LISA
데이터/모델 품질 모니터링으로 AI의 지속가능성 보장
데이터 생성과 검사에 대한 최신 연구 방법론을 상시 적용하여
이미 다수 고객사 현장에서 업계 내 최고 수준의 속도와 성능을 실현 중입니다.
데이터 생성과 검사에 대한 최신 연구 방법론을 상시 적용하여 이미 다수 고객사 현장에서 업계 내 최고 수준의 속도와 성능을 실현 중입니다.
과검 데이터 추천 및 자동 라벨링/재학습
과검율 감소는 제품의 품질 관리에서 매우 중요합니다. 과도한 과검은 비용 증가와 생산 효율성 감소를 초래하기 때문에, 이를 줄이는 것은 자동 품질 검사의 운영 비용을 절감하는 데 직접적으로 도움이 됩니다. LISA는 딥러닝 모델 파이프라인을 이용하여 제조현장에서 사용 중인 기존의 룰베이스 검사 결과에서 과검(1종 오류)으로 판단되는 데이터를 자동으로 추천합니다.
또, Anomaly Detection 판정 결과를 리뷰하면서 ‘정상으로 분류’ 버튼을 클릭하면, 해당 데이터가 즉각 정상으로 재라벨링되며, 즉각 데이터셋에 반영돼 모델 재학습시 사용할 수 있습니다. 이를 통해 빠른 시간 내에 모델을 최적화할 수 있습니다.
데이터 및 모델 드리프트 모니터링
데이터 드리프트와 모델 드리프트는 머신러닝 시스템에서 성능 관리와 지속적인 최적화를 위해 매우 중요합니다. 드리프트를 적절히 관리하지 않으면 시간이 지남에 따라 모델의 예측 정확도가 저하되고, 결국 비즈니스에 부정적인 영향을 미칠 수 있습니다.
‘데이터 품질 지표(Data Quality Index, DQI)’는 입력 데이터의 드리프트를 모니터링하는 아하랩스 고유의 딥러닝 모델입니다. 만약 새로 입력된 이미지가 기준 이미지 대비 초점이나 밝기 등이 너무 달라 양불 판정을 제대로 할 수 없는 범위라고 판단되면 즉각 경고 알람이 전송됩니다. 사용자는 대시보드에 표시된 이상치 데이터를 클릭해서 비정상으로 분류된 이미지를 확인하고 카메라 설정을 변경하거나 노후 조명을 교체하는 등 필요한 조치를 취할 수 있습니다.
이미 수많은 파트너 기업이 LISA를 통해
산업용 AI를 성공적으로 도입하여
비즈니스 성장을 견인하고 있습니다.
이미 수많은 파트너 기업이 LISA를 통해 산업용 AI를 성공적으로 도입하여 비즈니스 성장을 견인하고 있습니다.
진동 센서 데이터로 설비 이상탐지(모터 예지보전)를 수행한 사례
Challenge 기존에는 발전 설비 모터에 진동 센서를 부착해놓고 룰 기반으로 검사를 진행함 진동의 등락 외에는 각 진동...
생산 자재 변경으로 인한 검사 ‘데이터 드리프트’를 잡아낸 사례(DQI 모델)
Challenge 항상 일정한 광학 이미지가 촬영돼야 모델을 제대로 학습시키고 양/불량 판정 정확도를 높일 수 있음. 그러나...
‘1종 오류’ 찾아내는 딥러닝 모델로 ‘과검’ 발생률 감소
이상탐지(Anomaly Detection) 딥러닝 모델을 활용해 검사 이미지 전체 영역을 학습합니다. 실제 생산품의 결함이 아닌, 그 밖의...
Next Step →
빠른 도입은 물론, 운영의 지속가능성까지 고려한 LISA와 함께 생산성과 품질을 획기적으로 높여보세요.