불량 유형 이름을 먼저 통일해야 비전 AI가 좋아진다

라벨러마다 ‘스크래치’, ‘찍힘’, ‘오염’을 다르게 쓰면 모델은 같은 현상을 다른 정답으로 배웁니다. 새 모델보다 먼저 불량 이름의 기준이 필요합니다.

현장의 문제를 구체화한다

현장 불량 코드를 한 번에 바꾸기보다 기존 코드의 의미와 중복을 조사합니다. 같은 결함이 위치나 심각도에 따라 여러 이름으로 등록됐는지 확인합니다. 제품 품질 기준서와 검사 이미지가 서로 다른 표현을 쓰는 경우도 흔합니다.

판정과 데이터 기준을 세운다

클래스 정의에는 이름, 포함·제외 기준, 경계 사례, 대표 이미지가 함께 있어야 합니다. 두 결함이 동시에 나타날 수 있다면 단일 라벨로 강제할지 복수 라벨로 관리할지도 정합니다. ‘기타’에 너무 많은 사례가 모이면 분류 체계가 약해졌다는 신호입니다.

제한된 조건에서 시험한다

라벨 작업 전에 소규모 샘플을 여러 검사자가 독립적으로 분류합니다. 의견이 갈리는 이미지는 누가 틀렸는지보다 규칙이 모호한 부분을 찾는 자료로 씁니다. 합의된 사례를 기준서에 추가하고 기존 데이터도 필요한 범위에서 다시 매핑합니다.

성능과 비용을 함께 본다

검사자 간 일치율, ‘기타’ 비중, 클래스별 표본 수, 재라벨 비율을 봅니다. 모델 성능이 낮은 클래스가 데이터 부족인지 정의 충돌인지 나눠야 개선 방법이 달라집니다. 라벨 규칙 변경 날짜를 모델 학습 이력과 함께 기록합니다.

조건 변화에 대응한다

불량 체계는 제품 개정에 따라 바뀝니다. 이전 라벨을 조용히 덮어쓰지 말고 버전을 두고 전환표를 관리합니다. 과거 성능과 새 성능을 비교할 때 분류 정의가 달라졌다면 같은 지표로 직접 비교할 수 없습니다.

현장에 적용할 때의 순서

1. 기존 코드의 중복·경계 사례 수집
2. 정의·대표 이미지·제외 기준 합의
3. 변경 버전과 과거 라벨 매핑

주의할 실패: 모호한 사례를 기타로만 쌓기

관찰할 지표: 검사자 일치율·기타 비중·재라벨률

적용 전 체크리스트

• 기존 코드의 중복·경계 사례 수집
• 정의·대표 이미지·제외 기준 합의
• 변경 버전과 과거 라벨 매핑

참고 자료

NIST AI RMF Playbook. 데이터 품질과 측정의 관리 원칙은 NIST AI RMF를 참고했습니다. 불량 분류 체계 설계는 현장 적용 제안입니다.

이미지와 도식은 이해를 돕기 위한 개념 시각화입니다. 특정 고객의 실제 설비·데이터·화면을 재현한 것이 아닙니다.

#불량분류 #라벨링 #비전AI #데이터품질 #품질기준 #네이처프랙탈 #제조혁신 #스마트공장 #현장데이터 #AI도입