LISA

라벨링이 필요 없는 비지도 학습으로 빠른 도입

Anomaly Detector를 이용해 정상 데이터만으로 빠르게 모델을 개발하고,
자유로운 모델 파이프라인 구성으로 어떤 공정에서도 높은 활용도를 보장합니다.

Anomaly Detector를 이용해 정상 데이터만으로 빠르게 모델을 개발하고, 자유로운 모델 파이프라인 구성으로 어떤 공정에서도 높은 활용도를 보장합니다.

Anomaly Detector를 이용해 정상 데이터만으로 빠르게 모델 개발

LISA는 라벨링이 필요 없는 비지도 학습을 기반으로 한 Anomaly Detector 알고리즘을 제공합니다. 이 알고리즘은 데이터의 기본 구조와 패턴을 학습해 Feature Map을 추출하고, 이를 입력된 데이터와 비교해 이상치 Score를 계산합니다. 이를 통해 정상 범주에서 벗어나는 이상치 데이터를 효과적으로 식별합니다.

Anomaly Detector는 정상 데이터만으로 모델 개발이 가능하므로, 사용자는 비정상 데이터 확보와 전처리에 드는 시간 및 비용을 절반 이하로 줄일 수 있습니다. 제품 생산 초기 시점부터 딥러닝을 적용할 수 있어, 이상 감지와 품질 관리를 신속하고 효율적으로 실현할 수 있습니다.

정상 데이터만으로 모델 학습이 가능한 Anomaly Detector 모델의 이상감지 실행 프로세스. Image Credit : AHHA Labs

파우치 배터리처럼 표면이 유연해서 표면 결함의 종류를 특정하기 어려운 경우 Anomaly Detector 딥러닝 모델을 사용하면 불량 검출하기가 용이합니다.

Anomaly Detector는 특히 아래와 같은 조건에서 사용하기 용이합니다.

✓ 제품 표면 형상의 자유도가 높은 경우

제품의 형상이 복잡하거나 제품마다 다양성이 존재할 경우, 전통적인 룰 베이스 검사 방식으로는 모든 경우를 다루기가 어렵습니다. Anomaly Detector는 학습된 정상 패턴과의 차이를 통해 이상을 탐지하므로, 형상의 복잡도가 높은 제품에서도 효과적으로 사용할 수 있습니다.

✓ 기존의 룰 베이스 검사 기준 수립이 어려운 경우

정규화된 기준이 없는 상황에서 Anomaly Detector는 자체적으로 데이터의 정상 범위를 학습하고, 이를 기반으로 이상치를 판단합니다. 이는 불분명한 룰을 설정하는 데 드는 시간과 노력을 크게 줄여줍니다.

✓ 새로운 유형의 불량을 예측하기 어려운 경우

시장의 변화나 제품 업그레이드로 인해 발생할 수 있는 새로운 형태의 불량을 사전에 예측하기란 매우 도전적인 일입니다. Anomaly Detector는 학습 데이터에 없는 새로운 형태의 불량도 이상치로 감지할 수 있어, 변화에 빠르게 대응할 수 있습니다.

✓ 신규 생산 및 클래스 불균형 문제

신제품 생산 초기에는 불량 데이터가 충분히 확보되지 않는 경우가 많습니다. Anomaly Detector는 정상 데이터만으로도 학습이 가능하며, 신규 생산 초기에도 효과적으로 적용할 수 있습니다. 만약 생산이 일정 기간 진행되어 다양한 불량 데이터가 축적된 이후에는 이상 감지 정확도가 훨씬 높은 지도 학습(Supervised learning) 방식의 다른 모델로 편리하게 이관할 수 있습니다.

