생산성 UP!💁 소규모 제조 기업을 위한 고성능 AI, 단기간에 구축하는 비법
제조 산업에서 제한된 예산과 인력만으로 고성능 AI 모델을 구축하는 것은 많은 기업이 직면한 현실적인 고민입니다. 특히 머신비전 솔루션을 대체하거나 공정 자동화를 추진하고자 하는 기업, 또는 자체적으로 AI 개발 역량을 내재화하려는 제조 기업이라면, AI 도입의 전 과정을 하나하나 구축하는 데 필요한 많은 인력과 시간이 부담스러울 수밖에 없죠. 이러한 상황에서 소규모 팀과 제한된 예산으로 고성능 AI를 성공적으로 구축하기 위해 가장 우선적으로 고려해야 하는 요소는 무엇일까요?
제조 현장에서는 제품의 결함이나 불량을 정확하고 빠르게 탐지하는 것이 매우 중요합니다. 하지만 실제 현장에서 확보할 수 있는 결함 및 불량 **‘데이터’**의 양은 많지 않은 경우가 많습니다. 또한, 품질 관리에 대한 요구는 지속적으로 높아지고 있는데요.
이번 레시피에서는 소규모 팀에서도 슈퍼브 플랫폼을 활용하여 소량의 제조 현장 데이터로 고성능 AI 모델을 구축하고 효율적으로 도입하는 방법을 소개합니다. 플랫폼이 제공하는 고성능 비전 파운데이션 모델을 이용하면 기존 대비 최대 10배 빠른 속도로 데이터를 라벨링할 수 있고, 학습에 필요한 데이터가 부족한 경우에도 클릭 몇 번만으로 손쉽게 추가 데이터를 생성할 수 있습니다. 이를 통해 AI 개발 경험이 많지 않은 팀도 어렵지 않게 고성능 모델을 빠르게 구축할 수 있는 실질적인 방법을 제시합니다.
1. 고성능 AI 구축의 시작, 빠른 데이터 준비
고성능 AI 모델을 구축하기 위한 첫 단계는 정확한 데이터 준비와 선별입니다. 제조 산업 현장에서는 다양한 요구사항이 존재하기 때문에, 이를 모두 충족할 수 있는 유연한 대응이 필수적인데요.
슈퍼브 플랫폼을 통해 기존의 제조 설비와 현장 데이터를 효과적으로 활용하고 관리할 수 있습니다. 특히 슈퍼브 큐레이트의 오토 큐레이트(Auto-Curate) 기능을 통해 많은 데이터를 빠르고 정확하게 선별할 수 있습니다.
👉오토 큐레이트(Auto-Curate)로 데이터 션별하기
또한, 텍스트 프롬프트 및 이미지 기반의 강력한 AI 검색 기능을 활용하여 필요한 데이터를 쉽고 빠르게 찾아낼 수 있습니다. 이를 통해 외관 검사, 폐기물 분류, 불량 검출 등 다양한 제조 현장의 문제를 해결하는 AI 모델에 필요한 최적의 데이터셋을 구축을 효율적으로 지원합니다.
2. 시간과 비용을 절약하는 데이터 라벨링 자동화
슈퍼브 플랫폼의 오토라벨(Auto-label) 기능은 자동차, 도로 표지판, 페트병 등 100가지 이상의 일반 객체(Common Object)를 자동으로 인식하고 라벨링할 수 있는 Superb AI의 자체 개발 모델입니다. 특정 산업에 일반적이지 않은 객체가 포함된 경우에는, 커스텀 오토라벨(Custom Auto-label)을 활용해 보유한 데이터로 직접 학습한 모델을 만들어 적용할 수 있습니다. 이를 통해 일반 객체는 물론, 산업별 특수 객체까지도 정확하게 라벨링할 수 있어, 다양한 제조 환경에 맞춤형 대응이 가능합니다.
👉 데이터셋 구축 Tip : 업로드부터 커스텀 오토라벨링까지 한 번에 끝내기
💡활용 예시
슈퍼브 플랫폼의 사전 학습된 모델을 활용한 오토라벨링과 기능을 통해, 물류창고 환경의 바닥과 사람 객체 인식 AI 모델을 구축했습니다. 적은 데이터로도 우수한 바닥 인식 성능(AP 99.4)을 달성했으며, 초기 사람 인식 데이터로도 향후 성능 개선의 가능성을 빠르게 파악할 수 있었습니다.
📍물류 창고 환경 인식 AI
AI 기반 '커스텀 오토라벨링' 활용하면 소량의 라벨링된 이미지로 맞춤 오토라벨 AI 생성이 가능합니다. 또한, 사람 대비 최대 10배 빠른 속도로 일관된 작업이 가능합니다.
