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]
사용자 계정 기반 서비스할때
다음 세가지 고민을..
첫째, 한번 로그인해서 여러시스템에 자동적으로 접근해서
사용하면 좋겠는데...
둘째, 다양한 솔루션 시스템에
tenant 및 사용자별로 접근권한을 가지고 통제가 되면 좋겠는데..
세째, 여러 고객사의 사용자관리를 고객사별로 쉽게 구분하면서 안전하게 통합관리하면 좋겠는데...
현실적으로 방법이 있을까요,,
[답변] 안녕하세요?RSA 입니다.
첫째, SSO로 해결하실 수 있습니다.
둘째, 인증 통합 후 네트워크 구간 별 접근제어 정책으로 해결하실 수 있습니다.
셋째, 인증 후 사용자의 정보를 구분하여 접근제어 정책으로 해결하시 수 있습니다.
[질문] 딥러닝 기반 비전 검사 모형은 내부에 있는 현업 담당자가 오류(품질 정도)를 마킹을 해서 데이터를 만들어 주면 된다고 하셨는데, 그렇게 준비해야 하는 데이터의 량이 얼마나 필요할까요? (물론 대상마다 다르겠지만) 해당 비전 모듈을 도입하려면 (비록 전문 비전 프로그래머가 투입되지는 않아서 비용에 대한 세이브는 이미 많이 되었지만 대신에) 현업 담당자의 노력이 들어가야하는데 평균 투입 노력은 어느 정도(몇 M/M or 데이터 건수) 생각해야하나요?
일반적으로 유형별 이미지는 20~50장 정도면 대략 95% 이상의 정밀도의 결과를 예상할 수 있습니다. 학습 데이터는 양보다는 질이 중요합니다.
유형 별로 정제된 학습 셋을 얻는 시간은 상황에 따라 달라서 정량적으로 표현하기는 어려울 듯 합니다.
[질문] 기계를 학습 시킨다면 기계가 올바르게 인식했을때 상을 주고, 잘못 인식했을때 벌을 주는 형태가 되어야 할 건데요. 전문가가 아닌 일반인이 기계를 학습 시키기 위해 어떤 자료를 얼마나 제공해야하고 상벌은 어떻게 줘야 하고 예기치 못한 상황이 발생했을때 어떻게 조치해야 하는 지 등에 대해 어려움 없이 잘 처리 할 수 있을까요..?
산업용은 정확도가 가장 중요한 요소이므로 항상 가장 실력이 좋은 교육자가 교육을 해주어야 좋은 결과를 얻을 수 있습니다. 일반인이 학습한다면 일반인 수준의 결과, 전문가가 학습하면 전문가 수준의 결과가 도출되겠지요.
데이터는 유형별로 약 50 장 이상의 이미지를 제공해 주면 좋습니다.
[질문] 새로운 제품이나 새로운 불량에 대해서는 항상 학습을 시켜야 하나요?
새로운 유형의 불량이라면 학습을 시켜야 합니다. 다만 형태가 변형되는 등의 변화에 대해서는 일반화가 충분히 가능하여 매번 학습할 필요는 없습니다.
[질문]구글 클라우드 데이터랩만의 강점은 무엇인가요?
Google Cloud 의 Cloud Service Resource 를 쉽게 연동하여 사용할 수 있다는게 큰 강점입니다.
클라우드는 처음이라...
데이터는 일반 운영데이터를 적재 분석 및 시각화를 하게 되는건가요?
네, 적재 된 데이터를 datalab 을 이용하여 시각화 하는 것입니다.
[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.