.svg)
AI 솔루션 문의하기
자율주행을 위한 센서 데이터에 라벨을 붙이는 작업이 끝났다고 해서 그 데이터를 곧바로 학습에 활용할 수 있는 것은 아니며 라벨링 결과가 실제로 정확한가를 검증하는 별도의 과정이 반드시 뒤따라야 합니다. 자율주행 인공지능이 도로 위의 다른 차량이나 보행자와의 거리를 조금이라도 잘못 판단하면 이는 곧바로 사고로 이어질 수 있는 심각한 위험이 되므로 라벨링의 정확도를 검증하는 작업은 다른 어떤 산업의 데이터 검증보다도 엄격한 기준으로 이루어져야 합니다.
라벨링 작업자가 아무리 숙련되어 있더라도 반복적인 작업 속에서 미세한 오차가 발생할 가능성은 항상 존재하므로 이런 오차를 걸러내는 검증 단계가 없다면 결국 그 오류가 그대로 인공지능의 판단에 반영되는 결과로 이어집니다.
데이터를 처음 라벨링하는 작업이 정해진 기준에 따라 대상을 표시하는 데 집중한다면 검증은 그 표시된 결과가 실제로 그 기준에 부합하는가를 되짚어 확인하는 완전히 다른 시각을 요구합니다. 라벨링을 수행한 사람과 검증을 수행하는 사람이 서로 다르게 배정되는 경우가 많은 것도 이런 관점의 차이를 최대한 살리기 위한 방식입니다.
이처럼 이중의 시선을 거치면 한 사람의 판단만으로는 발견하기 어려운 미세한 오류까지도 포착할 수 있는 가능성이 높아집니다.
자율주행 센서 데이터의 라벨링 정확도 검증은 다음과 같은 요소로 구성됩니다.
이렇게 요소들이 함께 갖추어질 때 실제 도로 환경에서 신뢰할 수 있는 판단을 내리는 인공지능의 기반이 마련됩니다.
물체를 감싸는 표시가 실제 물체의 형태보다 지나치게 넓거나 좁게 그려지면 인공지능은 그 물체의 실제 크기나 위치를 왜곡되게 학습하게 되므로 이 경계의 정밀도를 확인하는 작업이 검증의 중요한 부분을 차지합니다. 물체의 가장자리가 다른 사물과 겹쳐 있거나 그림자로 인해 경계가 흐릿한 상황에서는 이런 정밀도 확인이 더욱 까다로워집니다.
이런 경계 검증은 여러 검증자가 독립적으로 같은 자료를 살펴본 뒤 그 결과를 비교하는 방식으로 이루어지면 개인의 판단 편차로 인한 오류를 줄이는 데 도움이 됩니다.
자율주행 차량은 카메라 외에도 거리를 측정하는 여러 감지 장치를 함께 사용하는 경우가 많으므로 이런 여러 장치에서 얻은 정보가 서로 일치하는 대상을 가리키고 있는가를 확인하는 작업이 중요합니다. 카메라 영상에서 표시한 물체의 위치와 다른 감지 장치가 측정한 위치가 서로 어긋난다면 이는 라벨링 과정에서의 오류이거나 각 장치 사이의 조정이 제대로 이루어지지 않았다는 신호일 수 있습니다.
이러한 불일치를 발견하면 그 원인을 명확히 규명하여 라벨을 수정하거나 장치 간의 조정 작업을 다시 진행하는 후속 조치가 이어져야 합니다.
같은 물체가 여러 장면에 걸쳐 등장할 때 그 물체에 부여된 표시가 중간에 갑자기 다른 물체로 잘못 연결되거나 사라졌다가 다시 나타나는 것처럼 부자연스럽게 처리되지는 않았는가를 확인하는 것도 중요한 검증 항목입니다. 이런 추적의 일관성이 깨지면 인공지능은 물체의 움직임을 잘못 이해하게 되어 실제 상황에서 위험한 판단으로 이어질 수 있습니다. 검증이란 정지된 한 장면만을 살펴보는 것을 넘어 연속된 흐름 전체를 함께 확인해야 하므로 다른 검증 항목보다 더 많은 시간과 주의가 요구됩니다.
자율주행 센서 데이터 라벨링의 정확도 검증은 이미 완성된 것처럼 보이는 데이터에도 마지막까지 신중한 시선을 거두지 않는 작업입니다. 경계 상자의 정밀도와 다중 감지 장치 간의 일관성 그리고 연속된 장면에서의 추적 정확성까지 여러 층위의 확인이 함께 이루어질 때 자율주행 인공지능은 실제 도로 위에서 사람의 생명을 지킬 수 있는 신뢰할 수 있는 판단력을 갖추어 나갈 수 있습니다.
.svg)
.svg)