이렇게 슈퍼브 플랫폼의 자체 AI 기능을 통해 데이터 라벨링과 데이터셋 구축 시간을 효과적으로 단축시킬 수 있지만, 새롭게 출시된 슈퍼브에이아이의 비전 파운데이션 모델 '제로(ZERO)'를 활용하면 사전 학습 없이도 어떤 사물이든 즉시 인지하고 탐지할 수 있습니다. 이 모델은 라벨링이나 파인 튜닝(fine-tuning) 없이도 샘플 이미지만 업로드하면 객체 탐지가 가능하여, 현장에 AI를 빠르게 적용하고 대응할 수 있는 슈퍼브에이아이의 MLOps 기술력을 극대화한 솔루션입니다. (*ZERO 모델을 체험해보고 싶으시다면, 아래 양식을 제출해 주세요.)
3. 빠른 모델 학습의 시작
데이터 준비와 라벨링이 완료되었다면, 이제 슈퍼브 플랫폼에서 바로 AI 모델 학습을 시작할 수 있습니다. 플랫폼은 다양한 사전 학습된 AI 모델을 제공하며 Anomaly Detection(불량 검사), Object Detection(객체 탐지), Instance Segmentation(객체 분할) 등 제조 환경에 최적화된 모델을 클릭 몇 번만으로 손쉽게 학습할 수 있습니다.
👉 모델 학습 시작하기
또한 구축된 AI 모델은 한 번의 학습으로 끝나는 것이 아니라, 슈퍼브 플랫폼의 모델 진단(Model Diagnosis) 기능을 통해 오탐이나 미검출(누락)과 같은 성능 이슈를 오류 유형별로 빠르게 분석하고 개선할 수 있습니다. 이를 통해 모델의 성능을 지속적으로 향상시킬 수 있으며, 실제 현장에 맞춰 안정적으로 최적화해 기업 내부에 성공적으로 AI를 내재화할 수 있습니다.
슈퍼브 플랫폼의 모델 진단(Model Diagnosis) 기능을 활용하면, 플랫폼 내에서 학습한 각 모델에 대한 상세한 분석 리포트를 확인할 수 있습니다. 진단 리포트는 애널리틱스 뷰(Analytics View)와 그리드 뷰(Grid View) 두 가지 형식으로 제공되어, 사용자가 편의에 따라 다양한 정보를 손쉽게 확인할 수 있습니다.
👉각 뷰에 표시되는 리포트의 구성과 설명 자세히 보기
4. 모델 진단을 확인하여 모델의 취약점 파악
AI 모델을 개발한 후에는 반드시 모델 진단 과정을 거치는 것이 중요합니다. 이는 학습된 모델의 성능을 분석하고 문제점을 파악하는 핵심 단계인데요. 단순히 모델을 학습하는 것으로 끝나는 것이 아니라, 모델의 우수한 성능을 확보하기 위해 반드시 수행해야 하는 과정이죠. 슈퍼브 플랫폼에서는 학습된 모델을 즉시 진단하고, 성능 이슈를 오류 유형별로 분류하여 구체적인 원인을 파악할 수 있도록 지원합니다.
- 데이터의 낮은 품질 문제
- 데이터의 양이 부족한 경우(소수 클래스 또는 엣지 케이스에 대한 데이터 부족)
- 선택한 모델 아키텍처가 문제에 적합하지 않은 모델 구조의 한계
- 학습 설정 오류(학습률, 에폭 수, 배치 사이즈 등이 적합하지 않은 경우)
예를 들어, 태양광 패널의 외관 불량을 감지하는 비전 검사 모델 구축 사례를 살펴보겠습니다. 이 데이터셋은 흠집, 검은 얼룩, 하얀 핫스팟 등 다양한 불량 유형을 구분하는 데 초점을 두었으며, IR(적외선) 기반 흑백 이미지로 구성되어 있었는데요.
이전 단계(1~3번)에서 소개한 방법 그대로 데이터를 선별한 뒤 1차 학습을 진행했고, 이때 mAP 40.8의 초기 성능을 확인할 수 있었습니다. 이후, 모델의 성능을 향상시키기 위해 진단 기능을 활용해 취약점과 개선점을 확인했습니다.
진단 결과, 두 가지 불량 유형에서 성능이 낮게 나타났습니다. 첫 번째 유형은 충분한 데이터가 있었음에도 성능이 저조했는데, 원인을 분석해 보니 데이터 수량이 아닌 GT(Ground Truth) 품질 문제였습니다. 동일한 불량 유형임에도 라벨링 기준이 일관되지 않아 모델이 제대로 학습되지 않은 것이죠.
두 번째로 성능이 낮았던 유형은 데이터 수량 자체가 부족한 것이 원인이었고, 이 문제는 슈퍼브 플랫폼의 생성형 AI 기능을 활용해 합성 데이터로 전체 데이터셋의 수량을 보강함으로써 효과적으로 해결할 수 있었습니다. 이처럼 모델 진단을 통해 전체 데이터를 무작정 다시 수집하기보다는, 원인을 정확히 분석한 후 필요한 부분에만 선택적으로 대응할 수 있다는 점이 슈퍼브 플랫폼의 큰 강점인데요. 아래의 5번 단계에서 취약 데이터 증강에 대한 내용을 더 자세히 다뤄보겠습니다.
