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]이제는 온프레미스와 비교가 아니라 클라우드 간의 서비스나 비용을 따져볼 수 밖에 없는것 같습니다. 전송비용이라던지 다른 클라우드 서비스보다 비용이 비싸서 쓰기가 부담 스러운 부분이 있습니다. 가격 변동이 있을 수도 있는 것인지? 이를테면 신규 장비가 들어오면 구형장비는 비용을 할인해 준다던지... 이런게 될런지요?
비용적인 부담이 있으시다면 다양한 시나리오 형태로 컨설팅이 가능합니다.
Azure에서 제공하는 RI(Azure Reserved Virtual Machine Instances)서비스 부분도 활용하시는 것도 좋아 보입니다.
SBCK로 연락주시면 도움을 드리겠습니다.
[질문] 방송국의 시스템은 실시간 데이터 처리나 특정 시간에 많은 트래픽이 몰리는 상황때문에 퍼블릭, 프라이빗, 하이브리드 클라우드등을 구축하였을때 transaction처리에서 딜레이가 생기것같은데 어떠한 툴이나 방법으로 해결하시나요?
Azure CDN의 경우 트래픽 폭증에 따른 원본서버 보존을 위한 Origin shield 기능등이 있으며 IaaS, PaaS 형태의 서비스에서는 Auto scaling 기능을 많이 활용하고 있습니다.
감사합니다.
[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.