을 적극 반영해 슈퍼브 플랫폼에서의 한국어 업데이트도 진행했습니다. 이제 슈퍼브 플랫폼 내 모든 제품(라벨, 큐레이트, 모델)에서 영어, 일본어, 한국어의 총 3개의 다국어를 지원합니다. 이번 다국어
프로젝트 사례 [농축산업] 농작물 생육 상태를 측정하는 AI : 기존 육안 검수 대비 약 92.4% 증가 - 페인 포인트 : 농작물 생육 모니터링 솔루션 개발을 위한 AI 모델 필요 - Vision AI 활용 : 객체별 익은 정도를 추적하는 AI 알고리즘 구축 - 결과 : 기존 육안 검수 대비 농작물의 익은 정도의 측정 정확도 약 92.4%, 농작물 생육 변화 추적 자동화 실현 농작물 생육 상태를 측정하는 AI 란? 농작물의
프로젝트 사례 [농축산업] 농장 주행 경로 및 농작물 위치 인식 AI : 인식 정확도 약 97.6 % - 페인 포인트 : 대규모 농장의 인력관리 및 수확량 증가 한계 - Vision AI 활용 : 농장 주행 가능 경로와 농작물 위치 인식 AI 모델 개발 - 결과 : 농작물 위치 인식 정확도 약 97.6 %, 농작물 자동 수확 기계 솔루션 개발 농장 주행 경로 및 농작물 위치 인식 AI란? 농업 작업 시
프로젝트 사례 [농축산업] 축사 생체정보 분석 데이터 구축 : 비용 31.6% 절감 - 페인 포인트 : 작업자 경험에 의존한 축산 경영의 한계 - Vision AI 활용 : 다양한 항목의 생체정보 및 이상행동 데이터 구축 - 결과 : 축사 관리 비용 약 31.6% 절감, 비접촉식 동물 생체정보 분석 및 축사 관리 효율 극대화 축사 생체정보 분석 데이터 구축이 필요한 이유 축사 생체정보 분석 데이터 구축은
프로젝트 사례 [커머스/엔터테인먼트] 댄서 동작 자동 인식 AI - 페인 포인트 : 춤 교육 컨텐츠에 AI 도입 계획 - Vision AI 활용 : 댄서별 ID 추적과 동작 자동 인식 AI 알고리즘 개발 - 결과 : 30,000+ 프레임 동작 데이터 구축, 실제동작과 예시동작의 일치 확인하여 원격 춤 교육 실현 댄서 동작 자동 인식 AI 란? 댄서의 춤 동작을 자동으로 감지하고 분류하는
프로젝트 사례 [커머스/엔터테인먼트] 제품 브랜드 및 제품명 자동 검출 AI : 브랜드 인식 정확도 99.2% - 페인 포인트 : 매장 점유율 확인 및 기존 재고 관리 비용 한계 - Vision AI 활용 : 제품 브랜드 및 제품명 자동 검출 - 결과 : 이미지 상 브랜드 인식 정확도 약 99.2% 달성, 실시간 매장 별 점유율 파악 가능 및 재고 관리 최적화 제품 브랜드 및 제품명 자동 검출 AI
AI 인사이트 OpenAI가 직면한 과제와 돌파구 ClosedAI와 오픈소스 문화 OpenAI의 사용자 감소세가 심상치 않다. 애널리틱스인디아에 따르면 2022년 11월 서비스 개시 이후 수직 상승하던 OpenAI의 사용자수가 2023년 5월을 정점으로 감소세로 들어서, 7월 이용자수는 동년 6월에 비해 12%나 감소했다고 한다. (출처 : 테크42, 챗GPT 선구자 ‘오픈AI’에 드리운 먹구름···파산 위기설까지) 사용자 감소세의 원인으로는 여러가지를 들 수 있겠지만, 가장 유력한 것은
프로젝트 사례 [커머스/엔터테인먼트] 체형 기반 자동 매치 AI : 정확성 93% - 페인 포인트 : 온라인 매출 상승을 위한 가상 착장 시스템 도입 계획 - Vision AI 활용 : 체형 기반 의류 사이즈를 자동으로 매치하는 AI 모델 개발 - 결과 : 옷 사이즈 연계 정확성 평균 93%, 실제 체형에 기반한 사이즈 추천으로 반품율 하락 체형 기반 자동 매치 AI 란? 의류나 패션 아이템을 구매할
AI 인사이트 ChatGPT 유행이 가지는 의미 (2) – 초거대 AI ChatGPT가 등장하고 행사하는 영향력은 어마어마합니다. 그리고 우리가 ChatGPT의 영향력이 크다고 말할 수 있는 이유는 딱 하나입니다. 바로 ChatGPT라는 인공지능이 너무나도 정확하고 그럴듯한 결과물을 계속 내놓고 있기 때문입니다. ChatGPT는 일반적인 채팅 상대로서의 기능도 해주는데다, 번역이면 번역, 작문이면 작문, 거기에 코딩까지 정말 다양한 영역에서 놀라운 능력을 보여주고 있습니다. 만약, 아무리 다양한 기능을
프로젝트 사례 [스포츠] 영상 데이터의 객체 자세 자동 인식 AI: 분석 시간 20.8% 단축 - 페인 포인트 : 선수의 자세 교정 시스템 도입 계획 - Vision AI 활용 : 동영상 데이터의 객체 자세 자동 인식 AI 모델 개발 - 결과 : 코치의 자세 분석 시간 약 20.8% 단축, 기초 자세 코칭 시간 절감에 따른 인건비 감소 효과 영상 데이터의 객체 자세 자동 인식 AI 란? 영상
