저널 스마트 팩토리에 AI 적용 시 기대 효과는 무엇이며, 왜 슈퍼브에이아이X리벨리온 파트너십을 선택하면 좋은가요? - AI 선도 기업이 알려주는 스마트팩토리 지능화의 모든 것 Part 3 🔍핵심 내용 미리보기 스마트팩토리에 AI 적용 시 기대 효과와 이를 측정하는 방법: - AI 도입 후 생산성 격차가 가장 큰 기대 효과. 이는 공정 처리 속도, 처리의 정확도 및 전력 소모량 등으로 측정 가능 - 생산성 향상, 비용 절감, 품질 향상, 수익 창출 등의 성과를 단기와 장기적으로 AI 도입 성과를
저널 스마트팩토리에 AI 적용 검토 시 주의 사항과 투자해야 하는 항목들은 무엇일까요? - AI 선도 기업이 알려주는 스마트팩토리 지능화의 모든 것 Part 2 🔍핵심 내용 미리보기 AI 적용형 스마트팩토리 구축 시 주의사항과 고려 사항: - 기존 시스템과의 원활한 통합 가능성, 데이터 품질 및 보안, 리스크 관리, 전문 인력 확보, 윤리 및 체계적인 시스템 - 성과 대비 소유 비용 검토 (특히 서버나 인프라 비용, AI 업데이트 비용, 시설 증설비, 유지 보수비 검토 필요) 스마트팩토리에
저널 Featured 데이터 생성 기능을 통해 부족한 데이터를 확보하여, 모델 성능을 한 층 더 높여보세요! [생성형 AI 기능 안내] AI가 실제 산업 환경에서 성공적으로 도입되기 위해서는, 높은 성능을 유지할 수 있는 좋은 품질의 데이터를 꾸준히 확보해야 합니다. 하지만, 성능 향상을 위한 고품질 데이터를 실제 산업 현장에서 확보하는 것은 말처럼 쉽지 않습니다. 부족하거나 희귀한 데이터를 확보하기 위해서는 실제 현장에서 해당 케이스가 발생해야 하는데, 이미 높은 검수 기준과 까다로운 절차를 지닌
저널 AI 적용형 스마트팩토리 구축의 조건과 인프라 구성, 그리고 믿고 맡길 수 있는 파트너는 어떻게 선택해야 할까요? - AI 선도 기업이 알려주는 스마트팩토리 지능화의 모든 것 Part 1 🔍핵심 내용 미리보기 AI 적용형 스마트팩토리 구축 조건과 인프라 구성: - 데이터, 네트워크, 보안 인프라와 전문지식을 가진 구성원, 그리고 제일 중요한 AI 개발 서비스 및 플랫폼이 필요합니다. - AI 도입 후에는 유지 보수, 품질관리, 최적화, 예측 및 분석이 가능한 시스템을 보유해야 합니다. - 목적에 맞게 수립된 데이터 파이프라인, One team으로
저널 컴퓨터 비전 전문가를 위한 지침서: 데이터 품질을 높이는 방법 컴퓨터 비전을 위한 데이터 중심 AI를 추구하는 움직임이 강화되면서 모두의 관심사가 알고리즘 디자인에서 데이터셋 구축으로 옮겨가고 있습니다. 데이터는 많은 현대 뉴럴 네트워크 아키텍처에서 모델 성능을 가장 큰 폭으로 개선할 수 있는 열쇠입니다. 물론 네트워크에 레이어를 추가하고 스킵 연결을 사용하고 특정 하이퍼파라미터를 튜닝하는 방법도 있지만 성능 개선폭은 제한적이죠. 많은 실무자들이 최첨단
저널 세그멘테이션 입문하기 들어가며 머신러닝에서 데이터 라벨링은 엄청난 시간이 소요되지만 고도의 기술이 필요한 것은 또 아닌, 지루하고 번거로운 작업으로 유명합니다. 물론 의료영상같은 일부 경우에는 고도의 훈련을 받은 의료 전문가를 동원해야 하기 때문에 분야에 따라 다를 수는 있지만요. 하지만 컴퓨터 비전 구축 과정 중 가장 단순한 이 과정이 가장 중요하기도 하다는 사실은 부인할 수
