왜 학습데이터 품질이 중요한가요 ?
AI의 시작과 끝은 데이터 입니다.
인공지능 모델을 학습시키고, 성능을 확인하는 것 보다
얼마나 좋은 고품질의 데이터를 활용할 수 있느냐가 훨씬 중요합니다.
저품질, 불량 데이터로 학습된 AI는 원하는 성능을 달성할 수 없을 뿐만 아니라
이 상황을 다시 바로잡기 위해서는 막대한 시간과 비용이 재투자돼야 하며
프로젝트의 지연과 기업의 경쟁력 저하로 이어질 수 있습니다.
어떻게 고품질 데이터를 확보하나요?
정확성과 어노테이션 요구 사항에 맞춤화된 프로세스
1. 수요 기업이 어떤 인공지능을 만드는지
제대로 이해할 수 있어야 합니다.
정확한 프로젝트 분석 후 임무를 정의합니다.
2. 새로운 구축계획서를 작성합니다.
만들어질 인공지능을 확실히 이해하고
데이터를 수집,가공할 수 있습니다.
3. 데이터 수집 시 전체 수집 목표량의
130%의 데이터를 추가 확보하여
라벨링 단계에서 최고 품질의 데이터만 사용합니다.
4. DevOps, MLOps 클라우드 기반의
자동화된 프로세스로
신속하고 정확하게 불량 데이터를 제거합니다.
5. 서버리스 기반의 반자동 라벨링툴을 사용하여
1차 라벨링을 진행하고 전문 라벨러가 사용하기
쉬운 편집기를 사용하여 고품질의 데이터를 구축합니다.
6. 품질관리를 위해 10%의 데이터가 생성될 때 마다
전문 검수 인력과 AI가 불량 데이터를 조기에 잡아내어
전체 프로젝트의 시간을 절감하게 해줍니다.
빠르고 정확한 데이터를 위한 솔루션
딥러닝 기반
AI lable 기술
속도와 비용을 절감하기 위해
AI와 라벨러가 함께 작업 할 수 있는
환경을 제공합니다.
머신러닝 기반
정확한 검수 환경
2차 , 3차로 전문 QA인력과
머신 러닝 기술이 합쳐저
정확한 검수를 진행합니다.
데이터 구축을 더 효율적이고 빠르게 제공하기 위해
라벨러가 작업의 목적과 방법을 이해하기 쉬운 형태의 편집기를 제공합니다.
PRODUCTS
Bounding Box
이미지에서 특정개체를 캡처하는 방법으로
데이터 라벨링 작업에서가장 일반적으로 사용되는 기술입니다.
Cuboid
자동차, 건물 등 입체적인 객체들을 2D 형식으로 라벨링 작업하는데는 한계가 있습니다.
Cuboid 는 이를 해결하기 위한 3D 기술입니다.
Point
특정 지점을 라벨링 하는 작업으로 안면 인식을 통한 감정 분석과 같이
정밀하고 섬세한 작업을 요구하는 기술입니다.
Polygon
인공지능 모델링 방법에 따라 식별하고자 하는 개체 이외의 포함된
빈 공간으로 인하여 오류 발생 시 대응하는 최적의 대안입니다.
Polyline
여러 개의 점을 가진 선을 활용하여 특정 영역을 라벨링 함으로써
인도, 차선 등을 구분하기 위해 사용됩니다.
데이터 품질관리는 어떻게 하나요?
지속적인 데이터 품질 개선 및 관리
-
원활한 프로젝트의 수행을 위해 기업 전담 PM 제도 운영
-
지원 체계가 확보된 전문 QA인력으로 조직 구성
-
데이터 품질 요구 사항, 학습용 데이터셋 테스트 교육 진행
-
내부 운영팀의 꼼꼼한 프로젝트 관리와 검수
-
고객사에 최종적으로 전달된 데이터를 유지 보수 관리를
통하여 품질을 보증합니다.