앞선 콘텐츠에서는 딥러닝을 활용해 강아지와 고양이를 분류하는 방법을 소개했었는데요. 이를 통해 딥러닝이 이미지와 같은 비정형 데이터 처리에 안성맞춤이라는 것을 알 수 있었습니다. 이번 편에서는 LG CNS의 시각 AI 솔루션 DAP Vision을 이용해 이미지를 자동으로 분류하는 서비스를 만들어보고자 합니다.
딥러닝, 데이터로 세상을 파악하다(2)
지난 편을 확인하지 못하신 분들은 위를 클릭해 확인해 주시기 바랍니다.
딥러닝 기반의 시각 AI 와 DAP Vision 서비스
한국과학기술정보연구원에서 2019년 미래 유망기술 10선 중 하나로 ‘AI 기반 머신 비전 기술’을 선정하였습니다. 우리나라는 미국이나 중국보다 AI 경쟁력은 다소 떨어지지만, 제조 분야에 우수한 데이터를 보유하고 있어 제조 관련 인공지능은 큰 파급효과를 만들고 있습니다.
제조 현장에 인공지능을 도입해, 투입되는 리소스는 최소화하고, 공정은 최적화, 결함 발견을 통한 품질 향상 등 효과를 보고 있습니다. LG CNS도 다양한 제조 현장에 인공지능을 접목시킨 시각 AI 솔루션, ‘DAP Vision’ 서비스를 제공하고 있습니다.
DAP Vision은 제조 현장의 고객이 딥러닝을 활용한 고성능 이미지 자동 분류기 모델을 손쉽게 활용할 수 있도록 해줍니다. 딥러닝을 활용한 품질 검사를 예시로 살펴보겠습니다.
이전에는 정해진 패턴을 비교하는 룰 방식으로, 품질 검사의 정확도는 낮았고 사람이 직접 육안 검사를 하는 비중이 높았습니다. 지금은 AI 판정 모델을 도입해 기존 비전 검사기보다 월등히 높은 정확도의 검사가 가능해졌습니다. 이에 따라 작업자의 육안 검사량을 50% 절감했습니다. 딥러닝 기반 판정 모델은 DAP 플랫폼 내에서 지속해서 모니터링되고 재학습해 99.98%의 완벽에 가까운 판정 정확도를 제공하였습니다.
적용 사례를 보면, LG화학 초소형 전지 외관 검사, 유리 기판 외관 검사 등 불량 유형 검사, LG화학 합성 고무 이물 검사, LG디스플레이 · LG하우시스 양불 검사 등 제조 비전 검사 등이 있습니다. 이밖에 롯데, 쿠팡 등의 물류센터 화물 자동 분류에 도입이 결정되어 구축을 진행 중이며 출력물의 보안 위반 검사에도 쓰이는 등 다양한 산업 영역에서 활용되고 있습니다. .
‘DAP Vision 서비스가 이렇게 유용한데 우리 비즈니스도 도입해볼까?’ 생각하시는 분들께 지금부터 클릭 몇 번으로 나만의 딥러닝 기반 이미지 자동 분류기 만드는 과정을 소개해드리겠습니다.
나만의 이미지 자동 분류기 만들기
이전 콘텐츠에서 펫카페 사장은 강아지와 고양이를 구분하는 딥러닝 기반 이미지 자동 분류기를 어떻게 만들었을까요? 아래 이미지처럼 사람의 신경 세포인 뉴런의 신경망이 딥러닝의 기본 구조라는데, 벌써 너무 어려워 보입니다.
DAP Vision은 딥러닝에 대한 전문적인 지식이 없어도 누구나 쉽게 자동 분류기를 만들 수 있도록 도와줍니다. ‘이건 강아지 사진이고 저건 고양이 사진이야’라고 모델에게 알려주기만 하면 마우스 클릭 몇 번으로 딥러닝 모델을 학습시킬 수 있습니다.
이미지 자동 분류기 모델을 만드는 단계는 크게 3단계입니다.
