플러스프로젝트 배경
DG 기반 이상탐지 AI가 추구하는 방향 1) 문제점 (Pain Point) - 기존 AI 모델의 구조적 한계 대부분의 AI 모델(YOLO, Transformer, MLP 등)은 **“고정된 데이터 분포(Static Distribution)”**를 가정하고 학습됨 실제 현장은 → 공정 변화, 환경 변화, 장비 노후화 등으로 지속적인 Drift 발생 - 결과: 시간이 지날수록 정확도 급락
프로젝트 성과
다양한 데이터셋에서 Dynamicgate MLP기반 모델의 시연 및 테스트
총 8개 고객사에 시연 및 테스트함.
예지보전, 이상탐지, Yolo 대비 성능 비교 등
잠재 고객사의 요청으로 MNIST, IoT, UGR, CIC-IDS2017 ( 허깅페이스 오픈된 데이터셋)으로 시연
예지보전, 이상탐지, Yolo 대비 성능 비교 등
잠재 고객사의 요청으로 MNIST, IoT, UGR, CIC-IDS2017 ( 허깅페이스 오픈된 데이터셋)으로 시연
핵심 기능
허깅페이스 데이터셋 적용 학습 및 추론 실제 데이터의 동작 상태를 시연하는 대시보드 개발
기존 MLP 모델과 비교 평가를 위해서 대시보드를 개발해서, 고객이 직접 실험 데이터를 비교할수 있게 만듦
확연하게 Dynamicgate MLP의 차이를 비교할수 있음
MoE와 차이점
추론 중 부분학습 시연 기능
확연하게 Dynamicgate MLP의 차이를 비교할수 있음
MoE와 차이점
추론 중 부분학습 시연 기능
진행 단계
고객 요구사항 정의
2025.11.
다양한 데이터셋에서 시연을 원했음
프로젝트 상세
이상탐지 AI PoC 포트폴리오 1) 포트폴리오 소개 서비스 카테고리: AI / 이상탐지 / 영상·시계열 데이터 분석 메인 타깃: 스마트팩토리 운영자, CCTV 관제 시스템 운영자, 네트워크/AIOps 관리자 소개: 실시간 데이터(영상·센서·시계열)에서 발생하는 이상 패턴을 탐지하고 Drift 환경에서도 성능이 유지되는 AI 모델(DynamicGate-MLP) 기반 PoC 개발. 기존 정적 모델(Y
