솔루션/기술

효율적 학습 기술

인공지능은 데이터가 많을수록 정확도가 높아지는 것은 분명한 사실입니다. 하지만 데이터에 정확한 라벨 정보를 제공하는 작업은 사람에 의해 진행되는 작업이고 노력과 시간이 많이 소요되는 작업이므로 많은 데이터를 준비하는 것은 쉽지 않은 과정입니다.

이런 경우 인공지능이 현재 자신의 상태를 기반으로 하여 어떤 데이터가 필요한지에 대한 정보를 제공한다면 작업자는 더 적은 라벨링 작업을 통해 효율적으로 작업을 할 수 있게 됩니다.

대표문의
sales@laonpeople.com031-707-7052온라인문의
목록

제품별 사양 정보

정보 확인하기
SCROLL >>
효율적 학습 기술 정보 확인하기
Active learning을 이용한 효율적 인공지능 학습




라온피플은 outlier 분석 기술을 이용하여 학습에 도움이 될 데이터를 선별할 수 있도록 지표를 제공합니다.
Outlier 분석을 통하면 원시 데이터에서 인공지능 모델이 이전에 학습된 상태에서 결과를 도출하였을 때
판정 결과의 신뢰도를 추정할 수 있으며 이를 지표로 작업자는 데이터의 가치를 평가할 수 있게 됩니다.





이러한 작업은 다음과 같은 과정을 통해 효율적으로 인공지능 모델의 성능 목표에 달성 할 수 있게 됩니다.

1. 적은 수의 데이터 셋을 이용하여 신뢰도를 계산
2. 학습된 모델로부터 라벨이 없는 데이터의 신뢰도를 계산
3. 신뢰도가 낮은 데이터부터 라벨링
4. 추가 학습 및 개선도 평가
5. 이후 2~4의 반복과정을 통해 빠르게 인공지능 모델의 성능을 개선



라온피플이 제공하는 active learning 기술은 인공지능 프로젝트의 가장 힘든 작업인
라벨링 작업을 최소화 하며 높은 성능을 달성할 수 있도록 하여 전체 프로젝트 개발에
필요한 비용과 시간을 모두 현저하게 줄여 줄 수 있습니다.