ROI 지정으로 학습 및 검사를 빠르게

정상 데이터 학습 전, 사용자 친화적인 UI에서 마우스만을 이용해 이미지나 영상 전체에서 이상이 감지될 확률이 높은 영역을 간편하게 지정해 보세요. 이상 감지 정확도를 높이는 데 도움이 됩니다. 폴리곤 도구를 사용해 복잡하고 불규칙한 형태의 ROI(Region of Interest)도 정확하게 선택할 수 있으며, 불필요한 배경이나 노이즈에 해당하는 부분도 쉽게 제거할 수 있습니다. 학습 과정에서 처리해야 할 데이터의 크기가 줄어들어 학습 및 검사 시간이 단축됩니다.

파우치 배터리의 표면 결함을 검출한 성공사례를 통해 Anomaly Detector의 장점을 직접 확인해 보세요.

기본 제공 모델 5종을 자유롭게 조합해 파이프라인 구성

Object Detector, Segmentation, Classification, OCR 등 여러 종류의 모델을 기본 제공합니다. 비정상 데이터가 이미 확보되어 있는 경우나 기존 생산 공정에서 적용되던 품질 판정 규칙이 비교적 명확한 경우에는 LISA가 제공하는 기본 모델을 즉시 실행하여 신속하게 데이터를 분석할 수 있습니다.

아하랩스 MLOps 플랫폼 LISA는 모델 5종을 기본 제공합니다. 이를 자유롭게 조합해 파이프라인을 구성해 보다 복잡한 태스크를 수행할 수 있습니다.

두 개 이상의 모델을 조합해 파이프라인을 구성하는 것도 가능합니다. 예를 들어, Anomaly Detector로 초기 결함을 식별한 뒤 Classificaion 모델로 결함의 유형을 추가로 분류하거나, Object Detector로 품질 판정이 필요한 대상을 먼저 식별한 뒤 Anomaly Detector로 이상치를 판별하도록 배열할 수 있습니다. 특히 복잡도가 높은 공정에서 다양한 모델의 장점을 함께 활용해 더욱 정밀한 판정 결과를 도출할 수 있습니다.

LISA의 정교한 AI 파이프라인을 활용해 복잡한 설비 이상을 실제로 감지한 성공사례를 확인해 보세요.

제조 MLOps 플랫폼을 이용하면 설비 동작 이상을 실시간으로 감지하는 AI 모델을 빠르게 만들어 도입할 수 있습니다.

직관적인 툴바로 지도학습을 손쉽게

지도학습이 필요한 모델로 파이프라인을 구성할 경우 직관적인 툴바를 이용해 누구나 손쉽게 라벨링을 할 수 있습니다.

필터 및 클래스 선택
◦ 다양한 객체 유형 사전 정의
◦ 특정 이미지 선택, 확인
도형 그리기 도구
◦ 정사각형, 직사각형, 원, 타원, 폴리곤 등
브러쉬 도구
◦ 쉽고 빠르게 라벨링 가능
오브젝트 투명도 조절
◦ 이미지가 겹친 부분을 시각적으로 명확히 구분
되돌리기 및 다시 실행
◦ 라벨링 실수 수정
페이지 넘기기
◦ 다수의 이미지를 빠르게 검토 및 수정

슬라이딩 드로어로 라벨링 상황을 한 눈에 확인

LISA는 라벨링 된 이미지를 효과적으로 분류하고 관리할 수 있는 슬라이딩 드로어를 제공합니다. 필요한 이미지를 쉽게 찾고 라벨링 여부와 클래스를 한눈에 파악할 수 있어서 대규모 데이터 셋을 다룰 때 매우 유용합니다. 데이터 준비 과정의 지난한 번거로움을 LISA를 통해 최소화하세요.

.

LISA

라벨링이 필요 없는 비지도 학습으로 빠른 도입

Anomaly Detector를 이용해 정상 데이터만으로 빠르게 모델을 개발하고,
자유로운 모델 파이프라인 구성으로 어떤 공정에서도 높은 활용도를 보장합니다.

Anomaly Detector를 이용해 정상 데이터만으로 빠르게 모델을 개발하고, 자유로운 모델 파이프라인 구성으로 어떤 공정에서도 높은 활용도를 보장합니다.