[운송/IoT] 라벨링 자동화로 쉽고 빠르게 결과물을 취득한 엣지비전(Edge Vision)

문제

슈퍼브에이아이를 찾은 Edge Vision은 셀프 호스티드 CVAT 인스턴스와 라벨링 서비스에 과감하게 투자했지만 만족할 만한 품질의 라벨을 얻지 못했다고 했습니다. 사람이 직접 라벨링하면 섬세한 고품질의 라벨을 빠르게 얻을 수 있을 거라고 생각했는데, 오히려 인하우스 ML팀의 시간과 리소스를 너무 많이 소모하는 결과만 낳았습니다.

해결 방법

사용자가 원하는 조건에 맞추어 AI가 자동으로 데이터를 라벨링해 주는 슈퍼브에이아이의 커스텀 오토라벨 Custom Auto-Label과 고성능 데이터 관리/QA 툴을 함께 사용했습니다.

최종 결과

• 어노테이션과 QA에 드는 시간 300% 절감
• 새로운 데이터셋 구축에 드는 시간 1주일 미만
• 스프린트마다 데이터 관련 태스크에 드는 시간 ⅛로 감소

스마트 시티의 엣지 컴퓨팅 환경 구축을 위한 AI를 제작하는 회사인 Edge Vision은 자사의 머신러닝 모델을 위한 데이터를 취득하고 고품질의 데이터셋을 구축하던 중 난관에 부딪혔습니다. 이러한 모델들은 인터넷이나 다른 리소스가 없는 환경에서도 높은 정확도를 유지해야 하기 때문에 특히나 섬세하게 개발해야 했는데요. 이전에는 외부의 라벨링 서비스를 이용한 뒤 사내에서 아주 길고 복잡한 QA 및 검수 프로세스를 거쳐 고품질의 데이터셋을 구축하고자 했지만, 결과적으로는 비즈니스 요구사항을 분석하고 그 내용을 기술적으로 구현하고 적용하는 데 사용할 수 있었던 귀중한 시간을 무분별하게 낭비하는 결과만 낳게 되었습니다.

슈퍼브에이아이와 파트너십을 맺기 이전에는 셀프 호스티드(self-hosted) CVAT 인스턴스를 사용했는데, 시간도 많이 소요되는데다 비효율적이었습니다. 데이터 업로드나 작업 내용 정리부터 외부 라벨러에 데이터를 할당하는 것까지, 데이터 라벨링 및 관리에 필요한 모든 작업은 이 툴을 통해 진행되었는데요. 비효율적인 툴을 사용하는데다 복잡한 데이터를 후처리하기 위해 파이썬 스크립트까지 사용하다보니 작업 속도는 점점 느려질 수 밖에 없었습니다. Edge Vision에서는 자사의 솔루션이 점점 규모가 커지는 만큼 기존의 라벨링 예산을 그대로 유지하면서도 더 효과적으로 데이터를 처리하고 어노테이션할 수 있는 방법이 필요했고, 결국 사람이 직접 라벨링하는 매뉴얼 라벨링을 대체할 수 있는 방법을 찾기 시작했습니다.

그래서 엣지비전(Edge Vision)은 슈퍼브에이아이를 선택했습니다. 슈퍼브에이아이의 플랫폼과 커스텀 오토 라벨(Custom Auto-Label) 기술은 복잡하고 역동적인 장면에서도 자동차나 보행자와 같은 객체를 빠르게 식별해 라벨링할 수 있습니다. 또 AI 어시스티드 어노테이션 툴인 오토 에딧(Auto-Edit)은 더 복잡하고 불규칙한 형태의 사물이나 배경과 같은 객체들을 손쉽게 라벨링하도록 도와줍니다. 원하는 대상에 간단하게 바운딩 박스만 그리면 자동으로 세그멘테이션이 되고, 수정할 부분은 클릭 한 번이면 간단하게 해결할 수 있으니까요.

덕분에 엣지비전은 개발 스프린트에서 라벨링 프로젝트 관리 및 QA에 들어가던 엄청난 시간을 최신 연구 동향 파악, 새로운 알고리즘 테스트, 모델 훈련, 기타 데이터 및 모델 관련 작업 등 더 의미있는 일에 투자할 수 있게 되었습니다. 학습 데이터 및 모델 품질 개선을 위한 폭넓은 기능을 제공하는 슈퍼브에이아이의 플랫폼 덕분에 엣지비전은 더 효율적인 데이터 파이프라인을 구축할 수 있었습니다.

슈퍼브에이아이의 다양한 첨단 기술 덕분에 엣지비전의 어노테이션 및 QA 시간은 순식간에 300% 줄어들었고, 동시에 라벨링 비용도 절감되었습니다. 이제 엣지비전의 ML팀은 짧으면 한 시간 안에 새로운 데이터셋을 라벨링할 수 있고, 일주일 안에 데이터 큐레이션, 샘플링, 이터레이션까지 완벽하게 마무리할 수 있게 되었습니다.

또 외부 라벨러들과 매일 별도로 연락을 주고받을 필요 없이, 매뉴얼 작업이 필요할 때마다 플랫폼에서 직접 소통하고 협업할 수 있다보니 ML팀의 소통 및 협업 능력도 증진되었습니다. 슈퍼브에이아이를 사용한 덕분에 Edge Vision은 데이터셋 라벨링 문제에 대한 돌파구를 찾을 수 있었고, 스마트 시티를 위한 최첨단 AI 솔루션을 개발하고 확장한다는 본연의 업무에 더 집중할 수 있게 되었습니다.