기존 인프라를 유지하며 기계 학습 도입이 가능한 하이브리드 AI
Pleora
소개
인공지능(AI)은 비전 애플리케이션에 대한 비용 절감과 효율성 증대를 보장하며, 복잡성과 유용성에 대한 균형을 이룰 수 있다. 본문에서는 AI 및 머신러닝에 대한 기본 사항과 적용 문제에 대해 설명한다. 아울러 엔지니어가 기존 인프라와 프로세스를 유지하면서 기계 학습 기능을 도입할 수 있는 하이브리드 AI 개념을 소개한다.
AI 및 기계 학습 이해
AI는 최근 몇 년간 가장 떠오르는 기술 중 하나이며, 검사 애플리케이션에 대한 이점을 보장한다. 하지만 여전히 남아 있는 과제가 있다. 이는 'AI'와 '머신 러닝'의 용어와 정의에 대한 불확실성에서 비롯된다. 또한 기존 인프라 및 프로세스와 함께 카메라, 특수 센서 및 분석 소프트웨어와 결합할 수 있는 AI 방법이 제시되지 않았다. 따라서 AI 알고리즘 교육의 비용과 복잡성은 기업의 관심사이기도 하다.
AI의 가장 기본적인 능력은 인식 및 학습과 같이 인간의 인지 기능을 수행하는 것이다. 컴퓨터를 코딩하여 구조화된 데이터를 처리하고 인간의 감독없이 의사 결정을 내린다. 머신 러닝 기능으로 프로그래밍 되면 시스템은 답변 중에서 선택하고 연속 값을 예측할 수 있다. 머신 러닝 프로그램은 더욱 많은 데이터에 액세스할수록 향상되지만 실수를 수정하려면 여전히 사람의 감독이 필요하다.
AI는 새로운 기술로 간주되지만 소비자 생활, 특히 홈 센서 네트워크 시스템은 이미 우리 주변에 존재했다. 예를 들어 스마트 온도 조절기는 사용자가 입력한 데이터와 모니터링된 사람의 활동을 조합하여 우리가 집에 있을 때, 외출 또는 활동하지 않을 때를 판단하여 이상적인 예상 온도를 설정한다. 가끔 집주인이 온도 조절기 설정을 수동으로 수정해야하는 경우도 있다. 머신 러닝은 정보에 입각한 결정을 내리기 위해 여전히 사람의 의견이 필요하며 실수를 수정하기 위해 추가 프로그래밍이 필요하다.
딥 러닝은 보다 광범위한 구조화 및 비 구조화 데이터를 사용하여 독립적인 결정을 내리고 실수로부터 학습하고 사람에 의한 프로그래밍 없이 적응할 수 있는 알고리즘을 통해 한 단계 더 나아간다. 승용차부터 공장 로봇까지 포함하는 자율 애플리케이션은 딥 러닝을 사용하여 지속적으로 변화하는 상황을 탐색한다.
일반적인 AI 적용 과제
AI 적용에 관한 최근 설문 조사 결과를 보면 많은 사람들이 신기술에 대하여 동일한 우려를 하고 있었다. 바로 AI 적용에 대한 불명확한 전략과 인력의 기술 부족 문제이다. 응답자의 약 4분의 1이 가장 우려하는 것은 기술 인프라와 수집 데이터의 부족이었다. 이 결과와 달리 비전 시장은 이미 인프라와 대용량 데이터 세트를 갖추고 있다. 문제는 카메라, 센서 및 프로세서를 교체하지 않고 AI 기능을 배포하고 머신 러닝 알고리즘을 효과적으로 훈련하기 위해 데이터 세트를 효과적으로 관리하는 것이다.
흥미롭게도 설문 조사에서 가장 우려되는 부분은 최전선 프로세스에 미치는 영향이다. 즉 직원의 현재 작업 방식에 맞게 AI를 적용해야 한다는 것이다. 예를 들어 육안 검사 애플리케이션에는 인간 프로세스와 소프트웨어 프로세스가 모두 있다. AI는 항상 이를 대체하는 것이 아니라 이러한 의사 결정을 강화하는 것이다. 이러한 관심사를 고려할 때 하이브리드 AI 접근 방식은 인프라 및 프로세스 문제를 충족한다. 플러그인 교육은 알고리즘 개발을 위한 데이터 사용을 크게 단순화한다.
