AI의 시대

IDS NXT를 통해, 머신 러닝과 전체 어플리케이션 워크플로우를 매핑하는 AI 비전 생태계를 설계했습니다. 이 솔루션을 통해 사용자의 시간과 비용이 절약됩니다.

클라우드 AI 비전

AI 비전 소프트웨어인 IDS lighthouse를 통해 AI를 시작할 수 있습니다. 자체 어플리케이션에 대한 AI 방식의 적합성을 테스트할 수 있습니다. 더 세분화된 작업을 수행하기 위해서는 작업자가 직접 IDS NXT 카메라용 Vision App을 만들 수도 있습니다. 별도의 교육이나 개발 환경 설정이 필요하지 않습니다. 이렇게 개별 AI 비전 시스템 구현 및 테스트가 쉽게 가능합니다. AI 비전 개발의 복잡한 전체 프로그래밍 과정은 이해하기 쉬운 인터페이스와 도구 탭으로 대체되었습니다.

더 많은 지원, 더 빠른 라벨링

프로젝트가 시작되면 어플리케이션 마법사가 작업을 식별한 후 AI 방식을 선택하고, 적합한 Vision App 프로젝트를 준비할 수 있게 해줍니다. 보다 개별적인 접근을 원하는 사용자는 블록 기반 에디터(Block-based Editor)를 사용하여, 플랫폼 별 프로그래밍이나 프로그래밍 언어의 특수 문법을 다룰 필요 없이 드래그 & 드롭으로 만들어진 함수 블록을 활용하여 프로세스 시퀀스를 만들 수 있습니다. 이를 통해 어플리케이션을 기술하는데 더 큰 유연성을 제공하는 동시에 프로세스를 쉽게 이해할 수 있도록 합니다.

데이터 관리자 포함

향후, AI Vision Studio는 훈련 데이터를 준비에 더 많은 지원을 제공할 예정입니다. 자동 라벨링 시스템은, 가져온 이미지 데이터 및 ROI를 갖는 특정 컨텐츠를 적절하게 라벨링한 데이터 세트로 신속하게 구성할 수 있도록 합니다. 이는 이미지 컨텐츠로 데이터 세트를 확장하여, 재훈련을 통해 네트워크를 개선하는데 도움이 됩니다.

더 적은 데이터로, 더 높은 신뢰성을

모든 대상 클래스에 균일한 양의 충분한 데이터를 제공하는 것은 많은 시간이 소요됩니다. 특히 오류 사례들은 가능한 모든 형태로 발생할 수 있기 때문에, 종종 GOOD 및 BAD 부분의 불균형이 생깁니다. 따라서, 준비 과정에서 훈련 데이터가 보다 적게 필요한 솔루션을 제공하는 것이 중요합니다. 분류 및 물체 감지 외에도, 사용자는 향후 GOOD 부분의 정상 편차를 초과하는 알려진 오류 사례들뿐만 아니라 알려지지 않은 오류 사례들 모두를 식별할 수 있는 이상 감지(Anomaly Detection)를 활용할 수 있습니다. 이는 다른 AI 방법에 비해 상대적으로 적은 훈련 데이터를 필요로 합니다. 즉, 어떤 물체가 "전형적인(typical)" 것으로 보이는지 오랜 시간 학습한 사람이 알아차릴 수 있다면, 이는 이상 감지(Anomaly Detection) 기능이 있는 AI 시스템으로도 식별 가능합니다. 따라서 이상 감지(Anomaly Detection)는, 수동으로 수행되는 육안 검사를 줄이는 동시에, 초기 단계에서 생산 프로세스의 오류를 감지하고 방지함으로써 품질 관리를 지원하는 또 다른 유용한 도구입니다.

이해하기 쉬운 AI

더 나은 이해를 위해, AI Vision Studio에서 직접 AI 어텐션의 히트 맵 시각화가 제공됩니다. 테스트 데이터 세트를 평가하는 동안 일종의 히트 맵을 생성하는 특수한 네트워크 모델이 훈련에 사용됩니다. 이는 신경망에서 가장 많은 관심을 받게되어, 결과와 성능에 영향을 미치는 이미지 영역을 강조 표시합니다. 부정확하거나 대표성이 낮은 훈련 이미지들은 AI가 원치 않는 특징들에 민감하게 반응할 수 있도록 합니다. 실수로 훈련된 제품 라벨조차도 결과를 변조할 수 있습니다. 이러한 "잘못된" 훈련의 원인을 데이터 편향이라고 합니다.

이러한 어텐션 맵(attention maps)은 AI 기반 의사 결정에 대한 우려를 줄이고, 산업 환경에서 수용도를 높이는 데 도움이 됩니다.