초도 모델 학습부터 현장 적용, 유지보수까지
뉴로클의 소프트웨어로 현장의 MLOps를 구축해 보세요.
초도 모델 학습부터 현장 적용, 유지보수까지 뉴로클의 소프트웨어로 현장의 MLOps를 구축해 보세요.
현장에서 새로운 데이터를 취득한 이후,
재학습을 거쳐 다시 공정에 적용하기까지 많은 시간이 소요되었습니다.
현장 장비에서 취득한 이미지를 중앙 서버로 전송하여 모델을 일괄 학습하는 방식 / 전체 생산라인의 모델을 중앙에서 효율적으로 관리
현장 장비에서 취득한 이미지를 중앙 서버로 전송하여 모델을 일괄 학습하는 방식 / 전체 생산라인의 모델을 중앙에서 효율적으로 관리
현장 장비에서 취득한 이미지를 중앙 서버로 전송하여 모델을 일괄 학습하는 방식 / 전체 생산라인의 모델을 중앙에서 효율적으로 관리
기존 모델의 레이블링 정보를 활용하여 자동 레이블링을 수행하고, 이를 기반으로 현장에서 재학습과 배포를 자동화할 수 있습니다. 신뢰도 90% 이상의 예측 결과만 선별하여 활용하는 등의 방법으로 정확도를 유지할 수 있습니다.
기존 모델의 레이블링 정보를 활용하여 자동 레이블링을 수행하고, 이를 기반으로 현장에서 재학습과 배포를 자동화할 수 있습니다. 신뢰도 90% 이상 예측 결과만 선별하여 활용하는 등의 방법으로 정확도를 유지할 수 있습니다.
기존 모델의 레이블링 정보를 활용하여 자동 레이블링을 수행하고, 이를 기반으로 현장에서 재학습과 배포를 자동화할 수 있습니다. 신뢰도 90% 이상의 예측 결과만 선별하여 활용하는 등의 방법으로 정확도를 유지할 수 있습니다.
기존 장비 UI 또는 신규 UI를 통해 레이블링을 수행하고, 엔진을 통해 모델 학습 및 배포가 가능합니다. Neuro-T Engine은 기존 시스템과 유연하게 통합되므로, 기존 UI를 그대로 활용하거나 필요에 따라 신규 시스템을 구축할 수 있습니다.
기존 장비 UI 또는 신규 UI를 통해 레이블링을 수행하고, 엔진을 통해 모델 학습 및 배포가 가능합니다. Neuro-T Engine은 기존 시스템과 유연하게 통합되므로, 기존 UI를 그대로 활용하거나 필요에 따라 신규 시스템을 구축할 수 있습니다.
기존 장비 UI 또는 신규 UI를 통해 레이블링을 수행하고, 엔진을 통해 모델 학습 및 배포가 가능합니다. Neuro-T Engine은 기존 시스템과 유연하게 통합되므로, 기존 UI를 그대로 활용하거나 필요에 따라 신규 시스템을 구축할 수 있습니다.
현장에서 수집된 데이터를 중앙 서버로 전송한 후, 중앙에서 레이블링을 수행하고 생성된 레이블 정보를 각 장비로 배포하여 장비 단위로 모델 학습을 진행합니다.
중앙 서버형 구조를 통해 다음과 같은 이점을 제공합니다:
• 레이블링을 중앙에서 수행하여 데이터 품질을 일관되게 유지
• 학습 작업을 각 장비에 분산하여 병목 없이 효율적인 학습 수행
• 중앙에서 학습을 제어 및 관리하고, 대시보드를 통해 전체 학습 현황을 모니터링