- 이미지 데이터 준비
- 모델 학습
- 모델 평가 및 배포
모델에게 학습할 자료를 주면 모델이 학습을 진행할수록 고성능의 자동 분류기가 되어가고 완성된 모델을 활용하게 됩니다. 단계별로 DAP Vision을 활용해 모델을 생성해 보겠습니다.
- 이미지 데이터 준비
DAP Vision 모델에게 강아지 사진인지 고양이 사진인지 알려주기 위해 사진을 업로드 합니다. 여러분이 해야 할 일은 사진 파일을 준비하고 아래 보이는 것처럼 업로드를 하는 것뿐입니다. 이로써 모델이 공부할 학습 자료 준비가 끝났습니다. 간편하죠?
- 모델 학습
이제 준비된 데이터를 바탕으로 모델이 학습할 차례입니다. 아래 이미지처럼 ‘간편 학습’ 메뉴로 들어가서 앞서 준비해둔 강아지와 고양이 데이터를 선택해 줍니다.
아래 이미지 ‘간편 학습 메뉴의 학습 요청’과 같이 학습 탭으로 이동해 ‘학습 요청’ 버튼만 클릭하면 모델의 학습이 시작됩니다. 인공신경망의 학습이 어떻게 되는지 이해할 필요 없이 자사 분석가가 선정해드리는 최적의 모델과 학습 파라미터 값으로 딥러닝 학습을 시작합니다.
학습이 진행되는 동안 모델이 잘 만들어지고 있는지 궁금하다면 아래 ‘학습 상세정보 확인’을 눌러보세요. 그래프로 보기 쉽게 확인 할 수 있습니다. 학습이 완료되면 여러 개의 모델이 만들어진 결과를 볼 수 있습니다. 이제 ‘평가 요청’ 버튼을 클릭하여 모델의 성능을 평가하러 갑니다.
- 모델 평가 및 배포
모델이 잘 만들어졌는지 성능을 평가하기 위해 아래 ‘모델 평가 요청’ 이미지에 나와있는 것처럼 상위 3개의 모델을 선택하고 ‘평가’ 버튼을 클릭합니다. 모델이 본 적 없는 데이터에 대해 얼마나 정답을 잘 맞히는지, 즉 ‘자동 분류기’의 역할을 할 수 있는지 확인 할 수 있습니다.
평가가 완료되면 아래 ‘모델의 평가 결과 확인’’ 이미지와 같이 각 모델의 성능 지표를 막대그래프 형태로 쉽게 확인할 수 있습니다. 이 중 마음에 드는 모델이 있으면 ‘확정’ 버튼을 클릭해 선택합니다. 확정된 모델 중에서 ‘배포’ 버튼을 클릭하면 모델을 다운로드할 수 있습니다.
이렇게 클릭 몇 번으로 딥러닝 모델의 ‘학습-평가-배포’ 전 과정이 모두 끝났습니다!
지금까지 AI를 활용한 서비스 개발이라는 주제를 가지고, LG CNS의 시각 AI 플랫폼 DAP Vision 솔루션을 활용해 코딩 없이 딥러닝 기반의 이미지 자동 분류기를 구현하는 방법에 대해 살펴보았습니다.
DAP Vision은 제조와 물류뿐만 아니라 상품 인식, 얼굴 인식 등의 다양한 산업 영역으로 서비스 영역을 확장하고 있고 내부적으로는 최신 버전 프레임워크 업그레이드, 모델 고도화, 사용자 편의성을 고려한 UI, UX 개선을 진행하고 있습니다.
더욱 발전하는 DAP Vision을 기대해 주시고 다음 시간에는 ‘인공지능의 마지막 공부’ AI 윤리 문제에 대해 소개해드리겠습니다.
글 l LG CNS AI빅데이터연구소
[참고 자료]
- 2019 KISTI 미래유망기술 10선 http://mirian.kisti.re.kr/futuretech/tech.jsp
- 2020 SW산업 10대 이슈 전망, 2020 https://spri.kr/posts/view/22870?code=issue_reports
