Offcanvas

������������������ ������������������

“6년 동안 10배 성장”··· 컴퓨터 비전, 온 누리에 날아오른다

지난 몇 년 동안 컴퓨터 비전의 활용상이 확대됐다. 사용자의 얼굴을 인식하는 스마트폰부터 스스로 주행하는 자동차, 선박의 움직임을 추적하는 위성까지 컴퓨터 비전의 비즈니스 가치가 그 어느 때보다 명확해졌다.  하지만 팬데믹이 그 잠재력을 가속화시켰음에도 불구하고 일부 기업들이 컴퓨터 비전의 가능성을 실증하는 데 어려움을 겪고 있다. 특히 팬데믹 이후 불거진 물류 문제 및 인력 문제가 주요 원인이다. 다양한 산업에 속한 기업들이 주요 비즈니스 프로세스를 개선하고 최적화하기 위해 컴퓨터 비전을 배치하는 방법을 살펴본다.   컴퓨터 비전이란? 컴퓨터 비전은 이미지와 비디오를 처리해 유의미한 정보를 추출하는 인공지능 분야다. 컴퓨터 비전의 예로는 광학 문자 인식, 이미지 인식, 패턴 인식, 얼굴 인식, 객체 감지 및 분류 등이 있다. 컴퓨터 비전을 활발히 활용하는 산업으로는 제조, 의료, 자동차, 농업, 물류, 공급망이 있다. 기업에서 컴퓨터 비전을 배치하는 주요 동인은 자동화, 프로세스 개선 및 생산성, 규제 준수 및 안전 등이다. IDC의 분석가 매트 아카로는 “시장이 너무 빠르게 성장하고 있기 때문에 따라가기가 어렵다”라고 말하면서 팬데믹으로 인해 사회적 거리두기를 지원하거나 얼마나 많은 사람들이 대중교통을 이용하는지 추적하기 위한 사용 모니터링 등 컴퓨터 비전 도입이 가속화되었다고 덧붙였다. 아카로는 “CCTV 카메라가 많기 설치돼 있었기에 (컴퓨터 비전 기술을 접목하는 것이) 자연스러운 수순이었다. 정부 의무사항 또는 조직의 전략적 선택으로 인해 투자가 늘어나곤 했다”라고 말했다. IDC에 따르면, 전 세계 컴퓨터 비전 기술 시장 규모는 2020년의 7억 6,000만 달러에서 올 해 21억 달러로 성장한다. 2025년까지 57%의 연평균 성장률로 72억 달러의 시장 가치에 도달할 것이라고 IDC는 덧붙였다. 이 밖에 지금까지는 온프레미스 방식이 주류지만 2025년께는 퍼블릭 클라우드 배치가 컴퓨터 비전 지출의 48%를 차지...

