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] AI학습이나 빅데이터 분석을 위한 인프라가 퍼블릭 클라우드에 구성되어 있는지요? 예를 들어 엔비디아 테슬라 GPU인 V100이 장착된 GPU 전용서버라던지, 빅데이터 분석을 위한 하둡기반의 인프라 스트럭처가 구성되어 있는지? 이런 서비스 제공이 가능한지요? 또한 초기 Source 데이터나 input 데이터 (기초 데이터.. 센서 및 ODS 영역)를 퍼블릭 클라우드로 데이터를 전송해야 하는데, 이 경우 보안 및 네트워크 트래픽의 문제가 많을것으로 생각됩니다. 이런 전반적인 서비스가 가능한지요?
Azure 에는 분석을 위한 플랫폼과 도구가 제공되며, 테슬라GPU, 하둡기반 모두 구성이 가능합니다. IaaS, PaaS 고객이 원하는 형태로 구축이 가능합니다.
데이터 전송 관련부분은 ExpressRoute 기능을 이용하여 일정한 속도를 보장받을 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.