SUPERB AI

프로젝트 사례

[제조업] 품질 검수 AI : 검수 정확도 98.8%

- 페인 포인트 : 인력 검수 속도의 한계 직면, 작업자 간의 상이한 판단 기준으로 인한 Tact time 증가 - Vision AI 활용 : 이미지당 OK/NG 검수 판단 속도 230ms 달성 - 결과 : 검수 정확도 98.8%, 검수 품질 일관성 달성, 검수 속도 향상과 높은 정밀도 제공 품질 검수 AI 란? 제품의

프로젝트 사례

[제조업] 제품 결함 분류 AI : 모델 성능 96.1% 달성

- 페인 포인트 : 작업자별 상이한 등급 기준으로 인한 기준의 모호성, 검사 품질 및 작업속도 의 편차 - Vision AI 활용 : 초미세 결점 데이터셋 및 AI 알고리즘 구축 - 결과 : 결함 요인 발견을 통한 품질 기준의 일관성 확보, 모델 성능 96.1%, 제품 결함 등급화 제품 결함 분류 AI 란? 제품

프로젝트 사례

[제조업] 생산 품질 외관 비전 검사 AI : 생산품 불량률 13.2 % 감소

- 페인 포인트 : 일관성 없는 검사 기준과 예측 불가한 생산량 - Vision AI 활용 : 생산 공정별로 발생한 스크래치 패턴 파악 - 결과 : 체계적인 생산라인 통제와 수량 안정성 확보, 제품 불량률 13.2% 감소 생산 품질 외관 비전 검사 AI 란? 생산 품질 외관 검사 비전 AI는 육안 검사와 기존 Rule

프로젝트 사례

[제조업] PoC : 슈퍼브 플랫폼을 통한 제품 품질 분류 자동화

대형 제조/화학 기업인 ‘A’사의 제조 공장에서는 대량의 제품들을 품질에 따라 분류하는 작업이 수행됩니다. 이 작업은 모두 수동으로 진행되었기에 분류 작업에서 많은 오류가 있습니다. A사는 품질 분류를 자동화하기 위한 AI/ML 모델을 개발하여 검수 과정에서 생기는 비효율을 잡고자 합니다. A사의 자동화 모델을 위해 AI PoC를 진행했습니다. PoC 구축을 진행하며

저널

가장 효과적으로 컴퓨터 비전 이미지 데이터를 어노테이션하는 방법

컴퓨터 비전(CV) 데이터셋은 현대의 연구진과 개발자들에게 있어 가장 유용한 자원 중 하나입니다. 머신러닝 엔지니어들은 데이터셋의 다양한 이미지와 라벨을 통해 모델이 객체 탐지, 안면 인식, 또는 배포 환경에 필요한 다른 시각적인 기능들과 같은 고급 기능을 갖추도록 학습시킬 수 있습니다. 하지만 이런 데이터셋들의 고질적인 문제점은 정확히 어떤 이미지를 어떻게 어노테이션해야 가장

AI 인사이트

챗GPT 이외의 LLM에는 어떤 것들이 있을까?: 초거대언어모델의 경량화 트렌드

OpenAI사의 챗GPT는 LLM 시장의 대중화를 향한 첫 문을 열었다는 점에서 생성형 언어모델의 선구자라고 할 수 있다. 그러나 당연하게도 LLM에는 챗GPT만 있는 것이 아니다. 이번 시간에는 구글과 Meta를 비롯한 다양한 빅테크 기업들이 사용자들의 니즈에 맞게 야심차게 준비한 ‘챗GPT 이외의 초거대언어모델’들에 대해 알아보도록 하겠다. 주목할 점은 매개변수와 훈련 데이터를 늘려가며 성능을

이벤트 및 웨비나

AI 프로젝트 성공 비결: 슈퍼브에이아이, 올거나이즈, 마키나락스의 노하우

요즘 인공지능(AI)을 도입하는 기업들이 점점 늘어나고 있습니다. 기업들이 사용하는 AI 기능 수도 4년 전보다 두 배로 늘었다고 해요. 하지만 모든 AI 도입이 성공적으로 이뤄지는 건 아닙니다. 프로토타입에서는 성공하더라도, 고품질 데이터를 확보하고 모델을 교육하고, 실제로 비즈니스에 적용하는 일이 지속적으로 이루어져야 합니다. 전문가들이 말하길 "AI는 도입한 이후부터가 진짜 시작&

