데이터 과학자와 AI 개발자가 이미지나 영상 데이터를 이용하는 머신 러닝 관련 프로젝트를 추진할 때 피해갈 수 없는 작업 중 아무리 경험이 많아도 생산성이 높아지지 않는 것이 하나 있습니다. 바로 레이블 작업입니다. 단순 반복적인 일이다 보니 경험이 많다고 작업 시간이 줄 거나 효율이 높아지지 않습니다. 그렇다고 외부에 맡길 수는 없습니다. 데이터 과학자와 AI 개발자에게나 단순한 일이지, 해당 프로젝트에 대한 이해가 없는 외부인은 다양한 객체에 어떤 기준으로 레이블을 달지 결정하기 어려운 순간이 꽤 많아 작업이 쉽지 않습니다. 이런 이유로 많은 기업이 AI 프로젝트의 생산성과 효율성을 높이기 위해 내부 데이터 과학자와 AI 개발자를 위한 레이블 툴을 도입합니다. 오늘 포스팅에서는 순수 국내 기술로 개발한 레이블 툴인 X-labeller를 간단히 살펴보겠습니다.
영상이나 사진에서 사람의 얼굴 같은 특정 객체를 탐지해 레이블 작업을 하는 툴은 여러 가지가 있습니다. Labelbox, OpenLabeler, RectLabel 등 평이 좋은 것들이 꽤 있습니다. 클라우드의 경우 AWS Deep Learning AMI 등을 통해 유사 서비스를 받을 수 있습니다. 대부분 깃허브에 올라온 툴을 쓰시죠. 잘 이용하는 곳도 있지만 잠시 써보고 불편해하는 곳도 많습니다. 엔터프라이즈 환경이라면 지속해서 전문 교육과 지원 서비스를 받을 수 있는 툴을 쓰는 것이 여러모로 유리합니다. (주)씨이랩에서 개발한 X-labeller는 이런 시장의 요구를 수용하기 위해 만들어졌습니다.
X-labeller는 단순한 레이블 툴이 아니라 영상과 이미지 데이터 기반 AI 트레이닝을 위한 솔루션입니다. 왜 솔루션이라 부를까요? 다음은 X-labeller의 작업 절차입니다. 이를 보면 알 수 있듯이 레이블 작업을 지원할 뿐 아니라 레이블 데이터를 선택해 학습을 위한 데이터 세트를 구성하고 이를 트레이닝하여 레이블 작업을 AI 기반으로 자동화하는 선순환 구조를 만들어 줍니다.
X-labeller의 특징은 크게 다섯 가지로 요약할 수 있습니다.
쉽고 편리한 사용성: 비전문가도 X-labeller로 학습 모델 개발이 가능합니다.
쉬운 데이터 관리: 직관적인 UI로 데이터 흐름을 쉽게 파악 및 관리할 수 있습니다.
데이터 독립성 유지: 레이블 작업과 학습을 동시에 수행할 수 있습니다.
쉬운 학습 모델 성장: 사용자가 학습한 모델로 Auto Labeling 제공, 레이블 데이터 병합을 통해 더 나은 성장형 학습 모델을 생성합니다.
다중 사용자 접근: 여러 사용자가 접근해 사용할 수 있으며, 작업 데이터는 공유가 가능합니다.
이외에 GPU 클러스터 노드 개수 조절도 간편한 것도 눈에 띄는 특징입니다.
X-labeller 데모 또는 상세 문의는 유클릭으로 해주시면 감사 하곘습니다.
#유클릭 #인공지능 #AI #머신러닝_라벨링_툴 #딥러닝_라벨링_툴 #데이터과학자 #AI개발자 #X_labeller #머신러닝_레이블 #딥러닝_레이블 #AI_레이블_솔루션 #LabelBox #AWS_AMI