인더스트리4.0 시대 분야를 막론하고 AI 도입은 선택이 아닌 필수다. 특히 제조업 현장에서 AI 기술은 품질 관리, 생산 최적화, 예지 유지 보수에 획기적인 도움을 준다. AI는 획기적인 기술이지만, 성공적으로 도입하고 활용하기는 쉽지 않다. 데이터 수집 및 전처리, 모델 개발, 학습, 배포, 운영 등 어려움이 존재하기 때문이다. 라온피플의 ‘EZ PLANET’은 AI 개발에 도움을 주는 플랫폼이다.
머신러닝은 국가 운영 시스템, 기업, 개인 생활 등 다양한 분야에 활용되고 있으며 그 범위는 지속적으로 확대되고 있다. 로봇의 눈, 제품 품질, 속성별 분리, 객체 인식 자율주행 등 다양한 분야에서 활용되고 있다.
이렇듯 머신러닝의 중요성은 더욱 커지고 다양하게 적용이 되고 있지만, 아직도 개발이 어려운 것이 사실이다. 예를 들어 제품마다 양불판정 기준이 다 다르다. 즉, 제품이 바뀔 때마다 재학습이 필요하다는 것이다. 머신러닝 개발은 프로젝트 수집, 데이터 수집 및 레이블링, 모델 학습, 평가, 배포 및 적용 등의 단계에서 무한 반복이다. 전문 지식을 갖춘 엔지니어가 비효율적인 작업을 반복하게 된다.
제조업 현장에서 기존 머신러닝 기술은 데이터 수집 및 전처리, 모델 개발 및 학습, 모델 배포 등에 한계가 존재했다. MLaaS(Machine Learning as a Service)는 기존의 한계점을 극복해 제조업 현장에서 머신러닝을 보다 쉽게 도입하고 활용할 수 있도록 한다.
AI 개발을 위한 인력, 비용, 시간 낭비가 심하고 중복되고 있는 것이 현실이다. 현장에선 ‘인공지능 개발에 도움을 주는 플랫폼’이 절실한 상황이다.
요구사항
1. 프로젝트 수립
프로젝트 수립 단계에서는 작업 유형별 다양한 라이선스가 존재해, 유형별 필요한 기능만 선별해 사용할 수 있는 라이선스 정책 필요성이 대두되고 있다. 또한 작업 유형에 따라 유저 그룹별 세부적인 권한을 부여하는 기능도 필요하다. 많은 기업이 보안을 이유로 데이터, AI 모델을 보호하기 위해 온프레미스 환경에서의 운영을 요구한다.
2. 데이터 수집 및 레이블링
데이터 수집 및 레이블링 단계에서는 효율적인 데이터 관리, 다양하고 빠른 전처리 방식 지원 등의 요구사항이 있다. 특히 레이블링 정책에 맞는 모델을 선택해 자동으로 레이블링할 수 있는 Auto Labeling이 필요하다.
3. 모델학습
기업은 고객의 다양한 ML모델과 버전을 관리해야 한다. 서로 다른 알고리즘을 비교 분석하고, 이를 학습한 여러 버전을 관리해 최상을 모델을 생성해야 한다. 빠른 모델 학습을 위해 학습(평가) 소요 시간 최소화가 필요하다. 특히 모델 학습(평가)에는 값비싼 GPU가 사용되기 때문에 비용을 최소화하기 위한 주문형 자원 활용이 필요하다.
4. 평가
모델 평가를 위한 결과 비교를 위해서는 모든 작업 결과에 대한 정형화된 데이터가 있어야 한다. 특히 모델 및 비전 및 평가 결과를 비교해 배포 대상을 선택할 수 있어야 한다. 또한 GUI 기반의 데이터 시각화가 필요하며, 이를 조합한 고객 맞춤형 대시보드 구성이 요구된다.
5. 배포 및 적용
배포 및 적용 단계에서는 원가 결과를 기반으로 한 자동 배포가 진행되어야 하며, 배포 방식은 배포 이력 관리, 고객 운영 환경에 맞게 다양하게 이뤄져야 한다.
AI 플랫폼 ‘EZ-PLANET’
라온피플의 EZ-PLANET은 앞선 문제를 해결할 수 있는 AI 네트워크 플랫폼이다. 이 솔루션은 손쉽게 AI 네트워크를 구성하고, 사용할 수 있게 도와줄 수 있다. 또한 EZ-PLANET은 MLaaS에 대한 시장의 모든 요구사항을 만족시키는 다양한 서비스로 구성됐다. PaaS로 구성된 내부 코어는 member, material, machinge learnig, eco-system, support, portal 등 6개의 주요 서비스로 이뤄졌다.
member domain 부문에서 EZ-PLANET은 고객의 업무 유형별 Account를 생성해 각 팀(혹은 계열사)별로 서비스를 할당한다. 팀/조직 내 직군별 권한을 할당해, 고객 업무 유형별 유저 그룹을 분리하고 다양한 permission 생성 및 할당도 가능하다.
material domain에서 EZ-PLANET은 대량 Content 전처리 작업을 한 번의 편집 절차 정의와 대상 선정만으로 일괄 진행한다. 일괄 전처리는 전처리 과정을 시뮬레이션하고, 전처리 과정 저장, 업로드 대상 선택, 전처리 과정 선택, 업로드 요청 등의 과정으로 진행된다. 특히 이 단계에서 Auto Labeling으로 특정 Data Set에 속한 Content들에 대해 라벨링 정책을 선택하여 자동 레이블링 수행할 수 있다. EZ-PLANET은 고객의 모델 알고리즘으로 새로 학습하거나 기존 학습 모델을 등록해 이어서 학습할 수 있도록 지원한다.
학습 시간이 오래 걸리면 회사의 경쟁력이 떨어진다. EZ-PLANET의 병렬 추론은 여러 대의 물리 서버와 다수의 인스턴스/프로세스로 Inference 수행해 한 번에 수십 개의 모델 버전을 학습/테스트해 학습 시간을 단축시킨다.
eco-system domain에서는 데이터 수집, 전처리, Auto Labeling, 학습, 테스트, 배포, 보고, Webhook 등의 태스크들을 파이프라인으로 연결한다. 또한 Auto Labeling, 학습, 테스트, 배포 등의 처리를 미리 설정한 스케줄에 따라 자동 수행할 수 있다.
EZ-PLANET은 프로젝트 수행 단계에서 필요한 기능 요구사항을 모두 만족시킬 뿐만 아니라 운영에 필요한 다양한 서비스도 지원한다. 특히 EZ-PLANET은 품질 요구사항을 만족시키기 위해 집중했다. EZ-PLANET의 다양한 서비스들은 모든 소프트웨어 품질의 요구사항인 사용성, 효율성, 신뢰성, 적합성, 운영성, 이식성, 보안성, 안전성을 만족한다.
헬로티 함수미 기자 |
