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.
쇼핑몰에서 사용하기에 적절할지 궁금합니다. 상품검색이나 구매시 쿼리속도가 느리면 이탈율이 커질텐데요~ 쿼리의 복잡성은 거의 없기때문에 누적 데이터가 쌓여도 인덱싱 관리가 잘되어 최적화에 문제가 없을지 궁금합니다.
빅쿼리는 굉장히 큰 규모의 데이터를 빠르게 처리해서 결과를 전달해주는 것이 목적입니다. 따라서 빠른 응답 처리 또는 굉장히 큰 규모의 트래픽을 수용해야 한다면, 구글 클라우드의 빅테이블을 고려하시는 것이 좋습니다. 빅테이블에 대한 정보는 https://cloud.google.com/bigtable/에서 확인하시기 바랍니다.
[질문] 베트남소재의 몇개 지점과 데이터를 송.수신하는 것을 가정해서 GCP를 이용하는 방법을 설명해주실수 있을 까요?
베트남 소재의 몇개 지점에서 구글 클라우드 네트워크의 인터넷 연결 접점인 PoP까지는 인터넷 망을 이용해서 통신을 하고, PoP 이후 데이터가 실제로 위치한 데이터 센터까지의 통신은 구글 내부의 네트워크를 사용하여 통신할 것입니다. 따라서 글로벌하게 네트워크가 준비되지 않았다면 실제 데이터 센터까지 인터넷으로 통신하기 때문에, 상대적으로 통신 속도를 빠르게 이용할 수 있다는 장점이 있습니다.
*** A사 솔루션을 호주에서 사용하고 있는데요. Region에 따라 속도의 차이가 발생하고 있는데, 담당자들이 인정하지 않고, 실제 어떤것이 문제이고 해결책을 정확하게 이야기 하지 못해주더라구요. GCP는 이런 부분이 해소될수 있는지 궁금합니다.
리전 간 속도 차이는 물리적인 지역이 다르게 때문에 발생할 수 밖에 없습니다. 다만, 그 속도 차이가 얼마나 발생할 수 있느냐의 차이라고 보이는데, 구글 클라우드가 보유한 네트워크 환경으로 그 속도 차이를 굉장히 많이 줄일 수 있다는 것이 장점입니다.
[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.