컴퓨터 비전 머신 비전 이미지 처리 동영상 처리 전이 학습 질환 진단

2022.06.27

지난 몇 년 동안 컴퓨터 비전의 활용상이 확대됐다. 사용자의 얼굴을 인식하는 스마트폰부터 스스로 주행하는 자동차, 선박의 움직임을 추적하는 위성까지 컴퓨터 비전의 비즈니스 가치가 그 어느 때보다 명확해졌다.  하지만 팬데믹이 그 잠재력을 가속화시켰음에도 불구하고 일부 기업들이 컴퓨터 비전의 가능성을 실증하는 데 어려움을 겪고 있다. 특히 팬데믹 이후 불거진 물류 문제 및 인력 문제가 주요 원인이다. 다양한 산업에 속한 기업들이 주요 비즈니스 프로세스를 개선하고 최적화하기 위해 컴퓨터 비전을 배치하는 방법을 살펴본다.   컴퓨터 비전이란? 컴퓨터 비전은 이미지와 비디오를 처리해 유의미한 정보를 추출하는 인공지능 분야다. 컴퓨터 비전의 예로는 광학 문자 인식, 이미지 인식, 패턴 인식, 얼굴 인식, 객체 감지 및 분류 등이 있다. 컴퓨터 비전을 활발히 활용하는 산업으로는 제조, 의료, 자동차, 농업, 물류, 공급망이 있다. 기업에서 컴퓨터 비전을 배치하는 주요 동인은 자동화, 프로세스 개선 및 생산성, 규제 준수 및 안전 등이다. IDC의 분석가 매트 아카로는 “시장이 너무 빠르게 성장하고 있기 때문에 따라가기가 어렵다”라고 말하면서 팬데믹으로 인해 사회적 거리두기를 지원하거나 얼마나 많은 사람들이 대중교통을 이용하는지 추적하기 위한 사용 모니터링 등 컴퓨터 비전 도입이 가속화되었다고 덧붙였다. 아카로는 “CCTV 카메라가 많기 설치돼 있었기에 (컴퓨터 비전 기술을 접목하는 것이) 자연스러운 수순이었다. 정부 의무사항 또는 조직의 전략적 선택으로 인해 투자가 늘어나곤 했다”라고 말했다. IDC에 따르면, 전 세계 컴퓨터 비전 기술 시장 규모는 2020년의 7억 6,000만 달러에서 올 해 21억 달러로 성장한다. 2025년까지 57%의 연평균 성장률로 72억 달러의 시장 가치에 도달할 것이라고 IDC는 덧붙였다. 이 밖에 지금까지는 온프레미스 방식이 주류지만 2025년께는 퍼블릭 클라우드 배치가 컴퓨터 비전 지출의 48%를 차지...

2022.06.27

머신러닝 프로젝트를 '레벨 업'시킬 수 있는 8가지 방법

데이터를 분류하거나 결과를 예측해야 하는가? 머신러닝(ML) 프로젝트 진행에 어려움을 겪고 있는가? 상황을 호전시킬 수 있는 다양한 기법들이 있다. 아래에서 논의하는 8가지 방법 중 일부는 ML 프로세스를 극적으로 가속화할 것이며, 프로세스를 가속화할 뿐 아니라 더 나은 모델을 구축하는 데 도움이 되는 것들도 있을 것이다. 이 모든 기법이 특정 프로젝트에 적합하지는 않을 것이다. 단, 첫 번째인 탐구 데이터 분석은 거의 모든 프로젝트에 유효하다. ML 또는 딥러닝 프로젝트를 도약시킬 수 있는 8가지 방법을 살펴본다.    탐구 데이터 분석부터 시작하라 데이터를 심층적으로 검토하지 않고 ML 훈련에 바로 뛰어드는 것은 설계 없는 건축과 같다. 많은 노력이 필요하며 큰 보람도 없을 것이다. 탐구 데이터 분석(Exploratory data analysis)은 그래픽 및 통계 방법을 결합한다. 좀더 보편적인 기법으로는 개별적인 변수에 대한 히스토그램 및 상자-수염 플롯, 변수 쌍에 대한 분산 차트, 변수들 사이의 상관관계를 쌍별 상관관계에 대한 히트맵 플롯으로 표시하는 기술통계 플롯 등이 있다. 탐구 데이터 분석에는 또한 PCA(Principal Component Analysis)와 NLDR(Nonlinear Dimensionality Reduction) 등 차원수 감소 기법도 포함될 수 있다. 시간 의존적인 데이터의 경우 시간을 기준으로 미가공 변수와 통계에 대한 선도표를 작성해야 하며, 이를 통해 폭풍과 (에헴) 유행병 등의 외부 효과로부터 발생하는 계절적 및 요일별 변동과 변칙적인 움직임을 파악할 수 있다. 탐구 데이터 분석은 단순한 통계 그래프가 아니다. 이것은 데이터를 모델에 강제로 적용하는 대신에 열림 마음가짐을 유지할 수 있도록 도와주기 위해 고안된 데이터 분석에 대한 철학적인 접근방식이다. 요즈음에는 탐구 데이터 분석에 관한 많은 아이디어가 데이터 마이닝에 통합됐다. 자율 클러스터를 구축하라 클러스터 분석(Cluster a...

