영상 데이터 자동 레이블링 시스템
현대 인공지능 기술의 핵심인 영상 학습 데이터 구축을 획기적으로 개선하기 위해 '달달'이라는 이름의 자동 레이블링 저작 도구가 개발되었습니다. 이 시스템은 단순한 저작 도구를 넘어 AI 기반의 자동 레이블링 기술과 순환형 학습 구조가 결합된 통합 솔루션입니다. 과거에는 작업자가 영상 내 객체를 일일이 찾아 테두리를 그리는 고된 수동 작업이 필수적이었으나, 이제는 시각지능 모델이 사전에 객체를 인식하여 레이블을 자동 생성합니다. 작업자는 생성된 결과물을 확인하고 검수하는 역할만 수행하면 되기에 작업의 편의성이 대폭 향상되었습니다. 이 시스템의 가장 큰 강점은 사용자의 추가 데이터를 바탕으로 끊임없이 진화하는 순환형 학습 구조에 있습니다. 일반적인 객체 인식 모델은 사전에 학습된 데이터 외의 새로운 객체를 인식하는 데 한계가 있지만, 본 시스템은 재훈련 기술을 통해 인식 성능을 지속적으로 보정합니다. 현재 약 80여 종의 사물을 사각형이나 다각형 형태로 정밀하게 인식하며, 도메인의 특성에 맞춰 모델을 유연하게 변경할 수도 있습니다. 이러한 방식은 작업자의 숙련도와 상관없이 일정한 품질의 데이터를 대량으로 확보할 수 있는 안정적인 기술적 기반을 제공합니다. 연구진은 실제 도로 영상 데이터 구축 과정에서 겪은 수동 작업의 번거로움을 해결하고자 이 기술을 고안하게 되었습니다. 단순히 편리한 도구를 만드는 것에 그치지 않고, AI 모델의 개발과 운영을 유기적으로 연결하는 데브옵스 개념을 접목한 것이 개발의 시작점이었습니다. 특히 모델의 성능을 스스로 개선할 수 있는 순환형 학습 구조를 구상하여 지식재산권으로 출원하는 성과도 거두었습니다. 이는 연구 현장에서의 실제적인 필요성이 창의적인 기술적 아이디어와 결합하여 현장의 문제를 해결하는 혁신적인 시스템으로 탄생한 좋은 사례라 할 수 있습니다. 기술 구현 과정에서는 모델 학습을 위한 자원 확보와 연산 시간 지연이라는 현실적인 장벽에 부딪히기도 했습니다. 실시간에 가까운 속도로 대용량 영상을 처리하기 위해 연구팀은 도커 기반의 컨테이너 구조를 채택하여 서비스와 훈련 과정을 효율적으로 연동했습니다. 이러한 구조적 개선을 통해 데이터 전송 시간을 제외하면 영상당 1초에서 2초 내외로 처리가 가능해질 만큼 속도를 끌어올렸습니다. 시행착오를 통해 완성된 이 기술은 현재 중소기업이나 연구 기관이 보유한 원천 데이터를 가치 있는 학습 데이터셋으로 변환하는 핵심 동력이 되고 있습니다. 현재 이 기술은 KISTI의 기계 학습 데이터 공유 플랫폼인 'AIDA(AI다)'를 통해 더욱 고도화되고 있습니다. 사용자들은 단순히 제공된 데이터셋을 내려받는 것에 그치지 않고, 워크벤치를 통해 자신에게 필요한 맞춤형 데이터를 직접 취합하고 레이블링할 수 있는 환경을 제공받습니다. '데이터로 세상을 바꾸다'라는 비전 아래, 누구나 고품질의 영상 데이터를 손쉽게 다루고 활용할 수 있는 기술적 토대를 마련하는 것이 연구의 최종 목표입니다. 앞으로 이 시스템이 대용량 데이터 생태계의 중심에서 더 많은 연구자와 기업에 큰 도움이 되기를 기대해 봅니다.