업데이트 소식

모델을 소개합니다: 몇 번의 클릭만으로 강력한 AI 모델을 손쉽게 학습시키고 배포하세요

슈퍼브 모델을 소개합니다. 모델은 컴퓨터 비전을 도입하려고 계획 중이거나 이미 도입 초기인 회사들이 흔히 직면하는 아래와 같은 문제들을 간편하게 해결해 줄 수 있는 제품 입니다. 1) 전담 ML팀이 있어야 시작이라도 해 볼 수 있어요 2) 커스텀 모델을 만들려면 엄청난 노하우와 컴퓨터 리소스가 필요해요 3) 기존의 제품, 서비스, 비즈니스 로직에 AI를

AI 인사이트

LLM 빅테크와 스타트업: 기업들 사이의 LLM 모델 경쟁

OpenAI사에서 개발한 'ChatGPT'는 기존에 생성형AI와 초거대언어모델(LLM) 기술을 접해본 적이 없던 대중들에게도 매우 친숙한 서비스가 되었다. 이 서비스는 출시 후 단 두 달 만에 사용자 수가 1억 명을 돌파하며 틱톡이 세웠던 9개월 기록을 뛰어넘었고, 올해 3월 기준으로 누적 방문 횟수가 이미 15억 회를 넘어 썼으며, 지금도 신규

저널

슈퍼브에이아이 플랫폼으로 품질 관리 완전 정복 및 이상적인 정답 데이터셋 구축하기

들어가며 파트 2에서는 라벨링의 종류와 적절한 적용 방법 및 사례, 그리고 슈퍼브에이아이 스위트를 팀에 맞게 최적화하는 방법에 대해 다뤘습니다. 파트 3에서는 이슈를 모니터링 및 해결하는 품질 관리 (Quality Assurance, QA) 전략과 모범적인 검수 방법(auditing), 정답 (Ground Truth, GT) 데이터셋을 생성하는 방법, 그리고 데이터를 분리하는 최적의 방법에 대해 다룹니다. 워크플로우

AI 인사이트

AI의 특이점: 약인공지능(AI)과 강인공지능(AGI) 그리고 초인공지능(ASI)

세계적인 물리학자 스티븐 호킹 박사는 2017년 “인공지능의 출현에 대비하지 않으면, 인류는 멸망할 수 있다.”라며 인공지능의 잠재적 위협에 심각한 우려를 표했다. 마이크로소프트사의 빌 게이츠 역시 “인공지능은 지난 수십년간 있어왔던 일 중에 가장 큰 진보”라며 인공지능이 인류 사회에 가져올 잠재적인 파급력에 대해 언급하기도 했다. 마찬가지로 최근 챗GPT의 출현을 놓고 일론

저널

데이터 라벨링 자동화의 주요 과제와 이를 극복하는 방법

머신러닝과 컴퓨터 비전의 비약적인 발전과 막대한 가능성에 힘입어 AI 기술의 성능과 역량은 역대 최고 수준에 도달했습니다. 하지만 이러한 효율성은 데이터 처리 프로세스 개선 및 우선순위 설정 없이는 달성할 수 없을 것입니다.‌‌ 모든 AI 시스템이나 애플리케이션이 의도한 대로 작동하려면 특정 유즈 케이스에 적합한 품질과 관련성을 갖춘 데이터가 필수적입니다. 따라서 이러한 기술을

슈퍼브 팀

MLOps/DataOps 세일즈팀은 어떻게 고객의 고충을 이해하고 해결할까?

