학습 데이터와 AI는 매우 밀접한 연관성을 가지고 있으며, AI 모델을 훈련시키기 위해서는 풍부하고 정확한 학습 데이터가 필요합니다. 학습 데이터는 AI 모델 학습하고 예측을 수행하는 데 사용되는 정보의 기반이 되고 이러한 학습 데이터에는 라벨링 작업이 필요하죠. 이번 레터에서는 AI 학습 데이터의 성능과 신뢰성을 높이는 방법을 이야기 합니다. 또한, 에이모의 핫한 토픽도 함께 준비했어요! 😍
라벨링은 데이터에 원하는 출력 또는 태그를 할당하는 과정입니다. 예를 들어, 자율주행차를 위한 AI 모델을 훈련시키기 위해 도로의 차선, 표지판, 보행자 등을 정확하게 라벨링하고 이렇게 작업된 라벨링은 AI 모델이 정확한 판단을 내릴 수 있도록 합니다. Read more »
AI 모델의 성능은 데이터의 질과 양에 따라 달라집니다. 더 많은 학습 데이터와 다양한 케이스를 포함한 데이터셋은 모델이 다양한 상황에 대응하고 더 정확한 예측을 수행할 수 있도록 돕습니다. 또한, 라벨링 작업의 검수 단계에서도 정확한 검수와 신속한 작업자와의 커뮤니케이션은 AI 모델의 품질 향상에 중요한 역할을 합니다.
따라서 AI 모델의 성능과 신뢰성을 향상시키기 위해서는정확하고 다양한 학습 데이터를 확보하고, 라벨링 작업과 검수 과정을 철저히 수행해야 합니다. 이를 통해 AI 모델은 실제 상황에서 더욱 정확하고 신뢰할 수 있는 예측을 제공할 수 있게 됩니다. Read more »
지난 달 28부터 3일간 미국 샌프란시스코에서 열린 ‘AUTO.AI USA 2023’에 참가했습니다. 이번 AUTO.AI에서 에이모는 자율주행에 특화된 데이터 솔루션인 AD-DaaS’를 소개하는 컨퍼런스에서 글로벌 시장에서의 자율주행 관련 업체와 미팅을 진행하였고, 자율주행 적용 사례를 공유하며 자율주행 모델의 고도화를 위한 지원 방안을 논의하였습니다. Read more »
또한 에이모 자율주행 R&D팀 이해봄 수석연구원의 'Generative Models in Data-centric AI'를 주제로 한 데이터 중심 AI 모델의 중요성과 에이모의 데이터 솔루션을 발표를 통해 ‘에이모의 AD-DaaS가 Data-centric AI 관점에서 대량의 데이터셋에서 최적화된 데이터를 큐레이션하고, Edge Case, Data Imbalance 문제를 해결할 수 있도록 생성 모델, 시뮬레이션을 활용해 합성 데이터를 사용한 고품질의 AI모델 학습에 대해 발표했습니다. Read more »
현재 자율주행차는 자체적인 센서와 알고리즘으로 ‘안전’을 보장할 수 있는 기술을 개발하고 있지만, 자율주행차가 운영되는 공간은 보행자, 비자율주행차 등의 돌발적인 행동과 주행을 포함해 악천후, 도로공사, 낙하물 등 자율주행차 자체로 예측과 판단하기 어려운 다양한 위험요소들이 공존하고 있습니다. 또한, 자율주행차가 ‘안전’을 만족하기 위해 보수적인 주행을 할 경우 오히려 교통 혼잡과 교통류를 방해하는 원인이 될 수 있습니다.
이러한 문제들로 인해 자율주행을 지원하는 인프라 구축의 필요성이 강조되고 있습니다. 이러한 필요성을 기반으로 인프라 측면에서 자율주행차가 안전하게 원활한 교통류를 생성할 수 있도록 가이드 정보를 제공하는 기술이 바로 ‘인프라 가이던스 기술’입니다. Read more »
에이모 김재환 CSO(사진)는 “에이모의 최적화 기술은 인프라 가이던스 서비스 대상의 공간과 교통 특성을 반영하면서 동시에 ODD를 만족하는 알고리즘을 개발할 수 있고 데이터 및 ML 파이프라인을 통해 지속적인 알고리즘 성능 고도화가 가능하다”며 “또한, 데이터 관련 비용을 절감할 수 있으며, 이러한 효과를 통해 결과적으로 인프라 가이던스 기술과 서비스의 상용화 가능성을 높이는데 기여할 수 있다”고 말했습니다.