비전 데이터 라벨링을 줄이는 액티브러닝

검사 이미지가 수백만 장 있어도 모델을 개선하는 데 유용한 이미지는 일부입니다. 액티브러닝은 모델이 헷갈리는 사례를 우선 골라 라벨링 비용을 줄입니다.

현장의 문제를 구체화한다

이미 학습한 모델이 확신하지 못하는 이미지와 기존 데이터에서 드문 조건의 이미지를 후보로 모읍니다. 점수가 낮다는 이유만으로 모두 선택하면 노이즈와 중복 촬영이 많을 수 있습니다. 제품·설비·교대조가 고르게 포함되도록 표본을 균형 있게 뽑습니다.

판정과 데이터 기준을 세운다

확신도는 정답 확률과 같지 않을 수 있습니다. 고확신 오답도 놓치지 않도록 무작위 표본을 일부 섞고, 실제 품질팀의 재검사 결과와 대조합니다. 모델이 같은 표면 패턴에 반복해서 흔들리면 대표 샘플만 골라 중복을 줄입니다.

제한된 조건에서 시험한다

선정한 이미지에는 원본 촬영 조건과 생산 LOT를 연결합니다. 라벨러에게 모델 예측을 바로 보여 주면 판단이 끌릴 수 있어 독립 판정을 먼저 받는 방법도 있습니다. 논쟁이 큰 사례는 라벨 정의 자체를 고치는 신호로 취급합니다.

성능과 비용을 함께 본다

추가 라벨 100건당 성능 개선, 클래스별 재현율, 라벨러 일치율을 측정합니다. 단순히 불확실한 이미지를 많이 모았다는 지표는 목적이 아닙니다. 실제 운영에서 자주 나오는 어려운 조건에 성능이 좋아졌는지 확인합니다.

조건 변화에 대응한다

선정 정책도 주기적으로 바꿔야 합니다. 모델이 잘 모르는 영역만 반복해서 뽑으면 일반 생산 분포를 잊을 수 있습니다. 새 데이터가 들어온 뒤에는 이전 검증셋과 최신 생산 표본을 모두 평가합니다. 라벨링 우선순위는 검사 비용이 큰 결함에 가중치를 줄 수 있지만, 드문 결함을 평가할 표본은 별도로 확보해야 합니다.

현장에 적용할 때의 순서

1. 불확실·드문 조건 후보 수집
2. 무작위 표본과 중복 제거 병행
3. 원본 조건을 보존해 독립 라벨링

주의할 실패: 낮은 점수만 무조건 수집하기

관찰할 지표: 라벨당 개선폭·클래스별 재현율

적용 전 체크리스트

• 불확실·드문 조건 후보 수집
• 무작위 표본과 중복 제거 병행
• 원본 조건을 보존해 독립 라벨링

참고 자료

NIST AI RMF Playbook. 데이터 품질과 측정의 중요성은 NIST AI RMF를 참고했습니다. 액티브러닝 표본 운영은 실무 적용 제안입니다.

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

#액티브러닝 #비전라벨링 #데이터선별 #제조AI #불량검사 #네이처프랙탈 #제조혁신 #스마트공장 #현장데이터 #AI도입