본문으로 건너뛰기
버전: docs v25.02

AI Contents

Updated 2025.03.19

AI Contents란?​

AI Contents는 데이터 사이언티스트들의 풍부한 경험과 기술 노하우가 집약된 컨텐츠입니다. mellerikat에서 제공하는 AI Contents를 활용하면 AI 프로젝트를 수행하기 위해 필요한 AI Solution을 신속하게 개발할 수 있습니다. AI Contents의 코드 아키텍처는 mellerikat에서 동작 가능한 형태로 구조화되어 있어, 실험 문서 수정을 통해 도메인에 맞는 최적의 AI Solution을 개발하여, 이를 mellerikat에서 활용할 수 있습니다. AI Contents를 통해 고객의 문제를 풀기 위한 시행착오를 줄이고, AI 모델 개발 생산성을 높여 비즈니스에 AI 기술을 빠르게 적용할 수 있습니다.


mellerikat


핵심 기능​

AI Contents는 AI Learning Organizer(ALO)를 기반으로 동작하는 디폴트 AI Solution이며 AI에 대해 잘 모르는 초보 분석가더라도 이를 바로 활용하여 운영 가능한 솔루션을 개발할 수 있습니다. AI Contents의 주요 특징을 자세하게 살펴보겠습니다.

편리한 AI Solution 개발​

AI Contents에서 제공하는 실험 계획서를 수정하면 본인의 도메인과 데이터에 맞는 AI 모델 실험을 다양하게 진행할 수 있습니다. 사용자가 AI에 대한 깊은 지식 없이도 다양한 파라미터를 조작하며 효과적인 실험을 수행할 수 있도록 합니다. AI에 대한 전문 지식이 없는 사용자도 고품질의 AI 모델을 생성하고 최적화하여 운영 가능한 솔루션 제작을 할 수 있습니다.

에셋을 조합한 풍부한 기능 활용​

AI Contents는 다양한 도메인에서 발생할 수 있는 문제를 손쉽게 해결하기 위해 다양한 에셋을 제공합니다. 데이터 불균형이 존재할 때 이를 해결할 수 있는 샘플링 에셋이나 복잡한 전처리를 별도 수정없이 학습에 적합한 형태로 자동으로 처리해주는 전처리 에셋, 결손 데이터가 존재하고 데이터 간 관계를 학습하고 싶을 때 활용할 수 있는 Graph Feature Engineering(GFE) 에셋 등 기본 컨텐츠로 해결이 어려운 상황은 추가로 제공되는 에셋을 조합하여 해결할 수 있습니다. 특정 과제에서만 필요한 코드가 있다면 앞뒤에 맞춤형 커스텀 에셋을 추가하여 빠르게 개발을 끝낼 수 있습니다.

메모리 절감 및 효율적인 학습/추론 모델 제공​

AI Contents는 모두 메모리 절감과 효율적인 학습/추론이 가능하도록 계발되어 있습니다. Vision Classification의 경우 일반적으로 고비용인 고해상도 이미지에 대해 효율적인 학습을 수행하기 위해 어텐션 기술을 활용한 HRVI 모델을 제공하고 있습니다. 이는 기존 MobileNetV1 대비 85% 파라미터를 절감했고 학습 시간도 절반으로 감소하면서 성능은 7% 증가한 모델로 고해상도이면서 국소 영역을 기준으로 양불 여부를 판정해야하는 제조 데이터에 대해서도 효율적으로 운영할 수 있도록 개발되어 있습니다. Graph-based Classification & Regression의 경우 일반적으로 고비용이지만 데이터 간 관계를 파악하는데 우수한 Graph Neural Network (GNN)를 자체 기술을 적용하여 저비용으로 절감하여 운영 가능한 컨텐츠로 제공하고 있습니다.


사용자 시나리오​

AI Contents 사용자 시나리오는 다음과 같습니다.

  1. 컨텐츠 선정 및 매뉴얼 확인: 먼저, 제공된 컨텐츠 목록을 검토하고 사용할 컨텐츠를 선정한 후 해당 컨텐츠의 매뉴얼을 확인합니다.

  2. 설치 및 환경 설정: 데이터 사이언티스트는 개인 PC, 서버, 또는 클라우드 인프라 등 모델을 개발하고자 하는 환경에 ALO와 선정된 컨텐츠를 설치하고, 이를 위한 가상환경을 설정합니다.

  3. 실험 계획서 수정: 실험 계획서(Experimental_plan.yaml) 파일에서 데이터 경로, x_columns 등 필수 항목을 수정하여 준비합니다.

  4. 실험 실행: 준비된 실험 계획서를 수정한 후, 분석을 수행할 경우 Jupyter Notebook에서, 결과만 확인할 경우 터미널에서 실행하여 실험을 진행합니다.

  5. 파라미터 설정: 현업에서 사용할 파라미터(ui_args)를 선정하고, ui_args_detail 파일을 수정하여 구체적인 설정을 합니다.

  6. AI Solution 등록: AI Solution 등록 가이드에 따라 수정된 파라미터와 실험 결과를 기반으로 AI Solution을 등록합니다. 이를 통해 AI Solution 개발이 완료됩니다.


AI Contents 목록​

Anomaly Detection (AD)​​

지속적으로 수집되는 지수/인덱스 데이터 또는 각종 수치 데이터에 대해 정상 패턴을 학습하고 모니터링하면서 비정상적인 패턴이나 시점을 실시간으로 감지하고 알려주는 기술입니다. 설비 이상 감지, 조기 이상 탐지, 다변량 이상 탐지 등 다양한 도메인에 적용할 수 있습니다. Anomaly Detection은 통계 기반으로 다수의 데이터에서 동떨어진 이상 데이터 포인트를 감지하는 Point Anomaly Detection을 제공합니다.

