.svg)
AI 솔루션 문의하기
지도 학습 기반의 인공지능 모델은 입력 데이터와 그에 대응하는 정답 정보가 쌍으로 구성된 학습 데이터를 필요로 합니다. 이 정답 정보를 데이터에 부여하는 작업이 라벨링(Labeling) 또는 어노테이션(Annotation)입니다. 모델은 라벨링된 데이터를 통해 입력과 출력 사이의 관계를 학습하므로 라벨의 정확성과 일관성이 모델 성능의 상한을 결정합니다. 아무리 정교한 모델 구조를 갖추더라도 라벨이 부정확하거나 기준이 일관되지 않으면 모델은 잘못된 패턴을 학습하게 됩니다. 라벨링은 데이터 가공 단계에서 가장 많은 인력과 시간이 투입되는 작업인 동시에 모델 성능에 직접적인 영향을 미치는 작업이므로 라벨링 기준 설계와 품질 관리 체계를 처음부터 갖추는 것이 중요합니다. 데이터 수집 단계와 달리 라벨링은 사람의 판단이 개입되는 과정이기 때문에 기준의 명확성과 작업자 간 일관성이 품질의 핵심 요소가 됩니다.
라벨링 유형은 데이터의 종류와 모델이 수행해야 할 작업에 따라 달라집니다. 이미지 분류에서는 이미지 전체에 하나의 범주 태그를 부여하는 방식이 사용됩니다. 객체 탐지에서는 이미지 내 특정 객체의 위치를 사각형(바운딩 박스)으로 표시하고 범주를 함께 지정합니다. 의미론적 분할(Semantic Segmentation)에서는 이미지의 모든 픽셀을 범주별로 구분하여 색상으로 표시하며 인스턴스 분할(Instance Segmentation)에서는 같은 범주의 객체도 개별 인스턴스로 구분합니다. 텍스트 데이터에서는 문장 또는 문서 단위의 감성 분류, 특정 단어나 구에 태그를 부여하는 개체명 인식, 문장 간의 관계를 표시하는 관계 추출 등의 라벨링 유형이 있습니다. 음성 데이터에서는 발화 내용을 텍스트로 옮기는 전사(Transcription)와 화자 구분, 감정 태그 부여 등이 주요 라벨링 유형이며 각 유형마다 요구되는 작업 도구와 가이드라인 수준이 다릅니다.
라벨링 품질의 일관성은 가이드라인의 명확성에서 출발합니다. 가이드라인에는 라벨링 대상의 정의, 범주별 기준, 경계 사례 처리 방법, 작업에서 제외할 데이터 유형이 구체적으로 포함되어야 합니다. 텍스트로만 설명하는 것보다 긍정 사례와 부정 사례를 이미지 또는 예문과 함께 제시하는 방식이 작업자의 이해를 높이는 데 효과적입니다. 라벨링 대상이 복잡하거나 판단이 어려운 경계 사례가 많은 경우에는 가이드라인을 작성한 뒤 파일럿 라벨링을 통해 불명확한 부분을 사전에 보완하는 과정이 필요합니다. 가이드라인은 고정된 문서가 아니라 라벨링 진행 중 새롭게 발생하는 경계 사례를 반영하여 지속적으로 갱신하는 방식으로 운영해야 하며 갱신 이력을 관리하여 작업자 전원이 최신 기준을 따르도록 해야 합니다.
▷ 라벨링 작업에 여러 명이 참여할 경우 동일한 데이터에 대해 서로 다른 라벨을 부여하는 불일치 문제가 발생할 수 있습니다. 이를 측정하는 지표로 코헨의 카파 계수(Cohen's Kappa)가 활용됩니다. 이 지표는 우연히 일치하는 경우를 제외하고 실질적인 일치 수준을 측정하므로 단순 일치율보다 신뢰성 있는 품질 지표로 사용됩니다. 카파 계수가 낮은 경우 가이드라인을 재검토하거나 추가 교육을 통해 작업자 간 기준을 맞추는 과정이 필요합니다.
▷ 동일한 데이터를 두 명 이상의 작업자가 독립적으로 라벨링하고 불일치 항목을 제3자가 검토하는 이중 검수 방식은 라벨링 품질을 높이는 대표적인 운영 방법입니다. 이 방식은 작업 시간과 비용이 증가하지만 의료 영상 판독, 법률 문서 분류 등 높은 정확성이 요구되는 분야에서 채택됩니다. 작업자 개인별 오류 패턴을 주기적으로 분석하고 특정 범주에서 반복적으로 불일치가 발생하는 경우 해당 범주의 가이드라인을 보완하는 방향으로 피드백하는 체계가 라벨링 품질의 지속적인 유지에 중요합니다.