고객들의 AI 고민을 직접 마주할 수 있는 전시회 일상에서도 빠르게 진화하는 AI 기술들을 마주하면서 고객들의 AI에 대한 고민과 기대가 점점 다양해지고 증가하는 것을 느끼고 있습니다. 특히, 슈퍼브에이아이는 ‘AI의 민주화’라는 비전을 가지고 있어 고객들의 고충을 더 쉽게 해결해 주고 싶은 목표를 가지고 있는데요.  그렇지만, 미팅 외에는 다양한 고객들과 이야기할 기회가

테크

슈퍼브에이아이의 Front-End Engineer가 버그🐞를 대응하는 자세

들어가며 이번 글은 슈퍼브에이아이의 Front-End Engineer가 버그를 발견하고 어떤 과정으로 해결해 가는지 공유해 보려고 합니다. 버그가 발생하면 어떤 과정을 거쳐 해결하시나요? 각 회사에서 개발팀의 버그 대응 과정은 비슷할 수 있지만, 슈퍼브에이아이에서는 제일 먼저 이슈 재현 및 파악을 선행합니다. 특히, 슈퍼브 라벨은 많은 고객과 라벨러 분들이 사용하고 있는 서비스이기 때문에 버그

AI 인사이트

2D 에서 3D로: 현실감 넘치는 세상을 엿보는 3D 복원 기술

3D Reconstruction (3D 복원) 3D Reconstruction (3D 복원) 기술은 영상에서 객체의 실제 3D 형태를 복원하는 기술입니다. 카메라로 사진을 찍는 행위는 실제 세상의 3D 객체를 2D 평면 상에 projection(사영)시키는 행위로 3D 형태 정보가 소실됩니다. 때문에 컴퓨터는 2D 이미지 만을 보고 3D 형태를 정확하게 복원할 수 없습니다. 때문에 3D 복원을

업데이트 소식

단 한 번의 클릭으로 복잡한 폴리곤 세그멘테이션 완성!

Meta에서 새롭게 개발한 SAM (Segment Anything Model)로 업그레이드된 오토에딧 (SAM Based Auto-Edit)을 만나보세요(*2023.07월 말 출시 예정) 새로 업데이트 되는 SAM 기반 방식 오토에딧은 기존 방식 대비 사용성은 나아지고, 정확도는 높아지고, 속도는 더 빨라집니다. 오토에딧(Auto-Edit)이란? 어떤 종류의 사물 (Object Class)인지와 관계 없이 자동으로 폴리곤(

AI 인사이트

창작자의 생산성 향상을 위한 그림 보조 AI 알아보기

그림 보조 AI 최근 생성형 AI 기술의 발전으로 인해 텍스트 명령만으로 조건에 맞는 그림을 그려주는 이미지 생성 AI 모델인 OpenAI의 ‘DALL-E’나 카카오의 ‘칼로' 등이 소개되었습니다. 물론 꽤나 훌륭한 수준의 그림을 그려줍니다. 하지만 그림을 생성하는 AI 이외에도 화가의 보조 역할을 해주는 ‘그림 보조 AI’가 있습니다. 이러한 그림 보조

저널

Transformer 모델이란? : AI 혁신을 주도하는 트랜스포머 알고리즘

트랜스포머(Transformer)는 구글이 자연어처리를 위해 2017년 발표한 모델로 현재 AI 분야의 혁신을 이끌고 있는 언어모델이다. 우리가 웹이나 API를 통해 AI를 처음 활용하게 된 계기가 된 ChatGPT 역시 트랜스포머에 기반한 모델이며, 구글이나 페이스북 등이 이에 대한 대항마로 내놓는 언어모델들 역시 트랜스포머 기반이다. 트랜스포머는 자연어처리 뿐만 아니라 컴퓨터 비전이나 음성 인식

업데이트 소식

포인트 클라우드 라벨링 도구 출시

정확한 3차원 학습용 데이터의 구축은 인공지능(AI) 모델 개발에 있어서 중요한 역할을 합니다. 자율주행, 로봇 공학, 그리고 증강 현실과 같은 다양한 산업 분야에서 3차원 데이터는 모델의 성능 향상에 핵심인데요. 이러한 데이터의 중요한 구성 요소 중 하나는 포인트 클라우드 데이터가 있습니다. 이제 슈퍼브 플랫폼에서도 포인트 클라우드 데이터의 라벨링이 가능하게 되었습니다. 포인트