💡슈퍼브 플랫폼으로 효율적인 모델 고도화 팁
슈퍼브 플랫폼의 모델 진단 기능을 통해 오검출과 미검출을 즉시 파악하고 신속하게 문제를 해결할 수 있습니다. 또한, 생성형 AI 기반 데이터 증강 기능을 활용하면 확보하기 어려운 불량 데이터를 생산라인에 영향 없이 생성하여 AI 모델의 성능을 향상시킬 수 있습니다.
5. 생성형 AI를 통한 취약 데이터 증강
모델의 성능을 개선하기 위해서는 다양한 문제 상황을 고려해야 합니다. 이번에는 앞서 발견한 취약점 중, 데이터 부족으로 인한 낮은 성능 문제를 해결하는 방법을 살펴보겠습니다. 플랫폼의 생성형 AI 기술을 활용하여 확보하기 어려운 학습 데이터를 보강할 수 있는데요. 부족했던 데이터를 기반으로 합성 데이터를 생성하여 데이터셋을 증강해보도록 하겠습니다.
👉 합성 데이터 생성하는 방법 자세히 알아보기
슈퍼브 플랫폼에는 합성 데이터를 만들 수 있는 2가지의 생성형 AI모델을 지원합니다.
- Stable Diffusion XL Inpainting 모델 : 이미지에 새로운 객체를 자연스럽게 추가하고 싶은 경우에 사용할 수 있는 모델
- ReCo (Layout-to-Image)모델 : 기존 데이터에 있는 객체의 위치와 라벨을 기준으로 전체 이미지를 새롭게 만들고 싶은 경우 사용할 수 있는 모델
슈퍼브 플랫폼의 생성형 AI 기능을 활용하여 합성 데이터를 생성했습니다. 이 합성 데이터를 학습 데이터에 추가하여 모델 재학습을 진행했고, 태양광 패널 비전 검사 모델의 mAP 성능이 기존 40.8%에서 52.0%로 개선되는 결과를 얻었습니다. 이처럼 플랫폼에서 제공하는 생성형 AI 기능을 이용하면 실제 데이터 수집의 어려움을 해소하고 AI 모델의 성능을 효과적으로 높일 수 있습니다.
앞서 모델 진단을 통해 파악한 취약 유형을 보완하기 위해, 생성형 AI를 활용해 제작한 합성 데이터를 기존 학습 데이터셋에 포함시킨 후, 모델을 재학습하는 단계를 진행합니다.
슈퍼브 플랫폼에서는 생성형 AI를 통해 생성한 이미지 데이터를 기존 학습 데이터에 손쉽게 추가할 수 있으며, 슬라이스(Slice) 기능을 활용해 데이터 버전 관리를 체계적으로 수행할 수 있습니다. 예를 들어, 원본 데이터와 합성 데이터를 별도로 분리하거나, 특정 기준에 따라 학습용 데이터를 구성함으로써 실험의 기준점을 명확히 설정할 수 있죠. 이를 통해 실험 간 결과를 정교하게 비교하고, 데이터 보강의 효과를 체계적으로 분석할 수 있습니다.
👉 슬라이스(slice) 개념 이해하기
또한, 모델을 재학습한 이후에도 다시 한번 더 모델 진단(Model Diagnosis) 기능을 통해 성능 변화를 세부적으로 분석할 수 있어, 추가된 합성 데이터가 어떤 유형에서 실제로 성능 향상에 기여했는지를 구체적으로 확인할 수 있습니다. 특히 수작업으로 수집이 어렵거나 드물게 발생하는 결함 유형에 대해 생성형 데이터를 활용하면, 소량의 원본만으로도 범용성과 신뢰도를 갖춘 AI 모델을 빠르게 구축할 수 있습니다.
이러한 개선 과정을 반복 가능한 구조로 설계해두면, 향후 다른 제품군이나 제조 공정에도 동일한 방식으로 적용할 수 있어 AI 내재화 및 확장에 큰 도움이 됩니다.
6. 결론 및 슈퍼브 플랫폼 활용 방안
이처럼 슈퍼브에이아이 플랫폼을 통해 적은 예산과 개발 인력으로도 빠르고 효과적인 AI 모델 구축이 가능합니다. 이번 사례에서는 1명의 작업자가 단 3일 만에 데이터 준비부터 고성능 모델 구축 및 고도화까지 완성했습니다. 슈퍼브 플랫폼의 자동화 기능과 편의성 덕분에 비용과 시간을 획기적으로 절감하고, AI 모델의 확장성도 손쉽게 확보할 수 있었습니다. 앞으로 제조 및 물류 산업에서 AI 기술 도입을 고려 중인 기업이라면, 슈퍼브에이아이 플랫폼을 적극적으로 활용하여 성공적인 AI 모델 구축을 경험해 보시기를 추천합니다.