Forecasting (FCST)​​

타겟 시계열 변수의 과거 패턴 및 주변 인자들의 영향을 학습하고 미래의 트렌드와 패턴을 예측하는 기술입니다. 몇 가지 설정만으로 간편하게 딥러닝 기반 시계열 예측 알고리즘을 사용할 수 있습니다. 제품 수요 예측이나 매출/재고 예측을 통해 SCM, 영업, 마케팅 등 다양한 도메인에 적용할 수 있습니다. 현재 Nbeats 알고리즘을 제공합니다.

Graph-powered Classification & Regression (GCR)​​

타겟변수에 영향를 미치는 여러 인자들의 값 뿐 아니라 인자들 간의 관계를 그래프로 표현하여 학습함으로써 개선된 추론 성능을 제공하며, 특히 대량의 결측치 및 범주형 인자가 포함된 데이터에 대해서도 정보 손실 없이 대응이 가능한 분류 및 회귀 용 머신러닝 기술입니다. GCR은 Pytorch BigGraph Library에 기반하며 자사 개발 Inductive Graph Embedding 기술 및 경량 Graph XAI 기술이 적용되어 기존의 Graph-powered 머신러닝 알고리즘들의 단점인 큰 메모리와 오랜 수행 시간을 대폭 해소하였습니다. TCR 등에 사용되는 일반적인 분류 및 회귀 용 테이블형 데이터를 입력하면 그래프 생성 및 그래프 임베딩을 자동으로 진행해 학습 및 예측을 실시하므로, 별도의 결측치 처리나 피처 엔지니어링 없이 고객 지수, MQL 지수, 추천 시스템, 다양한 분류 및 회귀 추론 문제들에 손쉽게 그래프 데이터사이언스를 적용해 보실 수 있습니다.

Tabular Anomaly Detection (TAD)​​

구조화된 테이블형 데이터(예: 스프레드시트, 데이터베이스 테이블)를 분석하여 이상 탐지를 수행하는 기술입니다. TAD는 수치형 및 범주형 데이터를 포함한 다양한 특성을 학습하여 비정상적인 패턴, 트렌드 또는 분류를 식별할 수 있습니다. 딥러닝, 머신러닝 및 통계 기반 방법론을 활용하여 정상 패턴을 학습하고, 이와 다른 이상 행위를 감지합니다. 이를 통해 금융 거래의 부정 행위 탐지, 제조업 품질 관리, 네트워크 보안, 헬스케어 데이터 분석 등 광범위한 분야에서 활용될 수 있습니다. TAD는 다변량 이상 탐지나 시계열 데이터의 복잡한 패턴을 처리하며, 비즈니스에서 발생할 수 있는 다양한 문제를 사전에 예방할 수 있는 강력한 도구입니다.

Tabular Classification & Regression (TCR)​​

테이블형 데이터로부터 타겟 변수에 영향을 미치는 여러 인자들을 학습하여 타겟 변수의 분류 또는 회귀 문제를 푸는 기술입니다. 사용자의 데이터에 관련된 항목을 설정파일에 기입해주면 TCR은 자동으로 데이터에 맞는 적절한 파라미터를 선택하여 모델링을 진행합니다. 데이터 필터링, 전처리, 최적 모델 선택, Explainable AI 기능들을 제공합니다.

Vision Anomaly Detection (VAD)​​

이미지 데이터에 대해 정답지 유형이 없는 경우 딥러닝 기반으로 이상 이미지를 판별하는 기술입니다. 미리 정상 유형이나 단일 유형으로 구성된 이미지를 확보하면 PyTorch 기반으로 구성된 FastFlow나 PatchCore 모델로 학습하여 이상 판정을 할 수 있는 AI 모델을 생성할 수 있습니다. 초기 라벨이 확보되지 않은 제품 외관 검사, 제품 분류 자동화 등 정상여부나 오분류 탐지와 같은 분야에 적용할 수 있습니다.

Vision Classification (VC)​​

이미지 데이터에 대해 딥러닝 기반으로 미리 학습한 유형을 판별하는 기술입니다. 미리 정상/비정상과 같이 이미지 유형에 대한 정답지를 갖추면 Tensorflow V2 기반으로 신속하고 적은 메모리로 학습하여 AI 모델을 생성할 수 있습니다. 제품 외관 검사, 제품 분류 자동화 등 정상여부나 오분류 탐지와 같은 분야에 적용할 수 있습니다. Vision Classification는 경량화 모델인 MobileNetV1과 자체 개발한 고해상도 모델인 HRVI를 사용할 수 있습니다.


AI Contents 사용자 접근 권한​

AI Contents는 Private Git으로 운영하고 있습니다.
코드를 다운받기 위해서 mellerikat 매니저에게 액세스 토큰을 발급 받으시기 바랍니다.
Contact : contact@mellerikat.com

LGE 사용자는 아래 링크에서 접근 정보를 확인할 수 있습니다.
Access for LGE


업데이트 소식​

새로 버전 업데이트된 AI Contents를 확인해 보시기 바랍니다.


Topics​