.svg)
AI 솔루션 문의하기
한 번 라벨링을 마친 데이터셋이라도 시간이 지나면 처음의 정확도를 그대로 유지하지 못하는 경우가 있습니다. 설비가 노후하거나 원자재가 바뀌거나, 검사 기준 자체가 개정되면 예전 기준으로 붙여진 라벨은 더 이상 지금의 현실과 맞지 않습니다. 주기적으로 기존 데이터를 다시 살펴보고, 현재 기준과 어긋나는 라벨을 찾아 바로잡는 절차가 불량검출 학습데이터 보정의 기본 방향입니다. 데이터를 처음 구축할 때 들인 노력만큼이나, 그 데이터가 시간이 지나도 현실과 어긋나지 않도록 유지하는 노력도 꾸준히 이어져야 학습된 모델의 판단이 계속 정확하게 남습니다.
검사 카메라나 조명 장비를 교체하면 같은 제품을 촬영해도 이전과는 다른 이미지가 나옵니다. 이런 변화가 반영되지 않은 채 예전 데이터를 그대로 섞어 쓰면, 모델은 실제 불량 여부와 무관한 장비 차이를 불량의 신호로 잘못 학습할 수 있습니다. 설비 교체 시점을 기준으로 이전 데이터와 이후 데이터를 구분해 표시하고, 두 시기의 데이터가 실제로 같은 기준을 나타내는지 표본을 뽑아 비교하는 절차가 필요합니다. 이 표시가 없으면 나중에 성능 저하가 발견되었을 때 원인이 설비 변화 때문인지 다른 요인 때문인지 구분하기 어려워, 문제를 해결하는 데 걸리는 시간도 함께 길어집니다.
불량 판정 기준 자체가 개정되면, 그 개정 이전에 라벨링된 데이터도 새 기준에 맞게 다시 살펴봐야 합니다. 예전에는 경미한 흠으로 분류되던 사례가 새 기준에서는 불량으로 다뤄질 수도 있고, 그 반대의 경우도 있습니다. 기준이 바뀐 시점 이전의 데이터를 새 기준으로 다시 판정하고, 판정이 달라진 사례만 골라 라벨을 수정하는 절차를 두면 전체 데이터를 처음부터 다시 작업하지 않고도 기준 변경을 반영할 수 있습니다. 전체를 처음부터 다시 판정하기보다 달라진 사례만 골라내는 이 방식은, 방대한 데이터셋을 다룰 때 시간과 인력을 훨씬 아낄 수 있는 실질적인 접근입니다.
검사 단계에서는 정상으로 분류되었지만, 출하된 이후 고객 쪽에서 불량으로 확인되는 사례가 있습니다. 이런 사례는 검사 당시의 라벨이 실제로는 틀렸다는 사실을 뒤늦게 알려 줍니다. 출하 후 불량으로 확인된 사례를 추적해, 해당 제품이 검사 단계에서 어떻게 라벨링되었는지 되짚어 보고 그 원인을 데이터 보정에 반영하는 절차가 필요합니다. 이 피드백이 없으면 같은 유형의 오류가 계속 반복될 수 있습니다. 고객사로부터 접수되는 불량 신고를 검사 데이터와 곧바로 연결할 수 있는 체계를 갖춰 두면, 이 되짚어 보는 작업에 걸리는 시간도 함께 줄어듭니다.
불량 유형별로 데이터 수량이 고르지 않으면, 모델은 사례가 많은 유형에 치우쳐 학습하고 드문 유형은 제대로 익히지 못합니다. 사례가 지나치게 적은 불량 유형은 유사 사례를 추가로 확보하거나 증강하고, 지나치게 많은 유형은 대표성 있는 표본만 남기고 나머지를 정리하는 절차를 두면 이런 불균형을 완화할 수 있습니다. 이 조정은 실제 현장에서 발생하는 불량의 비율과 지나치게 동떨어지지 않도록 신중하게 이루어져야 합니다. 데이터 수량만 억지로 맞추려다 실제 발생 빈도와 동떨어진 비율로 조정하면, 모델이 학습하는 세상과 실제 공정 현장의 세상이 서로 어긋나는 역효과가 생길 수 있습니다.
데이터를 모으는 과정에서 촬영 오류나 작업자의 실수로 실제와 다른 라벨이 섞여 들어가는 경우가 있습니다. 이런 이상치는 소량이라도 모델의 판단 기준을 왜곡할 수 있습니다. 정상 범위를 크게 벗어나는 이미지나 다른 라벨과 뚜렷하게 어긋나는 사례를 통계적으로 찾아내 별도로 재검토하는 절차를 두면 이런 오염된 데이터를 걸러낼 수 있습니다. 촬영 도중 렌즈에 이물질이 묻거나 조명이 순간적으로 흔들린 사례처럼, 라벨 자체의 오류보다 촬영 환경의 문제로 생긴 이상치도 함께 섞여 있을 수 있어 원인을 구분해 처리하는 세심함이 필요합니다.
데이터를 보정할 때마다 무엇을 왜 바꾸었는지 기록해 두지 않으면, 나중에 어떤 버전의 데이터로 어떤 성능이 나왔는지 추적하기 어려워집니다. 보정이 이루어질 때마다 변경 사유와 변경된 라벨의 목록을 별도로 기록하고, 데이터셋의 버전을 구분해 관리하는 절차가 필요합니다. 이 기록이 있어야 보정 이후 성능이 오히려 나빠졌을 때 원인을 정확히 되짚어 볼 수 있습니다.
데이터를 보정했다고 해서 그 효과가 자동으로 모델에 반영되지는 않습니다. 보정된 데이터로 모델을 다시 학습시키고, 그 결과를 이전 모델과 비교하는 과정이 함께 뒤따라야 합니다. 보정 작업이 끝난 시점을 기준으로 재학습 일정을 잡고, 보정 전후 모델의 성능 차이를 비교해 보정의 효과를 확인하는 절차를 두면 데이터 보정이 실제 성능 개선으로 이어지고 있는지 검증할 수 있습니다.
보정을 너무 자주 하면 그때마다 재학습에 드는 자원 부담이 커지고, 너무 뜨문뜨문하면 기준이 어긋난 데이터가 오래 쌓여 있는 상태로 방치됩니다. 설비나 원자재 변경처럼 예정된 변화가 있을 때는 그 시점에 맞춰 보정을 진행하고, 특별한 변화가 없는 기간에는 정기적인 표본 점검으로 보정 필요성을 판단하는 절차를 두면 이 균형을 잡을 수 있습니다.
.svg)
.svg)
