엘라스틱 클라우드 서비스는 국내 리전 활용이 가능합니다.
데이터 국외 이전 이슈의 경우 국내 리전 선택을 통해 해결하실 수 있으며,
사내 멀티 클라우드 전략이 필요하실 경우 AWS/GCP/Azure 등을 선택하셔서 해결 하실 수 있습니다.
아무래도 클라우드 서비스의 특성상 서비스 단절이나 SLA 등 다양한 서비스 이슈에 대한 방안을 수립하셔야 합니다.
이를 해결하기 위해 Active - Active 운영 방안 수립등을 통해 다양한 이슈에 대응이 필요합니다.
불량판단시 여러가지 불량이 같이 있는 경우는 어떻게 학습하면 좋을까요
여러 방법이 있을 듯 싶지만 여러 네트워크를 이용해서 각 불량을 학습시키면 어떨까 싶습니다.
회전하는 주물 가공품의 찍힘, 기포, 가공 떨림등의 감성적인 결함도 검출이 가능한건가요?
회전 속도가 어떤가 싶습니다. 고속 카메라를 통해 흔들림 없이 이미지를 취득가능하면 가능할 듯 싶습니다.
[질문] 1.딥러닝 기본엔진 국산인지? 2.딥러닝기초데이터 초기때 검색시간과 누적된 대용량 DB 생성시 검색시때문에 지연관련 문제는 없는지?
1. DeepLearning의 기본 엔진은 모두 nvidia의 cuda(cudnn)기반이라 국산이라고 말씀드리가 힘들겠네요.
2. 산업용에 특화된 데이타의 경우 대부분 분류가 되어있고 DB화 되어 있어 검색이나 지연 문제는 문제가 되지 않았네요.
[질문] 분류 모델 특징을 추출하는데 라온만의 특정 알고리즘을 이용하신다는 말이줘?
네 맞습니다. 기존 오픈된 알고리즘에서 산업용에 맞게 저희 만의 알고리즘으로 특화 시켰습니다.
사용하는 딥러닝 네트웍 모델이 정확히 무엇인지요?
죄송하니지만 그 부분은 정확히 말씀 해 드리기 함든 점 이해 주시길 바랍니다.
network 모델을 어떻게 설계했는지가 중요한데 cuda를 썼다고 국산이 아니라는 것은 잘 못 된 설명입니다.
네 관점이 기본 엔진이라는 문의하셔서 너훈님 말씀 처럼 network 모델 과점이라면 그럴 수 있겠네요
[질문] 기본적인 기존 딥러닝 알고리즘을 사용하여 분류를 하는건가요? 라온만의 새로운 구조를 만드신건가요?
산업 현장에서 필요한 정확도 및 처리 속도 문제로 기존 알골리즘 및 Framework 기반으로 저희만의 딮러닝 알고리즘 및 framework(Train) 최적화 시켰습니다.
AI Trainer Ver2 MERCURY는 Train/Test Dataset을 몇장을 사용하시나요?
이 부분은 시료의 특성에 따라 달라지므로 일반화 시켜 말씀 드리기 힘들지만 적어도 train시키기 위해 최소 class마다 20장 이상을 요청 드리고 있습니다.
[질문]cognex 사의 cognex explorer 같이 사용자가 직접 프로그램을 할 수 있는 라인도 있나요? 아니면 사업 영역이 직접 개발까지 해주시는 것만 인가요?
NAVI라는 framework을 이용하여 바로 사용이 가능한 부분도 있고 라이브러리 형태로 제공해 드립니다.
[질문] 분류를 할려면 기본적으로 현장 데이터가 있어야 할것 같은데요. 이 데이터는 어디에서 수집을 해야 하는건가요 그리고 그 결과에 대한 신뢰성을 어떻게 파악할 수가 있는건가요?
시료는 고객사에서 데이타를 취득해서 저희에게 주거나 실제 촬영을 통해 취득합니다. train set밍 test set을 분리하여 신뢰성을 측정합니다.
[질문] 여기서 딥러닝 기술은 분류 로직을 활용하는건가요 ? .
분류인 classification뿐만 아니라detect/segmentation 분야 이용합니다.
[질문] 개인적인 질문인데요, 폭증하는 데이터를 안정적으로 처리하고, IT비용 절감과 IT운영의 효율성을 높이기 위한 전략적 수단으로서 클라우드는 이제 기업이 선택할 수 밖에 없는 매우 유용한 옵션인 것 같습니다. 또한, 데이터를 외국 소재의 클라우드에 올리는 것은 넓게는 데이터 주권 문제와도 연결기 때문에 어떤 식으로든 이 문제에 대한 대응전략을 기업은 마련해 해야 한다고 생각합니다. 하여, 클라우드 확대에 따른 예상되는 메인 리스크는 무엇인지요? 또한, 특정 업체에 의한 클라우드 편중되게 이용할 경우, 그 자체가 큰 리스크가 될 수 있다고 보는 데 이에 대한 대비책은 어떤 게 있는 지 궁금합니다.