반도체 전문 온라인 매거진 - 올포칩

매스웍스는 최근 많은 기업이 AI 개발 워크플로우 진행 시 직면하고 있는 주요 도전과제들과 함께 이를 해결하고 AI 프로젝트를 성공적으로 이끌 수 있는 매스웍스의 솔루션과 다양한 산업 분야의 성공사례를 발표했다.

최근 3년 동안 기업들의 AI 프로젝트 건수는 10배 증가한 것으로 나타났으며, 이는 대부분의 엔지니어들이 체감하고 있는 상황이다. 반면 시장조사업체 가트너 및 컨설팅업체 맥킨지의 조사에 따르면, 많은 기업들이 ‘팀의 AI 스킬’과 ‘데이터 품질’, ‘기능적 사일로’를 성공적인 AI 도입의 장애물로 꼽았다. AI 프로젝트에서 시스템을 설계하고 구현하는 도메인 전문가들이 AI 및 알고리즘에 대한 전문적 경험이 부족한 것이 현실이며, AI 훈련에 사용되는 데이터 양과 품질에 따라 성공이 좌우된다고 할 수 있다. 또한 AI 프로젝트에서 전체 AI 시스템의 각기 다른 구성요소를 담당하는 여러 부서 사이의 협업이 부족하기 때문에 성공적인 AI 시스템 구축을 위해서는 이러한 부서 간 사일로를 제거해야 할 필요가 있다.

최근 3년간 기업들의 AI 프로젝트는 10배 증가했다

​

매스웍스 솔루션
AI 기반 시스템 설계를 위해 엔지니어는 데이터 준비, AI 모델링, 시스템에 대한 시뮬레이션 및 테스트, 최종 배포 단계를 고려해야 한다.

데이터 준비 단계는 데이터 클렌징 및 전처리 작업을 수반한다. 또한 데이터 양 부족 시 수행하는 데이터 증강 및 가짜 데이터 생성 작업을 포함한다. 매스웍스는 AI 또는 프로그래밍 전문 지식과 경험이 부족한 도메인 전문가라도 전문성과 능력을 발휘하여 AI 프로젝트를 성공적으로 진행할 수 있도록 하이레벨 함수와 도메인 특화 툴을 제공하여 향상된 품질의 데이터 세트를 구축하도록 지원한다.

이러한 도메인 특화 툴에는 데이터에 정답을 달아주는 ‘라벨링’ 작업의 자동화를 위해 이미지, 비디오, 오디오, 신호 데이터 등 다양한 데이터 유형에 최적화된 인터랙티브 UI 기반 라벨링 툴을 제공한다.

AI 모델링은 데이터 유형과 AI 도입목적에 따라 네트워크 구조 및 학습 알고리즘 유형을 결정하여 모델을 설계 및 튜닝하는 작업을 포함하며, 파이썬 및 기타 딥러닝 프레임워크와의 상호운용성을 지원하여 해당 프레임워크의 완료된 작업을 매트랩으로 가져와 사용할 수 있도록 한다.

또한 기존 시스템과 AI 모델의 통합, 시스템 시뮬레이션, 검증 및 유효성 검사(Simulink Verification and Validation)를 위한 테스트가 필요하다. 매스웍스는 AI 모델링 및 시뮬레이션을 위한 단일한 플랫폼을 제공하여 시뮬레이션 및 검증을 통해 전체 시스템 수준의 통합 리스크를 줄이며, 인터랙티브(interactive) 툴로 손쉽게 머신러닝 모델을 학습 및 실험하도록 지원한다.

최종적으로 AI 모델 또는 시스템을 임베디드 타깃, 엔터프라이즈 시스템, 또는 클라우드로 배포할 수 있어야 하며, 매스웍스는 배포 타깃에 최적화된 코드 생성과 엣지 및 클라우드로의 배포를 위한 AI 모델 경량화를 모두 지원한다.

AI 기반 시스템 설계 워크플로우

​

이러한 워크플로우의 단계는 단 한 번의 작업만으로 완료되지 않으며, 전체 워크플로우 사이클을 반복적으로 수행하면서 AI 모델 또는 시스템을 향상시켜야 한다. 이를 위해 워크플로우 각 단계 사이의 사일로를 제거해야 한다. 매스웍스는 이러한 워크플로우의 모든 과정을 단일한 통합 환경에서 지원하므로 사일로 문제를 해결해준다.

매스웍스는 올해 7월 '2020년 가트너 피어 인사이트 고객의 선택' 데이터 사이언스 및 머신러닝 플랫폼 부문에 선정된 바 있다. AI 개발 워크플로우 전 단계를 손쉽게 지원하고 도전과제 해결을 지원하는 경쟁력을 바탕으로 국방항공, 자동차, 통신부터 반도체 및 소프트웨어 및 인터넷에 이르기까지 다양한 산업군에 솔루션을 공급하여 AI 도입을 지원하고 많은 성공사례를 구축했다.

딥러닝 도입 성공사례와 핵심 기술

현대제철은 철강원료 이미지 분석을 정량화 및 자동화 시키고자 매스웍스 솔루션 기반 딥러닝 프로젝트를 진행하기로 결정했으며, 철강원료 이미지의 픽셀 단위 분석을 위해 딥러닝 기법 중 시맨틱 분할 기법을 적용했다. 현대제철은 매트랩에서 비지도 머신러닝 학습으로 라벨링 자동화 알고리즘을 만들고 라벨러(Labelor)로 가져와서 라벨링, 검사, 학습, 학습 결과의 라벨러 반영 사이클을 반복하면서 딥러닝 모델 정확도를 85%까지 개선했다. 또한 라벨링 자동화 알고리즘을 통해 시맨틱 분할 작업 시간의 많은 부분을 차지하는 라벨링 작업 시간을 대폭 단축시켰다.

현대제철은 딥러닝을 사용하여 픽셀 기반 철강원료 이미지 분석 애플리케이션을 개발했다

​

한국건설기술연구원은 기존에 영상 및 비전 기반, 또는 유량계 같은 센서 기반으로 하수관 안의 폐수량을 측정했으나, 불순물, 부식, 또는 높은 탁도로 인한 불안정성으로 인해 정확한 측정이 어려웠다. 이에 매트랩을 통해 시맨틱 분할 기법을 적용하여 영상 픽셀을 기반으로 하수관 안의 폐수의 높이를 정밀하게 측정하는 딥러닝 모델을 개발했다. 해당 딥러닝 모델로 수학적 계산을 통해 폐수 높이를 측정했으며, 수위 감지 비율을 기존의 53%에서 100%로 향상시켰다.

선박해양플랜트 연구소는 해양 조난자 검출 모델을 딥러닝 객체 탐지 방식으로 개발했다. YOLO 객체 검출 알고리즘을 사용해 AI 기반 실시간 생존자 수색 솔루션을 개발했으며, UDP 통신을 이용해 다른 기존 드론 제어 및 모니터링 앱을 통합함으로써 딥러닝 모델이 드론 영상 데이터를 기반으로 객체와 조난자 여부를 탐지하도록 했다. 해당 딥러닝 기반 솔루션은 평균 정밀도 99%를 달성했다. 매스웍스는 손쉬운 빌트인 함수들을 이용하여 원하는 객체 탐지 네트워크 구조를 설계, 수정 및 학습하도록 지원한다.