플러스프로젝트 배경
프로젝트 배경 스마트 팩토리, 물류, 의료 등 비전 AI가 필요한 산업군에서 고품질 학습 데이터를 준비하는 과정의 비용적, 시간적 진입 장벽이 너무 높았습니다. 인적 자원의 피로도에 따른 라벨링 품질 저하를 막고, 최소한의 인간 개입으로 고품질 데이터셋을 빠르게 구축하는 자동화 인프라가 필수적이었습니다. 하여 일일히 검수하여 만드는 학습용 데이터셋을 빠르게 몇몇개의 예시와 검토 한두번으로 체계적으로 구성하
프로젝트 성과
전처리 비용 및 시간 80% 절감
작업자가 수백만 장의 이미지를 직접 그리는 방식에서 AI 초안 검수 방식으로 전환하여, 데이터 라벨링 소요 시간과 투입 비용을 평균 80% 이상 획기적으로 절감
초고속 AI 상용화 파이프라인 완성
소규모의 초기 데이터만으로도 AI 모델 개발부터 실제 서비스 배포(Deploy)까지 걸리는 전체 사이클을 획기적으로 단축하여 AI 도입 진입 장벽 철폐
사용할수록 진화하는 '운영 DNA' 축적
단순 학습을 넘어 사용자의 피드백을 실시간으로 학습(Active Learning)하여, 시간이 지날수록 해당 조직의 고유한 업무 패턴과 베테랑의 노하우를 완벽히 체화하는 '조직 전용 AI'로 진화시킵니다
판단하는 AI로의 패러다임 전환
데이터가 사람을 기다리는 기존 방식에서 벗어나, 시스템이 데이터를 먼저 해석하고 사람에게 최우선 작업 목록을 제시하는 '역방향 데이터 흐름(Reversed Data Flow)'을 구현
핵심 기능
불확실성 기반 능동 학습 (Uncertainty-driven Active Learning)
AI가 자신의 판단 결과 중 확신이 낮은 데이터만 정밀하게 식별하여 검수자에게 우선 제안합니다.이를 통해 인간의 개입을 최소화하면서도 모델의 정확도는 기하급수적으로 높이는 고성능 학습 루프를 완성했습니다.
진행 단계
비즈니스 플레이북 설계 및 데이터 거버넌스 수립
2025.10.
현장의 검수 기준을 디지털 규칙화하는 '플레이북' 아키텍처를 설계하고, 역방향 데이터 흐름(Reversed Data Flow) 기반의 파이프라인 구조를 확립
프로젝트 상세
본 프로젝트는 AI 비전(Vision) 모델 도입 시 가장 큰 병목 현상인 '데이터 라벨링 및 학습 시간'을 해결하기 위해, ANAI가 독자적으로 구축한 '지능형 이미지 모델 자동학습 파이프라인(Auto-Labeling System)' 구축 사례입니다. 일반적인 수작업 라벨링 방식은 전체 AI 프로젝트 기간의 60~80%를 소모합니다. ANAI는 이를 해결하기 위해 시스템이 이미지 속 대상과 결함 영역을
