비용
중복·저가치 샘플까지 전부 라벨링하고 재학습하면, 개선보다 운영비가 먼저 소진됩니다.
왜 하나의 플랫폼인가
수집·라벨·학습·배포가 서로 다른 도구와 외주에 흩어지면 이관과 버전 불일치가 상시화됩니다. 임원이 원하는 것은 한 시점의 정확도가 아니라, 소유권·품질 증거·성과가 같은 장부에 남는 통제입니다.
보안
외주와 다중 클라우드, 내려받기 이력이 감사 범위 밖으로 빠집니다.
품질
데이터가 흩어지면 모델 성과를 재현할 수 없습니다. 증거가 없는 개선은 실행이 아닙니다.
하나의 플랫폼이어야 데이터가 이동하지 않습니다. 선별·라벨·학습·배포·감시가 같은 권한 체계와 같은 로그 위에 있어야, 현장에서 모델을 고칠 수 있습니다.
닫힌 개발 루프
마케팅 OS의 동사(문의→패키지→승인)와 섞지 않습니다. 이 여덟 칸은 데이터가 모델이 되는 순환입니다.
01
적재
원본을 고객 경계 안에 올립니다.
02
분석
분포와 중복, 희귀 군집을 읽습니다.
03
선별
라벨할 가치가 있는 슬라이스만 남깁니다.
04
가공
오토라벨 뒤 사람이 수정·검수합니다.
05
학습
선택한 백본으로 자동 학습을 돌립니다.
06
평가
클래스별 지표와 오답 유형을 봅니다.
07
배포
클라우드·온프레미스·엣지로 올립니다.
08
환원
취약 구간만 다시 선별로 돌아갑니다.
입구는 세 가지
데이터 규모와 단계가 달라도, 파일럿은 하나부터.
01 · LABEL
데이터가 부족한 조직
시드가 적어도 오토라벨과 검수 자동화를 먼저 켭니다. 진척과 품질이 한 화면에 보입니다.
02 · CURATE + LABEL
데이터는 쌓였으나 선별이 안 되는 조직
대규모 원본의 분포를 읽고, 학습·검증·엣지 슬라이스를 나눈 뒤 필요한 구간만 라벨링합니다.
03 · MODEL + CURATE
모델은 있으나 개선이 느린 조직
오답과 드리프트를 진단하고, 약한 구간만 다시 선별·재학습·배포합니다.
보안은 기능이 아니라 전제
원본·라벨·가중치는 그 자체로 영업비밀과 개인정보입니다. 인증 목표·암호화·권한·배포 모드·감사를 모듈 옆이 아니라 바닥으로 둡니다.
인증 목표
ISO/IEC 27001, SOC 2 Type II, ISMS-P를 설계 기준으로 채택합니다. 보유 인증서 목록이 아닙니다.
암호화
저장 AES-256, 전송 TLS 1.3, 키는 KMS/HSM. 고객 관리 키 옵션.
접속
허용 IP, OTP/MFA, Owner–Admin–Manager–Labeler–Reviewer 다섯 역할.
데이터
역할별 최소 권한, 전 구간 암호화, 접근·내보내기 로그, 읽기 전용 연동.
배포
SaaS · VPC · 온프레미스 · 에어갭. 데이터가 고객 경계를 넘지 않는 모드.
주권
원본·라벨·가중치의 소유권은 계약상 고객에게 있습니다.
세 모듈
임베딩으로 데이터셋을 읽고, 사람은 수정에, 모델은 약점만 되돌립니다.
CURATE
유의미한 데이터만 남깁니다.
분포 시각화
희귀 군집을 찾고 중복을 걷어냅니다.
쿼리와 슬라이스
조건에 맞는 데이터만 그룹으로 분리합니다.
자동 선별
라벨 대상 · 학습/검증 · 엣지 · 미스라벨.
부족분 보강
취약·희귀 구간은 합성·증강으로 채웁니다.
