데이터 라벨링부터 HPC 자원 최적화까지 AI 워크플로우 효율화

기존 적용된 모델이 재학습과 재배포를 할 수 있는 운영 환경의 부재로 지속적으로 모델의 성능이 저하됩니다. 특히 신규 이미지 데이터로 재학습이 필요한 경우, 라벨링부터 재학습까지의 긴 프로세스를 거쳐야 합니다. 이후 학습에서 활용된 HPC 자원의 최적화도 필요합니다.

AI 플랫폼에서 모델이 학습할 이미지 데이터의 라벨링을 자동화하는 툴(Auto Annotation)과 모델의 재학습-재배포를 자동화 하는 지속적 학습(CT, Continuous Training) 환경을 제공합니다. 또한, HPC(High Performance Computing)를 관리하는 스케줄러와 레거시 시스템 연동을 통해 자원 활용을 최적화합니다.

데이터 라벨링과 재학습-재배포 사이클을 자동화 하여 기존 프로세스 대비 시간을 약 80% 절감합니다. AI 플랫폼 상에서 데이터 라벨링-모델 학습-성능 모니터링-에러 데이터 재라벨링-재학습 및 재배포 사이클이 효율적으로 운영되며 자원 활용을 극대화합니다.