저널 AI 도입 시 주의 사항과 고려 사항과 무엇일까요? - AI 기업 리더 숏터뷰 Part 2 슈퍼브에이아이, 마키나락스, 올거나이즈 3사가 공동 주최한 지난 ‘알짜 기업이 쓰는 진짜 AI’ 세미나에서 AI를 도입 · 개발하고자 하는 많은 기업들에게 풍부한 인사이트를 전달했었는데요. 특히 슈퍼브에이아이는 1) 산업 현장에서 AI 서비스가 실패하는 이유, 2) 성공하는 AI 서비스 고도화 방안 및 MLOps 방법론, 그리고 3) 모범 과정 및 실사례를 발표하여 성공적인 AI 개발의
저널 폴리라인 어노테이션에 대해 얼마나 알고 계신가요? 컴퓨터 비전 초심자를 위한 가이드 기술, 인공 지능, 컴퓨터 비전의 세계에서 과학자와 엔지니어를 위시한 모든 사람들이 가장 뜨거운 논의를 펼치는 주제가 바로 자율주행 자동차입니다. 테슬라나 우버와 같은 회사에서 기술이 진보하는 걸 목도한 사람들은 이게 앞으로 우리의 이동 계획을 얼마나 바꾸게 될지, 나아가 앞으로 다양한 산업과 일자리에는 어떤 영향을 미치게 될지 궁금해하게 되었죠. 독립적인 운행이 가능한
저널 성능 지표 제대로 활용해 보기 - 모델 진단에 사용되는 지표와 활용 방안 알아보기 Part 3 관련 블로그글 확인하기 혼동 행렬이란? - 모델 진단에 사용되는 지표와 활용 방안 알아보기 Part 1F1 점수, PR 커브, IoU, AP란? - 모델 진단에 사용되는 지표와 활용 방안 알아보기 Part 2 모델 성능이 왜 안 나오는 지 답답하신가요? 모델 성능 분석 지표를 이렇게 활용해 보는 건 어떨까요? 모델 성능이 생각보다 낮을
저널 F1 점수, PR 커브, IoU, AP란? - 모델 진단에 사용되는 지표와 활용 방안 알아보기 Part 2 모델 진단에 사용되는 지표와 활용 방안에 대해 궁금하신가요? 모델 평가 지표는 모델 개발자 및 사용자가 모델의 성능을 이해하고 비교할 수 있게 해주어, 모델 개선을 위한 방향을 제시해 줍니다. 선택한 평가 지표는 모델의 특성과 목표에 따라 달라질 수 있으므로, 문제의 본질과 목표를 고려하여 적절한 평가 지표를 선택해야 합니다. 관련 블로그글 확인하기
저널 혼동 행렬이란? - 모델 진단에 사용되는 지표와 활용 방안 알아보기 Part 1 모델 진단에 사용되는 지표와 활용 방안에 대해 궁금하신가요? 모델 평가 지표는 모델 개발자 및 사용자가 모델의 성능을 이해하고 비교할 수 있게 해주어, 모델 개선을 위한 방향을 제시해 줍니다. 선택한 평가 지표는 모델의 특성과 목표에 따라 달라질 수 있으므로, 문제의 본질과 목표를 고려하여 적절한 평가 지표를 선택해야 합니다. 관련 블로그글 확인하기
저널 컴퓨터 비전 데이터셋 - 공공 데이터셋 살펴보기 공공 데이터셋(Open Dataset)이란? 데이터셋은 머신러닝 모델을 학습시키고 테스트하는 데에 사용되는 이미지 또는 영상과 같은 샘플의 집합으로, 주로 특정 주제나 도메인에 속하는 사례들을 포함합니다. 공공 데이터셋(혹은 오픈 데이터셋)은 누구나 다운로드 해 자유롭게 사용할 수 있는 데이터셋입니다. 라벨링 되어있는 경우가 대부분이며, 오브젝트 검출이나 이미지 분류와 같은 다양한 지도
