ekcapaper
1. 개요
본 문서는 학습 모델에 대해서 모듈러 구조, 계획적 구식화, 지속적인 생산 - 폐기 개념을 활용하여 모델을 효율적으로 운용하는 방법을 제안한다.
2. 모듈러 모델
2.1. 개념
하나의 종합적인 AI 모델을 개발하는 대신, 작은 단위의 판단을 수행하는 개별 모델들을 조합하여 운영한다.
2.2. 특징
•
단순한 판단 단위로 분할: AI 모델이 종합적인 예측을 하지 않고, 특정한 작은 판단(예: OK/NO, 기준 초과/미달)을 수행함
•
개별 AI 모델을 조합: 공정별로 다양한 AI 모델을 운영하고 최종적으로 결합하여 전체적인 판단을 수행
2.3. 기대효과
•
데이터 요구량 감소: 하나의 거대한 모델이 아니라 여러 개의 작은 모델을 운영하므로, 상대적으로 적은 데이터로도 높은 성능을 만드는 것이 가능
•
연산 부담 감소: 복잡한 예측이 아니라 개별적인 간단한 판단을 수행하기 때문에, 적은 수준의 연산을 필요로한다.
2.4. 예시 - 적용 방식
•
품질 검사 : 제품 품질 검사에서 색상 판별 모델, 강도 검사 모델, 결함 탐지 모델등을 개별적으로 운영하고, 각각의 결과를 종합하여 최종 품질 판정을 내리는 방식
3. 계획적 구식화 모델
3.1. 개념
모델의 수명을 정하고, 그때까지만 정상적인 동작을 보증하도록 한다.
•
보장된 수명까지만 모델이 정상적으로 동작할 수준의 자원(데이터, 연산)만 투입하여 생성하고 운용한다.
•
모델의 수명이 종료된 이후의 시점의 정확도는 고려하지 않는다.
3.2. 특징
•
AI 모델의 유효 기간 설정: 일정한 수명(예: 7일, 14일, 30일, 작업 종료시까지)을 설정하여, 해당 기간이 지나면 모델을 폐기
3.3. 기대 효과
•
데이터 요구량 감소.
•
연산 부담 감소
3.4. 예시 - 적용 방식
•
공정 모델 구축 : 원재료의 상태를 확인하여 원재료의 상태를 조사하고 학습시킨 후에 원재료를 모두 소모할 때까지만 현재 데이터를 이용한 모델 활용, 신규 원재료가 들어오는 경우에는 재학습 수행
4. 지속적인 생산 - 폐기 모델
4.1 개념
모델을 폐기하고 새로운 데이터로 다시 학습하는 과정을 반복하여 지속적인 서비스를 제공한다.
•
모델의 수명을 제한하는 대신에, 새로운 모델을 지속적으로 학습시킨다.
4.2 특징
•
모델 폐기 및 재학습: 기존 모델을 유지하는 것이 아니라 수명 주기마다 새로운 모델을 학습하여 교체
4.3 기대 효과
•
현재 데이터 반영 : 현재 상황에 해당하는 데이터만 학습하므로 현재 상황에 가장 정확하게 맞춰진 모델이 생성
•
지속적인 서비스 제공 가능 : 모델의 수명을 제한하더라도 지속적인 서비스를 제공하는 것이 가능
4.4. 예시 - 적용 방식
•
장비 교체 후 폐기 후 재학습 : 기존 장비와 신규 장비는 데이터 특성이 완전히 달라지기 때문에 모델을 폐기하고 새로운 모델을 학습하여 활용한다.
5. 결론
모델 운영 전략으로, 현재 상태와 환경을 가장 잘 반영하여 현재 상태에서 필요한 정보를 제공하는 모델을 제공하는 것을 목표로 한 구조로써 정확하고 효율적인 시스템을 구축하는 것을 목적으로 다음과 같은 개념과 방식을 제안한다.
•
모듈러
•
계획적 구식화
•
지속적인 생산-폐기