탐구 데이터 분석 머신러닝 프로젝트 자율 클러스터 반자율 학습 AutoML 전이 학습 모델 주 하이퍼파라미터 옵티마이저

2021.04.02

데이터를 분류하거나 결과를 예측해야 하는가? 머신러닝(ML) 프로젝트 진행에 어려움을 겪고 있는가? 상황을 호전시킬 수 있는 다양한 기법들이 있다. 아래에서 논의하는 8가지 방법 중 일부는 ML 프로세스를 극적으로 가속화할 것이며, 프로세스를 가속화할 뿐 아니라 더 나은 모델을 구축하는 데 도움이 되는 것들도 있을 것이다. 이 모든 기법이 특정 프로젝트에 적합하지는 않을 것이다. 단, 첫 번째인 탐구 데이터 분석은 거의 모든 프로젝트에 유효하다. ML 또는 딥러닝 프로젝트를 도약시킬 수 있는 8가지 방법을 살펴본다.    탐구 데이터 분석부터 시작하라 데이터를 심층적으로 검토하지 않고 ML 훈련에 바로 뛰어드는 것은 설계 없는 건축과 같다. 많은 노력이 필요하며 큰 보람도 없을 것이다. 탐구 데이터 분석(Exploratory data analysis)은 그래픽 및 통계 방법을 결합한다. 좀더 보편적인 기법으로는 개별적인 변수에 대한 히스토그램 및 상자-수염 플롯, 변수 쌍에 대한 분산 차트, 변수들 사이의 상관관계를 쌍별 상관관계에 대한 히트맵 플롯으로 표시하는 기술통계 플롯 등이 있다. 탐구 데이터 분석에는 또한 PCA(Principal Component Analysis)와 NLDR(Nonlinear Dimensionality Reduction) 등 차원수 감소 기법도 포함될 수 있다. 시간 의존적인 데이터의 경우 시간을 기준으로 미가공 변수와 통계에 대한 선도표를 작성해야 하며, 이를 통해 폭풍과 (에헴) 유행병 등의 외부 효과로부터 발생하는 계절적 및 요일별 변동과 변칙적인 움직임을 파악할 수 있다. 탐구 데이터 분석은 단순한 통계 그래프가 아니다. 이것은 데이터를 모델에 강제로 적용하는 대신에 열림 마음가짐을 유지할 수 있도록 도와주기 위해 고안된 데이터 분석에 대한 철학적인 접근방식이다. 요즈음에는 탐구 데이터 분석에 관한 많은 아이디어가 데이터 마이닝에 통합됐다. 자율 클러스터를 구축하라 클러스터 분석(Cluster a...

2021.04.02

데이터 준비에서 HW 선택까지··· '머신러닝 트레이닝' 안내서

머신러닝(ML)을 제대로 활용하기 위한 기본 전제는 모델을 적절히 훈련시키는 것이다. 데이터로부터 신뢰할 만한 결과를 도출해내는데 참고할 만한 12가지 조언을 정리했다.    ML은 오늘날 가장 실용적인 AI 응용 기술이라고 말할 수 있다. ML시스템은 명시적인 프로그래밍 없이, 데이터에 알고리즘을 적용해 인사이트를 도출한다. 즉, 데이터를 활용해 질문에 답을 찾아낼 수 있다. 오늘날 많은 기업들이 고객 구매 패턴에서 유지보수 및 관리에 대한 예측까지 다양한 문제에 ML을 적용해 활용하고 있다. 그러나 ML 시스템이 질문에 제대로 대답하기 위해서는 데이터와 결과에 대한 트레이닝이 실시되어야 한다. 여기에는 이유가 있다. ML 시스템은 질문에 대답을 할 때 사용할 데이터와 같은 종류의 데이터를 ‘체험’하는 방법을 통해 데이터에서 예측을 할 수 있는 능력을 키울 수 있기 때문이다. 이를테면 구성요소에 장애가 발생할지 여부를 예측하는 경우, 먼저 기능을 하는 구성요소와 장애가 발생한 구성요소 모두에서 센서 판독 데이터를 수집 공급하는 방법으로 ML 시스템을 트레이닝해야 한다. 지루한 단계이지만, ML을 정확히 구현하는데 아주 중요한 단계이다. 이 단계가 잘못되면, 시스템이 원하는 결과를 만들어내지 못한다. ML을 트레이닝 하면서 자주 저지르는 실수들이 있다. 또 ML 시스템을 배포하기 훨씬 전에 내려야 할 결정들이 있다. 이를 나중에 다루려 할 경우 대가를 치를 수 있다. 머신러닝을 훈련시킬 때 알아야 할 사항들을 정리했다.  데이터 품질 확보 일단 데이터가 제대로 준비해야 ML 시스템 트레이닝을 시작할 수 있다. 인텔 AI 제품 그룹의 세일즈 강화 디렉터인 에릭 가드너는 “데이터를 올바르게 준비하는데 많은 시간이 소요되지만, 이 부분이 간과되는 경우가 많다. 현대적인 데이터 인프라 구축, 수집 및 생성할 데이터 파악, 클린업에 많은 시간이 소요될 수 있다”라고 말했다. 여기에는 중복 데이터, 손상 데이터, 누락 데이터 문제...

