DAISY의 최신 업데이트 소식을 자세히 알아보세요! ⇨
DAISY
AIOps : 산업용 AI 개발/운영 플랫폼
자동화된 라벨링과 노코드 UI로
전문가처럼 AI 모델을 만드세요
DAISY
AIOps: 산업용 AI 개발/운영 플랫폼
자동화된 라벨링과 노코드 UI로 전문가처럼 AI 모델을 만드세요
검증된 기술을 응축한 플랫폼에서
현장 문제를 해결하는 AI를 구축하세요
검증된 기술을 응축한 플랫폼에서 현장 문제를 해결하는 AI를 구축하세요
누구나 인공지능 전문가처럼
쉽고 정확하게 만들 수 있어요
누구나 인공지능 전문가처럼 쉽고 정확하게 만들 수 있어요
✓ 오토 라벨링 도구로 간편하게
이미지 1장을 수동으로 라벨링 하면 AI 모델이 다음 이미지를 자동 라벨링 해줍니다(라벨 어시스턴트, 2025년 상반기 출시 예정). 그 외 오토 픽셀, 스탬프 등 현장의 요구로부터 만들어진 다양한 도구를 활용해 라벨링 정확도를 높이고 고통은 줄여 보세요.
✓ 오토 라벨링 도구로 간편하게
이미지 1장을 수동으로 라벨링 하면 AI 모델이 다음 이미지를 자동 라벨링 해줍니다(라벨 어시스턴트, 2025년 상반기 출시 예정). 그 외 오토 픽셀, 스탬프 등 현장의 요구로부터 만들어진 다양한 도구를 활용해 라벨링 정확도를 높이고 고통은 줄여 보세요.
✓ No-Code UI로 전문 지식 없이도 빠르게
모든 기능을 No-Code 기반 드래그 앤 드롭 인터페이스로 이용하세요. 누구나 캔버스에 여러 블록을 자유롭게 배치해 AI를 설계하고, 시시각각 변화하는 현장 상황에 맞춰 최적화할 수 있습니다. 복잡한 AI 개발은 DAISY에 맡기고, 어떤 문제를 해결할지 본질에만 집중하세요.
✓ No-Code UI로 전문 지식 없이도 빠르게
모든 기능을 No-Code 기반 드래그 앤 드롭 인터페이스로 이용하세요. 누구나 캔버스에 여러 블록을 자유롭게 배치해 AI를 설계하고, 시시각각 변화하는 현장 상황에 맞춰 최적화할 수 있습니다. 복잡한 AI 개발은 DAISY에 맡기고, 어떤 문제를 해결할지 본질에만 집중하세요.
✓ 언제 어디서나 실시간 협업
DAISY 안에서 바로 데이터를 공유하고, 같은 화면을 보면서 동시에 라벨링하고 검수하세요. 더욱 쉽고 빠르게 고품질 라벨 데이터를 만들 수 있습니다. 더 이상 데이터를 이메일로 주고받으며 작업을 지연시키지 마세요!
✓ 언제 어디서나 실시간 협업
DAISY 안에서 바로 데이터를 공유하고, 같은 화면을 보면서 동시에 라벨링하고 검수하세요. 더욱 쉽고 빠르게 고품질 라벨 데이터를 만들 수 있습니다. 더 이상 데이터를 이메일로 주고받으며 작업을 지연시키지 마세요!
현장 요구가 반영된 필수 도구로
간결하게 개발하세요
현장 요구가 반영된 필수 도구로 간결하게 개발하세요
플랫폼 안에서 라벨링 및 검수를 모두
- 라벨러 작업량을 이미지 개수로 할당, 데이터 자동 분배
- 여러 라벨러의 커서 위치와 오브젝트 이동이 실시간으로 화면에 표시되어 빠르게 협업 라벨링
- 수정이 필요한 부분에 대해 검수자가 라벨러에게 직접 반려 코멘트 전송
- 승인/반려 원클릭으로 간편하게 관리
자동화 도구로 더 쉽게
- 라벨 어시스턴트: 이미지 1장을 수동 라벨링 하면 AI 모델이 다음 이미지를 자동 라벨링
- 오토 픽셀: 이미지 내 모든 오브젝트를 자동 분할하여 클래스 지정만으로 라벨링
다양한 도구로 라벨링을 더 정확하게
- 스탬프 : 이전 이미지에 그린 오브젝트를 다음 이미지 같은 위치에 자동 생성하여 방향키 만으로 라벨링
- 라벨 불러오기: 다양한 외부 라벨링 도구에서 사전에 작업한 클래스와 오브젝트를 가져오기
- 바운딩 박스, 사각형, 원, 폴리곤, 선, 브러시, 투명도 조절, 페이지 넘기기, 되돌리기 등
누구나 AI 전문가처럼
- 기본 모델 제공:
✓ 분류(Classification)
✓ 객체 탐지(Object Detection)
✓ 분할(Segmentation)
✓ 이상 탐지(Anomaly Detection) - 학습 프리셋: 모델 크기, 학습 반복 횟수, 검증 주기, 고정밀 옵션, 가중치 갱신 속도 등 인공지능 전문가가 사전에 최적화한 학습 프리셋 추천
만들어진 모델 성능을 한 눈에
- 사용된 알고리즘, 학습 프리셋 설정, 학습 데이터 구성, Threshold(임계값)별 성능, 클래스별 Confusion matrix 등