검사용 하이브리드 AI
AI는 복잡하지만 종전의 방식과 학습 기술을 결합한 하이브리드 방식을 채택하면 적용을 단순화할 수 있다. 컴퓨터 비전 애플리케이션에서 개발자는 알고리즘을 수동으로 조정한다. 고객 또는 제품 A와 B가 오류로 간주되는 항목에 대해 다른 임계값이 있는 경우는 사용자 정의를 설정한다. 부정확성은 생산을 중단하고 값 비싼 수동 2차 검사를 강요하는 과도한 오류를 생성하거나, 결함이 있고 품질이 떨어지는 제품을 시장에 출시하는 오류를 가져올 수 있기 때문이다.
마찬가지로, AI 알고리즘 교육에는 이미지 입력, 라벨 결함, 미세 조정 감지 및 모델 최적화를 위한 여러 시간 소모적인 단계와 전용 코딩이 필요하다. 최근에 기업들은 사용자가 최소한의 입력으로 플러그인 AI 기술을 자동으로 생성하는 소프트웨어에 이미지와 데이터를 업로드 할 수 있는 접근 방식을 개발하고 있다.
예를 들어, 기계 학습 분류, 정렬, 감지 및 하이퍼 스펙트럼 기능을 위해 플러그인 AI 기술을 생성하는 것이다. 검사용 AI는 이미지 변동성 또는 왜곡에 대한 민감도가 낮으면서 물체를 찾고 식별하고 분류하며 장면과 결함을 분할하는데 탁월하다. 또한 AI 알고리즘은 코드를 다시 작성하지 않고도 다양한 유형의 결함을 식별하거나 고객의 요구 사항에 따라 합격, 불합격 허용 오차를 충족하도록 보다 쉽게 적용된다.
AI는 하드웨어 또는 소프트웨어를 변경하지 않고도 기존 애플리케이션에 통합할 수 있다. 검사 애플리케이션에서 게이트웨이 장치는 카메라 이미지 전송을 데이터에 플러그인 AI 기술을 적용한다. 엔지니어는 게이트웨이에 업로드 되는 사용자 요구사항에 대한 AI 기술을 개발할 수 있다. 게이트웨GigE Vision 연결을 통해 AI 처리 데이터를 검사 및 분석 애플리케이션으로 전송하면 마치 카메라에 직접 연결된 것처럼 원활하게 비디오를 수신한다.
이 장치는 기존 도구와 병행하여 로드된 플러그인 기술로 이미징 데이터를 처리하여 보조 검사 도구로 사용할 수도 있다. 결함이 감지되면 게이트웨이에서 처리된 비디오가 2차 검사로 결과를 확인할 수 있다.
분산 비전 처리가 필요한 애플리케이션의 경우 AI 메시 네트워크를 구축하기 위해 시스템에 게이트웨이를 추가할 수 있다. 예를 들어 개별 게이트웨이는 각 기술을 결합하고 GigE Vision을 통해 애플리케이션으로 데이터를 전송하는 마스터 장치를 사용하여 다양한 결함 유형을 구성할 수 있다.
검사의 이점
AI 및 기계 학습은 회사가 인적 자원을 낭비하고 프로세스를 느리게 하면서 비용이 많이 드는 검사 오류, 허위 인지, 2차 선별을 줄이는 데 도움이 되도록 설정된다. 핵심은 AI 알고리즘 학습을 단순화하고 검사기능이 기존 인프라 및 프로세스에 원활하게 통합되도록 하는 능력이다.
Pleora AI 게이트웨이 정보
Pleora의 AI Gateway는 고급 기계 학습 적용을 단순화하여 안정성을 높이고 검사 비용을 낮춘다. 기존 검사 하드웨어 및 소프트웨어와 함께 작동하도록 설계된 임베디드 플랫폼은 플러그인 비전 검사 AI 기술, 사용자 친화적인 통합 접근 방식, 강력한 NVIDIA GPU를 통합하여 고급 머신 러닝 및 컴퓨터 비전 알고리즘의 개발을 가속화하고 있다.
자료 제공: Pleora(www.ple ora.com)
