제조분야 비전 검사는 크게 다음 3가지 문제가 있고 스누아이랩은 다음과 같은 솔루션으로 접근하고 있습니다.
1. 환경 변화: 신규 라인 증설, 조명, 기구, 센서 등의 변경으로 학습된 특징이 변경되는 드리프트(Drift)가 발생하여 성능이 저하됩니다. 보통은 신규 데이터를 수집하고 학습하는 작업으로 이를 해결합니다. 스누아이랩은 Active Learning 기반의 Sampling 기술로 기존 데이터에 신규 데이터를 소량 썩어서 성능을 유지하도록 합니다.
2. 클래스 불균형: 불량률이 적어서 불량 이미지를 수집하기 어렵습니다. 보통은 과탐을 극대화아고 불량률을 0%로하고 육안 검사로 불량을 검출합니다. 스누아이랩에서는 1차 분류 모델 후 2차 이상 탐지 모델로 육안 검사에 대한 노력을 줄이도록 하고 있습니다.
3. 재학습: 머신러닝 분야는 재학습이 수반됩니다. 재학습을 위해서는 숙련된 머신러닝 기술자가 학습해야합니다. 스누아이랩에서는 일반적인 기술자가 설정된(Coordinated) 환경내에서 재학습을 할 수 있도록 플랫폼을 제공하여 기술 난이도를 낮추었습니다.
[질문] 업무적으로 사용하는 폰의 경우 MDM을 설치하여 주의를 할 수 있겠지만 직원들 개인 휴대폰에 설치하여 관리하는 것은 반발도 있고 여러가지 어려움이 있을 것 같은데 어떤 해결책이 있을까요?
개인용 Apple 기기에 MDM을 등록하여 사용하는 경우 사용자가 희망할 때 기기를 MDM의 관리에서 벗어날 수 있습니다.
뿐만아니라 MDM은 Apple의 정책에 따라 개발되기 때문에 사용자의 개인정보를 침해하지 않습니다.
따라서 업무시간에만 MDM의 관리를 받고, 업무 외 시간에는 개인의 기기로 돌아가서 사용하는것이 가능합니다.
그러면 업무 시간외의 침해에 대해선 취약해 지지 않나요
이런 경우 관리자 업무 부담이 증가하지 않을까요? 외부 활동이 잦으면 매번 설정하고 해제하고 번거로울 것 같기도 하구요.
QR코드를 통해 간단하게 등록하고, 기기 내에서 관리에서 벗어날 수 있습니다.
취합된 로그를 통해 사용자별로 확인하여 업무 부담없이 기기의 보안을 유지할 수 있습니다.
[질문] 제조 현장에서 제품 표면 불량 유.무를 Deep Learning 으로 이용중에 있습니다. 저희도 정합성이 높긴 한데 귀사의 정합성은 어느정도이며, 과검은 또 어느정도 되는지 궁금합니다.