AI 인사이트

ChatGPT로 고객리뷰 분석하기

이야기 했던가? ChatGPT의 기반이 되는 GPT-3는 자연어처리의 거의 모든 태스크를 수행할 수 있다. 엄청난 모델 크기에 대량의 언어 데이터셋을 학습한 탓에 문서 요약이나 질의 응답, 번역, 감성분석 등 거의 모든 자연어처리 태스크에서 준수한 성능을 보인다. ChatGPT는 이 GPT-3의 언어 능력에 사람의 의도를 좀 더 잘 파악해서 대답할 수 있도록 지시-답변

슈퍼브 레시피

수 십만 장의 데이터를 분석해 학습용 데이터를 선별해야 할 때: Auto-Curate "What to Label"

💡수십만 장의 데이터를 분석, 정제하여 학습용 데이터를 선별해야 하는 작업이 주어졌습니다.이 작업은 예상보다 많은 시간과 노력을 요구합니다. 특히 비정형 데이터 분석 시, 고려해야 할 요소가 너무 많습니다. 물론 메타 데이터로 접근해 볼 수 있습니다만, 아쉽게도 메타 데이터로만으로는 비정형 데이터의 다양성과 복잡성을 다 파악하기 어렵습니다.예를 들어, 촬영 시간에 대한

소식

슈퍼브 플랫폼과 NVIDIA TAO Toolkit으로 데이터 관리 재정의하기

AI와 ML 애플리케이션을 개발하려면 아주 섬세하게 데이터를 라벨링하고 모델을 학습하는 작업이 필요합니다. 대부분의 개발팀이 가장 어려움을 겪는 작업들이죠. 그래서 성능이 최적화되지 않았다면 라벨링이 부정확한 것은 아닌지, 모델 학습이 미진했던 것은 아닌지 의심해 봐야 합니다. 슈퍼브에이아이는 컴퓨터 비전 개발팀들이 이런 문제를 극복할 수 있도록 데이터 준비 워크플로우를 개선해 주는 통합형 툴,

AI 인사이트

초거대AI의 Phase.2: 비윤리성과 편향성 - AI 윤리 준칙이 필요한 이유

초거대AI를 대하는 우리의 자세 안녕하세요, IT린이 제나팡입니다 :) 오늘은 초거대AI의 Phase.2 : 비윤리성과 편향성에 대해 알아보겠습니다. 대화형AI의 기술 진화 속도에 감탄하는 것에서 더 나아가, 우리가 앞으로 초거대AI를 활용하면서 혹은 개발하면서 가져야 하는 자세에 대해 다같이 고민해보고자 이번 글을 준비했습니다. Phase.1 : 초거대AI 개발에 앞다투는 글로벌&국내 빅테크 먼저, 초거대AI의 Phase.

AI 인사이트

행동 인식: 영상 관제 시스템과 스포츠 중계

Human Activity Recognition (인간 행동 인식) ‘Human Activity Recognition(인간 행동 인식)’은 인간의 동작 또는 행동을 감지하고 분류하는 기술을 의미합니다. 이 기술은 가속도계 등의 센서 데이터나 영상, 음성 데이터 등 다양한 형태의 데이터를 활용할 수 있습니다. 상황에 따라 단일 데이터 형태를 사용하는 경우도 있고, 여러 형태의 데이터를 함께 활용하는

AI 인사이트

하룻밤에 읽는 자연어처리(NLP)의 역사(1): 단어주머니(Bow)와 DTM 그리고 TF-IDF

2022년 말에 공개된 OpenAI의 챗GPT는 출시 후 단 두 달 만에 1억 명의 사용자를 보유하게 되었으며, 현재로서는 공개된 지 1년도 되지 않은 시점에서 이미 전 세계 인구의 약 3분의 1에 해당하는 사용자 수를 확보한 것으로 추정된다. 일반 대중들은 챗GPT가 가진 두 가지 능력, 즉 '추론을 통해 문장을 이해하는 능력&