저널 AI가 기업의 경쟁력 강화와 생산성 혁신에 어떻게 도움이 될까요? - AI 기업 리더 숏터뷰 Part 1 슈퍼브에이아이, 마키나락스, 올거나이즈 3사가 공동 주최한 지난 ‘알짜 기업이 쓰는 진짜 AI’ 세미나에서 AI를 도입 · 개발하고자 하는 많은 기업들에게 풍부한 인사이트를 전달했었는데요. 특히 슈퍼브에이아이는 1) 산업 현장에서 AI 서비스가 실패하는 이유, 2) 성공하는 AI 서비스 고도화 방안 및 MLOps 방법론, 그리고 3) 모범 과정 및 실사례를 발표하여 성공적인 AI 개발의
저널 라벨링 플랫폼을 선택할 때 보안을 반드시 고려해야 하는 이유와 보안 수준 확인 방법 현대에 들어 사이버 보안은 우리의 일상에 가장 중요한 부분 중 하나가 되었습니다. 우리는 영세한 업체에 우리의 전화번호를 주고, 소셜 미디어 앱에 이메일을 남기고, 은행 기관에 재정 상태를 공유합니다. 그러다 보니 우리가 믿고 정보를 맡긴 회사에 데이터 유출 사건이 발생하는 순간 우리의 데이터는 대중에게 노출되게 되고 우리는 소비자로서의 신뢰를 잃어버리게 되죠.
저널 간극 좁히기: 모델 진단을 활용하여 컴퓨터 비전에서 데이터 선별 간소화하기 컴퓨터 비전은 빠르게 성장하는 분야로, 기계가 인간과 유사한 방식으로 시각 정보를 처리하고 해석할 수 있게 함으로써 산업을 혁신할 수 있는 잠재력을 지니고 있습니다. 성공적인 컴퓨터 비전 애플리케이션을 개발하는 데 있어 중요한 측면은 데이터 선별, 즉 모델을 학습하고 평가하는 데 사용되는 데이터셋을 수집하고, 어노테이션을 추가하고, 정리하는 프로세스입니다. 그러나 데이터 선별에는 정확하고
저널 컴퓨터 비전을 위한 고급 모델 진단 기법 컴퓨터 비전 모델 설계의 복잡성이 증가함에 따라 성능을 평가하고 한계점이나 고유 편향을 파악하는 것이 중요해지고 있습니다. 모델 진단은 이러한 모델의 복잡성을 이해하고 신뢰성, 효율성 및 해석 가능성을 보장하는 데 중요한 역할을 합니다. 개발자는 개선이 필요한 영역을 파악함으로써 모델을 개선하고 더 향상된 성능을 구현할 수 있습니다. 최근 컴퓨터 비전 기술의 발전으로
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
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
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
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
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
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
저널 AI 프로젝트를 성공으로 이끄는 데이터옵스(DataOps) 활용 방법 AI 개발 프로젝트는 사소하게 신경 써야 할 부분이 많이 있으며 복잡합니다. 가장 중요한 데이터 관리 시 복잡한 데이터 파이프라인들로 인해 품질이 저하 되기 일쑤고 또한, 데이터 프로젝트 전반에 걸친 협업 요소들의 결여는 작업 효율성을 계속해서 낮춰지고는 하죠. 데이터 프로젝트 진행 시 동 및 관리되지 않는 프로세스는 공급망 전체에 손상된 분석
![데이터 생성 기능을 통해 부족한 데이터를 확보하여, 모델 성능을 한 층 더 높여보세요! [생성형 AI 기능 안내]](/content/images/size/w600/2024/07/240712_-----AI-------_0.png)