훈련 데이터 세트 트레이닝 데이터 품질 편향 데이터 포이즈닝 전이 학습 합성 데이터

2020.05.08

머신러닝(ML)을 제대로 활용하기 위한 기본 전제는 모델을 적절히 훈련시키는 것이다. 데이터로부터 신뢰할 만한 결과를 도출해내는데 참고할 만한 12가지 조언을 정리했다.    ML은 오늘날 가장 실용적인 AI 응용 기술이라고 말할 수 있다. ML시스템은 명시적인 프로그래밍 없이, 데이터에 알고리즘을 적용해 인사이트를 도출한다. 즉, 데이터를 활용해 질문에 답을 찾아낼 수 있다. 오늘날 많은 기업들이 고객 구매 패턴에서 유지보수 및 관리에 대한 예측까지 다양한 문제에 ML을 적용해 활용하고 있다. 그러나 ML 시스템이 질문에 제대로 대답하기 위해서는 데이터와 결과에 대한 트레이닝이 실시되어야 한다. 여기에는 이유가 있다. ML 시스템은 질문에 대답을 할 때 사용할 데이터와 같은 종류의 데이터를 ‘체험’하는 방법을 통해 데이터에서 예측을 할 수 있는 능력을 키울 수 있기 때문이다. 이를테면 구성요소에 장애가 발생할지 여부를 예측하는 경우, 먼저 기능을 하는 구성요소와 장애가 발생한 구성요소 모두에서 센서 판독 데이터를 수집 공급하는 방법으로 ML 시스템을 트레이닝해야 한다. 지루한 단계이지만, ML을 정확히 구현하는데 아주 중요한 단계이다. 이 단계가 잘못되면, 시스템이 원하는 결과를 만들어내지 못한다. ML을 트레이닝 하면서 자주 저지르는 실수들이 있다. 또 ML 시스템을 배포하기 훨씬 전에 내려야 할 결정들이 있다. 이를 나중에 다루려 할 경우 대가를 치를 수 있다. 머신러닝을 훈련시킬 때 알아야 할 사항들을 정리했다.  데이터 품질 확보 일단 데이터가 제대로 준비해야 ML 시스템 트레이닝을 시작할 수 있다. 인텔 AI 제품 그룹의 세일즈 강화 디렉터인 에릭 가드너는 “데이터를 올바르게 준비하는데 많은 시간이 소요되지만, 이 부분이 간과되는 경우가 많다. 현대적인 데이터 인프라 구축, 수집 및 생성할 데이터 파악, 클린업에 많은 시간이 소요될 수 있다”라고 말했다. 여기에는 중복 데이터, 손상 데이터, 누락 데이터 문제...

2020.05.08

IDG 설문조사

회사명:한국IDG 제호: ITWorld 주소 : 서울시 중구 세종대로 23, 4층 우)04512
등록번호 : 서울 아00743 등록일자 : 2009년 01월 19일

발행인 : 박형미 편집인 : 박재곤 청소년보호책임자 : 한정규
사업자 등록번호 : 214-87-22467 Tel : 02-558-6950

Copyright © 2022 International Data Group. All rights reserved.

10.5.0.9