한 줄 정의
전이 학습은 대규모 데이터로 사전 학습된 AI 모델의 지식을 새로운 도메인(신제품, 신결함)에 재활용해 적은 데이터로 빠르게 AI를 구축하는 기법입니다.
전이 학습의 특성
사전 학습된 지식을 새로운 제품의 결함 검사에 재활용하면 처음부터 학습시키는 것보다 훨씬 적은 데이터와 시간으로 높은 성능을 낼 수 있습니다. 마치 자동차 운전을 잘하는 사람이 트럭 운전을 배울 때 처음 배우는 사람보다 빠른 것과 같습니다. 신제품 투입, 새로운 결함 유형 등장, 공정 변경처럼 AI를 자주 업데이트해야 하는 제조 현장에 특히 적합한 기법입니다.
전이 학습이 필요한 이유
- 도입 허들 완화
대규모 데이터 없이도 사전 학습된 모델의 지식을 재활용해 빠르게 AI를 구축할 수 있어 도입 허들을 낮춥니다.
- 빠른 업데이트
신제품 투입이나 공정 변경 시 소량의 새 데이터만으로 기존 모델을 빠르게 업데이트할 수 있습니다.
- 비용 절감
사전 학습 모델을 출발점으로 삼아 학습 시간과 컴퓨팅 비용을 크게 절감할 수 있습니다.
실제 업무 적용 사례
한 신규 부품 업체는 검사 AI를 만들려 했지만 자체 불량 데이터가 부족해 처음부터 학습시키기 어려웠습니다. 기존에는 대규모 데이터를 모을 때까지 도입을 미뤄야 했습니다. 수백만 장의 이미지로 사전 학습된 모델의 지식을 가져와 자사 제품 데이터로 추가 학습하는 전이 학습을 적용하자, 적은 데이터로도 빠르게 높은 정확도의 검사 모델을 구축할 수 있었습니다.
자주 묻는 질문
전이 학습은 사전 학습된 모델의 지식을 새로운 과제에 활용하는 전략 전체를 가리킵니다. 파인튜닝은 전이 학습의 대표 방법으로, 사전 학습 모델을 가져와 새로운 도메인 데이터로 추가 학습시키는 것입니다. 전이 학습이 더 넓은 개념이고, 파인튜닝은 그 구체적인 구현 방법입니다. 현장에서는 두 용어가 혼용되는 경우가 많습니다.
도메인이 매우 독특해 기존 사전 학습 모델과 유사성이 낮을 때, 또는 학습 데이터가 충분히 많고 고유한 특성을 최대한 학습시켜야 할 때입니다. 제조 현장의 경우 대부분 전이 학습으로 충분하지만, X선 검사나 열화상 카메라처럼 사전 학습 데이터와 성격이 다른 입력을 다룰 때는 초기 레이어부터 커스터마이징이 필요할 수 있습니다.
자체 데이터가 부족한 초기 도입 단계에서 효과가 큽니다. 대규모 데이터로 미리 학습된 모델의 지식을 가져오므로, 적은 데이터로도 빠르게 높은 정확도를 낼 수 있습니다. 신제품 투입이나 새로운 결함 등장처럼 모델을 자주 갱신해야 하는 현장에도 유리합니다.
관련 용어
- 퓨샷 학습 (Few-shot Learning) — 수십 장 이하의 소량 데이터만으로 새로운 클래스를 인식하도록 학습하는 기법
- 딥러닝 (Deep Learning) — 다층 신경망으로 데이터의 복잡한 패턴을 스스로 학습하는 머신러닝 방법
- 학습 데이터 (Training Data) — AI 모델이 패턴을 학습하기 위해 사용하는 입력 데이터와 정답 라벨의 집합
© SAIGE All Rights Reserved.