프로젝트 사례 [물류/유통] 개별 상품 분류 AI : 분류 정확도 93.4% - 페인 포인트 : 로봇 기능 업그레이드를 위한 개별 물품 인식 필요 - Vision AI 활용 : 대표 상품 카테고리 최대 80종 분류 - 결과 : 상품 분류 정확도 93.4% 이상 달성, 배송목록 재확인, 크기/중량에 따른 포장 및 출하 가능 개별 상품 분류 AI란? 개별 상품 분류 AI는 인공 지능 기술을
프로젝트 사례 [스포츠] 실시간 스포츠 경기 상황 인식 AI : 경기 상황 및 포지션 시점 캐치 정확도 94.6% - 페인 포인트 : 실시간 경기 상황 인식 시스템 필요 - Vision AI 활용 : 프레임별 공격/수비팀 분류에 따른 경기 상황 분석 - 결과 : 경기 상황 및 포지션 시점 캐치 정확도 94.6%, 분기별 종합 경기 분석 결과 도출 및 선수 평가제도 개선 실시간 스포츠 경기 상황 인식AI 란? 실시간으로 진행되는
프로젝트 사례 [스포츠] 선수별 움직임과 상호작용 인식 AI : 동적 객체 인식률 약 98.2% - 페인 포인트 : 오심 판정을 줄이기 위한 다양한 방법 모색 - Vision AI 활용 : 선수별 신체 상태 및 행동 모니터링과 상호작용 인식 알고리즘 개발 - 결과 : 선수별 동적 객체 인식률 약 98.2% 달성, 오심 판정률 감소 및 경기 전략 수립 시간 단축 선수별 움직임과 상호작용 인식 AI 란? 스포츠
프로젝트 사례 [항공/드론/방산] 탐색 불가 지역 실종자 위치 확인 AI - 페인 포인트 : 어려운 접근성을 가진 지역에서 실종자 탐색 - Vision AI 활용 : 실종자 위치 확인 데이터셋 구축 및 AI 알고리즘 개발 - 결과 : 빠른 시간 내 넓은 지역을 탐색하여 실종자 발견 탐색 불가 지역 실종자 위치 확인 AI 란? 장소나 환경적으로 탐색이 어려운 지역에서 실종자의 위치를 파악하기 위함 입니다.
프로젝트 사례 [의료] 혈액 감염균의 종류 예측하는 AI : 식별 시간 30% 단축 - 페인 포인트 : 혈액 감염균을 찾기 위해 의료진 리소스 하루 이상 투입 - Vision AI 활용 : 균의 종류를 예측하는 AI 분류 알고리즘 구축 - 결과 : 감염균 식별 시간 30% 이상 단축, 신속한 감염균 식별로 진단 보조하여 질병의 진행 제어 혈액 감염균의 종류 예측하는 AI 란? 환자의 혈액 샘플 데이터를 기반으로
AI 인사이트 창작의 새로운 패러다임을 이끄는: 이미지 생성 AI Image Generation AI (이미지 생성 AI) Image Generation AI(이미지 생성 AI)는 이미지 또는 텍스트 입력을 기반으로 새로운 이미지를 생성하는 기술입니다. 특히 텍스트에서 이미지를 생성하는 Text-to-Image Generation AI는 딥러닝 기술을 활용하여 주어진 텍스트 설명을 이해하고 해당 내용을 시각적으로 표현하는 인공지능 기술로 큰 주목을 받고 있습니다. 이러한 텍스트-이미지 생성형 AI는
프로젝트 사례 [의료] 스마트폰 사진을 통한 암 진단AI : 피부암 초기 대응 건수 12.3% 증가 - 페인 포인트 : 점과 구분이 어려워 환자의 병원 조기방문이 어려움 - Vision AI 활용 : 스마트폰 앱으로 사진 찍어 암 가능성 진단 - 결과 : 피부암 초기 대응 건수 12.3% 증가, AI 결과를 참고하여 병원방문 또는 질병의 추적관찰 스마트폰 사진을 통한 암 진단 AI란? 환자의 스마트폰으로 촬영한 사진을 활용하여 암의 가능성을
프로젝트 사례 [의료] 피부 상태(모반, 흑자, 기미 등) 분류 AI : 상담 시간 평균 27.5% 감소 - 페인 포인트 : 개인의 피부 상태 시연 자료 부족 - Vision AI 활용 : 피부 상태(모반, 흑자, 기미 등) 분류 알고리즘 구축 - 결과 : 피부 상담 시간 평균 27.5% 감소, 피부 컨디션 분석하여 맞춤형 피부 시술 제시 보조 피부 상태(모반, 흑자, 기미 등) 분류 AI란? 환자의 피부 이미지를
프로젝트 사례 [항공/드론/방산] 국내 지리 정보 실시간 분석 데이터셋 구축 : 도시 계획 정확성 약 32% 증진 - 페인 포인트 : 한국의 지리 정보 실시간 분석 데이터 필요 - Vision AI 활용 : 이미지 內 하천, 농지, 도로, 주거지 데이터셋 구축 - 결과 : 도시 계획 정확성 약 32% 증진, 도시 계획을 위한 농업/환경보전/주거지역 분류 국내 지리 정보 실시간 분석 데이터셋 구축이 필요한 이유 다양한 분야에서 실시간으로 변화하는