라벨링 작업의 효율과 품질은 사용하는 도구에도 영향을 받습니다. 이미지 라벨링 도구는 바운딩 박스 그리기, 폴리곤 영역 지정, 픽셀 단위 마스킹 등의 기능을 제공하며 키보드 단축키와 자동 제안 기능을 지원하는 도구는 작업 속도를 높이는 데 도움이 됩니다. 텍스트 라벨링 플랫폼은 문장 단위 태그 지정, 개체명 하이라이팅, 관계 연결 기능을 제공합니다. 국내외에서 사용되는 라벨링 도구로는 Label Studio, CVAT, Labelbox 등이 있으며 각각 지원하는 데이터 유형과 협업 기능에 차이가 있습니다. 라벨링 도구 선택 시 지원하는 라벨링 유형, 작업자 관리 기능, 내보내기 형식이 학습 프레임워크와 호환되는지를 사전에 확인하는 것이 이후 데이터 가공 연계 과정에서 불필요한 변환 작업을 줄이는 데 도움이 됩니다.
라벨링 작업 방식은 크게 내부 인력이 직접 수행하는 방식, 전문 라벨링 업체에 위탁하는 방식, 크라우드소싱 플랫폼을 활용하는 방식으로 구분됩니다. 내부 수행은 도메인 지식이 필요한 작업에 적합하지만 대규모 작업에는 인력 확보가 부담이 됩니다. 전문 라벨링 업체는 체계적인 품질 관리 프로세스를 갖추고 있어 일정 수준 이상의 품질을 보장받을 수 있습니다. 크라우드소싱은 대규모 작업을 빠르게 처리하는 데 유리하지만 작업자의 전문성 차이로 인한 품질 편차가 발생할 수 있습니다. 의료 영상 분석, 법률 문서 분류처럼 전문 지식이 필요한 라벨링은 해당 분야 전문가가 직접 수행하거나 전문가가 검수하는 구조가 필요하며 이 경우 비용과 일정 계획을 초기부터 현실적으로 수립해야 합니다.
라벨링해야 할 데이터 규모가 클 때 모든 데이터를 동일한 비중으로 라벨링하는 것은 비효율적입니다. 능동 학습(Active Learning)은 모델이 가장 불확실하게 예측하는 데이터를 우선적으로 라벨링 대상으로 선정하여 적은 라벨링 수량으로 모델 성능을 효율적으로 높이는 방법입니다. 초기 소량의 라벨링된 데이터로 모델을 먼저 학습시킨 뒤 불확실성이 높은 샘플을 선별하여 추가 라벨링하고 재학습하는 과정을 반복하는 방식입니다. 능동 학습은 라벨링 비용이 높고 데이터 확보가 어려운 도메인에서 효과적이며 모델과 라벨링 작업을 순환 구조로 연결하는 설계가 필요하므로 개발 파이프라인 초기 단계부터 이 방식을 고려한 구성이 바람직합니다.
전통적인 수작업 라벨링의 부담을 줄이기 위해 자동화를 활용하는 방식도 확산되고 있습니다. 사전 학습된 모델이 라벨 후보를 자동으로 생성하고 작업자가 이를 검토·수정하는 반자동 라벨링 방식은 순수 수작업보다 처리 속도를 높이는 데 효과적입니다. 이미 충분히 학습된 유사 도메인의 모델을 활용하여 초기 라벨 초안을 생성하고 작업자가 오류를 교정하는 방식이 대표적입니다. 자동 라벨링 결과는 반드시 사람이 검토하는 과정을 거쳐야 하며 자동 생성된 라벨의 오류가 검수 없이 학습 데이터에 포함되면 모델이 잘못된 패턴을 학습하는 문제로 이어질 수 있습니다.
라벨링 작업 과정에서 취급하는 데이터에 개인정보가 포함된 경우 보안과 개인정보 보호 관리가 필요합니다. 외부 라벨링 업체나 크라우드소싱 플랫폼을 활용할 때는 데이터 처리 위탁 계약을 체결하고 작업자의 접근 범위를 필요한 최소 수준으로 제한해야 합니다. 라벨링 목적으로만 데이터를 사용하고 작업 완료 후 외부 보관 데이터를 파기하는 절차도 개인정보보호법에 따라 설정해야 합니다. 라벨링 작업 전 데이터에서 개인을 직접 식별할 수 있는 정보를 비식별화 처리하는 것이 원칙이며 이 처리가 충분히 이루어지지 않은 상태로 외부에 데이터를 제공하면 개인정보 유출 위험이 발생합니다.
라벨링 오류는 모델 학습 과정에서 두 가지 방향으로 문제를 일으킵니다. 특정 유형의 라벨링 오류가 반복적으로 발생하면 모델이 잘못된 패턴을 체계적으로 학습하는 편향이 생기고 불규칙한 오류는 모델의 일반화 능력을 낮춥니다. 라벨링 오류율이 높을수록 목표 성능을 달성하기 위해 더 많은 데이터와 학습 반복이 필요해지므로 초기 라벨링 품질에 투자하는 것이 전체 개발 효율을 높이는 방향이 됩니다. 학습 완료 후 모델의 오분류 사례를 분석하면 라벨링 오류에서 비롯된 문제와 모델 구조의 한계에서 비롯된 문제를 구분하는 데 도움이 되며 이를 통해 데이터 재라벨링이 필요한 구간을 파악하고 우선적으로 개선할 수 있습니다.
.svg)
.svg)
