.svg)
AI 솔루션 문의하기
제조 로봇에 AI를 적용하려면 카메라와 센서 등을 통해 수집한 데이터를 학습 목적에 맞게 가공하는 과정이 필요합니다. 제품의 위치나 부품의 종류, 로봇의 작업 상태 등을 데이터에 표시해야 AI 모델이 각각의 상황을 구분할 수 있기 때문입니다. 라벨링 플랫폼은 이러한 데이터를 수집한 뒤 작업자에게 배정하고 라벨링 결과를 검수하는 과정을 하나의 환경에서 관리하는 역할을 합니다. 데이터 규모가 커질수록 작업 현황과 품질을 지속적으로 확인할 수 있는 운영 체계가 중요합니다.
제조 현장에서는 로봇마다 수행하는 작업과 인식해야 하는 대상이 다릅니다. 조립 로봇은 부품의 위치와 조립 상태가 중요할 수 있고, 검사 로봇은 제품의 표면이나 불량 위치를 구분해야 할 수 있습니다. 따라서 플랫폼에서도 모든 데이터를 동일한 방식으로 처리하기보다 공정과 로봇의 역할에 따라 작업 유형을 나눌 필요가 있습니다. 라벨의 종류와 표시 방법, 예외 처리 기준을 작업 유형별로 정의해야 작업자 간 결과 차이를 줄일 수 있습니다.
수집된 이미지와 영상이 플랫폼에 등록되면 제품, 공정, 촬영 장비 등의 기준에 따라 데이터를 분류할 수 있습니다. 이후 작업 난이도나 전문성에 맞춰 담당자를 배정하고 진행 상황을 확인하는 방식으로 운영할 수 있습니다. 특히 데이터가 지속적으로 추가되는 제조 환경에서는 새롭게 수집된 데이터와 기존 데이터가 섞이지 않도록 버전이나 작업 단위를 구분하는 것이 필요합니다.
로봇이 작동하는 생산라인에서는 항상 동일한 장면만 나타나지 않습니다. 제품의 위치나 방향이 달라지고 작업자가 로봇 주변을 이동할 수도 있으며, 부품이 다른 물체에 가려지는 상황도 발생합니다.
플랫폼에서 이러한 데이터를 별도의 조건이나 작업 유형으로 관리하면 특정 상황에 편중된 데이터가 만들어지는 것을 줄일 수 있습니다.
여러 작업자가 동시에 라벨링에 참여하면 같은 데이터를 서로 다르게 판단하는 경우가 생길 수 있습니다. 이를 줄이기 위해 일부 데이터를 여러 작업자가 중복으로 라벨링하도록 하고 결과를 비교하는 방법을 사용할 수 있습니다. 기준이 모호한 데이터는 별도의 검수자에게 전달하고, 반복적으로 오류가 발생하는 유형은 작업 지침을 수정하는 방식으로 관리할 수 있습니다. 라벨링 결과를 단순히 통과시키는 것이 아니라 오류가 발생한 원인을 다시 작업 기준에 반영하는 과정이 필요합니다.
이미지나 영상에 표시된 라벨을 실제 생산 데이터와 연결하면 데이터의 활용 범위를 넓힐 수 있습니다. 촬영 시점과 생산 공정, 제품 정보, 로봇의 작업 상태 등을 함께 관리하면 특정 상황에서 어떤 작업이 수행됐는지 확인하기 쉬워집니다. 예를 들어 동일한 부품이라도 정상적으로 집은 경우와 집기에 실패한 경우를 구분해 기록할 수 있습니다. 라벨 데이터와 로봇의 작업 이력을 연결하면 AI 학습뿐 아니라 생산 과정 분석에도 활용할 수 있습니다.
라벨링 플랫폼에서는 작업량뿐 아니라 결과물의 품질을 지속적으로 확인해야 합니다.
생산품이나 공정이 변경되면 기존 라벨 기준을 수정해야 할 수도 있으므로 변경된 기준이 어느 시점부터 적용됐는지도 함께 기록하는 것이 좋습니다.
제조 로봇 데이터는 한 번 구축한 뒤 끝나는 것이 아니라 생산품과 공정이 바뀌면서 계속 추가될 수 있습니다. 따라서 플랫폼을 운영할 때는 신규 데이터 등록부터 작업 배정, 라벨링, 검수, 수정, 데이터셋 반영까지 반복되는 과정을 고려해야 합니다. 공정별 라벨 기준과 작업 이력, 검수 결과를 체계적으로 관리하면 새롭게 수집되는 데이터에도 동일한 기준을 적용하기 수월하며, 제조 로봇 AI 학습에 필요한 데이터셋을 지속적으로 관리할 수 있습니다.
.svg)
.svg)