LABEL
사람은 수정에 집중합니다.
맞춤 오토라벨
소량 시드로 도메인 오토라벨러를 만들고, 사람은 수정에 집중합니다.
한 번의 분할
복잡한 객체도 클릭 한 번에 마스크로 나눕니다.
명령으로 시작
텍스트로 클래스와 대상을 지정해 초안 라벨을 띄웁니다.
영상 추적
여러 프레임을 건너뛰는 객체를 자동으로 따라갑니다.
미스라벨 탐지
충돌·이상 라벨을 먼저 집어 검수 대기열에 올립니다.
프로젝트 관제
진척, 클래스 분포, 작업 시간, 댓글이 한 대시보드에 모입니다.
MODEL
약점만 다시 CURATE로 되돌립니다.
기본 모델과 커스텀 학습
비전·캡셔닝 계열을 제공하고, 보유 모델의 추가 학습과 배포를 지원합니다.
자동 학습과 감시
슬라이스만 지정하면 학습이 시작됩니다. 진행률·예측 샘플·비용을 같이 봅니다.
성능 평가
클래스별 정밀도·재현율·IoU, 오류 유형 필터, 버전 비교로 최적본을 고릅니다.
배포와 현장
코드 없이 엔드포인트를 만들고, 사용량을 보며 멈추거나 교체합니다. 엣지에도 올립니다.
약점만 다시
성능 저하 요인을 찾고, 필요한 데이터만 CURATE로 되돌립니다.
현장이 다르면 모델도 다르다
제조 · 스마트 팩토리
라인 위 외관·조립 상태를 실시간으로 가릅니다. 희귀 불량만 선별해 재학습합니다.
보안 · 안전
보호구 착용과 위험 구역 출입을 영상에서 읽습니다. 로그는 고객 경계 안에 남습니다.
물류 · 유통
진열 공백과 소비 패턴을 읽어 보충 주기를 당깁니다. 매장 이미지는 반출하지 않을 수 있습니다.
농 · 축산
생육·크기·손상을 노지에서 판별합니다. 소량 시드로도 작물별 모델을 올립니다.
인접 산업. 같은 루프가 확장됩니다.
- 항공 · 드론
- 스마트 관제
- 문화 · 예술
- 애플리케이션
- 교육
- 헬스케어
- 모빌리티
- 문서 · 언어
네 부하를 같은 루프에서 깎는다
도입 시나리오 예시입니다. 실제 고객 수치가 아닙니다. 파일럿이 검증해야 할 방향입니다. 숫자는 약속이 아니라 숙제입니다. 한 데이터셋에서 네 지수를 재어, 예산을 GPU에 둘지 데이터에 둘지 결정합니다.
라벨 대기
100 → 45
재작업
100 → 40
재학습 대기
100 → 35
배포 지연
100 → 30
옅은 막대 = 원 플랫폼 목표 부하. 약속 KPI가 아닙니다.
도입은 단계로 닫는다
01
진단
과제·데이터·규제 경계를 확정합니다.
02
설계
클래스·품질 SLA·권한을 문서화합니다.
03
검증
한 슬라이스로 루프가 도는지 확인합니다.
04
구축
선별·라벨·검수 체계를 올립니다.
05
학습
모델과 평가 기준을 고정합니다.
06
연동
운영 시스템·엣지와 연결합니다.
07
배포
무중단으로 현장에 올립니다.
08
고도화
분기 단위로 약점만 재순환합니다.
4–8주
PILOT
한 과제, 한 데이터셋. 품질 기준선과 비용 대비.
분기
PLATFORM
보안 정책, SSO, 워크플로. 현업이 직접 운영.
경계
SOVEREIGN
VPC / 온프레미스 / 에어갭. 키·로그·파기가 경계 안.
숙성
ACADEMY+
재직자 과정과 같은 툴체인. 사람과 도구가 같이 숙성.