시각 AI를 위한 Active Learning(3) - 산업 현장의 혁신과 실제 적용 사례

 

 

 

지난 1부와 2부에서는 Active Learning(AL)의 기본 개념부터, 픽셀 단위의 정밀한 예측이 요구되는 세맨틱 세그멘테이션(Semantic Segmentation) 환경에서 AL이 어떻게 수학적 지표와 결합하여 작동하는지 살펴보았습니다.

'자신이 모르는 데이터만 영악하게 골라 학습하는' 이 기술은 단순한 연구실의 이론을 넘어, 치열한 산업 현장에서 이미 수많은 혁신을 만들어내고 있습니다. 이번 3부에서는 글로벌 기업들이 Active Learning을 실제 비즈니스에 어떻게 적용하여 한계를 돌파하고 있는지 구체적인 사례를 통해 알아보겠습니다.

자율주행: 치명적인 '엣지 케이스(Edge Case)' 정복

 자율주행 자동차의 비전 AI는 도로, 보행자, 신호등을 픽셀 단위로 완벽하게 구분해야 합니다. 자율주행 기업들은 매일 수백만 km의 주행 데이터를 수집하지만, 맑은 날씨의 뻥 뚫린 직진 도로 데이터는 단순하고 수집하기 쉬운 데이터이기에 모델 성능 향상에 더 이상 큰 도움이 되지 않습니다. 정작 사고를 유발하는 것은 폭우가 쏟아지는 야간 도로, 안개 낀 날씨, 형태가 특이한 특수 차량 등 드물게 발생하는 '엣지 케이스'들입니다.

NVIDIA의 야간 보행자 인식 개선 사례

 글로벌 AI 선도 기업 NVIDIA는 자율주행 모델의 한계를 극복하기 위해 Active Learning을 적극 활용하고 있습니다. 모델이 스스로 판단하기에 가장 불확실성(Uncertainty)이 높은 상황, 즉 '어두운 밤이나 악천후 속에서 보행자인지 배경인지 헷갈리는 프레임'만을 자동으로 추출해냅니다. 전문가들은 이렇게 선별된 극소수의 까다로운 데이터에만 집중적으로 라벨링을 수행합니다. 그 결과, 전체 데이터를 무식하게 다 학습시킬 때보다 훨씬 적은 비용과 시간으로 야간 보행자 인식률을 비약적으로 끌어올릴 수 있었습니다.

 

아래의 NVIDIA 공식 블로그에서 관련된 내용을 확인하실 수 있습니다.

 

NVIDIA Blogs: What Active learning For Self Driving Technology Mean?

 

의료 AI 진단: 전문의를 'AI 훈련의 주체(Physician-in-the-loop)'로 이끄는 Active Learning

방사선학 분야에서 AI는 질병 분류, 세그멘테이션(Segmentation) 등 다양한 영역을 지원하며 빠르게 발전하고 있습니다. 하지만 고성능 AI를 유지하기 위해서는 여전히 비용이 많이 들고 시간 소모가 큰 '전문가의 라벨링 데이터'가 필수적입니다. 수만 장의 X-ray, CT, MRI 영상을 진료로 바쁜 영상의학과 전문의들이 일일이 확인하며 라벨링을 하는 것은 현실적으로 불가능에 가깝습니다.

'단순 Labeler'에서 'AI 훈련의 주체'로 (Physician-in-the-loop)

 최근 의료 AI 업계에서는 능동 학습을 통해 영상의학과 전문의들을 단순한 데이터 검토자가 아닌, AI 학습 과정에 직접 참여하는 핵심 주체(Physician-in-the-loop)로 변화시키고 있습니다. 기존처럼 무작위로 할당된 데이터를 기계적으로 판독하는 대신, 능동 학습 환경에서는 AI가 전체 데이터를 먼저 분석한 뒤 질병 판단이 가장 모호하거나 '정보 가치가 높은(Informative)' 소수의 엣지 케이스만 선별하여 전문의에게 전달합니다.

 관련 연구 및 기사에 따르면, 이러한 전략을 통해 전체 데이터의 5~50%만 라벨링하고도 전체를 학습시킨 모델과 동등한 정확도를 달성할 수 있었습니다. 특히 전문의가 백지상태에서 라벨링을 하는 것이 아니라 AI가 1차적으로 생성한 결과를 검토하고 수정하는 방식을 더해, 전체 라벨링 작업 부담을 80% 이상 획기적으로 줄이는 성과를 보였습니다.

기존 워크플로우(PACS)와의 통합과 직관적인 피드백

 이러한 능동 학습이 의료 현장에서 성공하기 위한 핵심은 기존 병원 시스템, 특히 의료 영상저장전송시스템(Picture Archival and Communication System)과의 매끄러운 통합에 있습니다. 전문의들은 복잡한 라벨링 도구를 새로 익힐 필요 없이, 일상적인 판독 화면 내에서 바운딩 박스(Bounding box), 가벼운 스케치(Scribbles), 또는 단순한 클릭 몇 번만으로 AI의 예측을 승인(Accept), 거절(Reject), 또는 수정(Refine)할 수 있습니다.

 전문의의 이러한 피드백은 모델 훈련에 다시 반영되어, 새로운 환자군의 특성이나 데이터 변화(Data drift)에 AI가 유연하게 적응하도록 돕습니다. 한 메타 분석에 따르면 PACS에 통합된 AI는 진단 정확도를 높일 뿐만 아니라 진단 소요 시간을 최대 90%까지 단축시키는 것으로 나타났습니다.

 결과적으로 능동 학습은 영상의학과 전문의의 귀중한 '시간' 자원을 가장 효율적으로 배분하면서도, 그들의 고도화된 전문성을 모델의 취약점 보완에 직접 투입하여 환자 치료의 질을 높이는 실용적인 열쇠가 되고 있습니다.

 

Active Learning Brings Radiologists into AI Training 

 

MLOps 및 데이터 플랫폼의 '핵심 엔진'으로 안착

Active Learning의 경제적 가치가 증명되면서, 이제는 AI 모델을 개발하는 글로벌 플랫폼들이 아예 이 기능을 기본 시스템으로 탑재하고 있습니다.

Amazon SageMaker Ground Truth: AWS의 머신러닝 플랫폼인 SageMaker는 데이터 라벨링 서비스에 Active Learning 기반의 자동 라벨링(Automated Data Labeling) 기능을 내장했습니다. 모델이 확신하는 데이터는 자동으로 라벨링을 처리하고, 불확실성이 높은 데이터만 사람에게 할당합니다. AWS에 따르면 이 방식을 통해 기업들은 데이터 라벨링 비용을 최대 40~60%까지 절감하고 있습니다.

Scale AI와 같은 데이터 전문 기업의 성장: 자율주행 및 생성형 AI 데이터 구축으로 기업 가치가 수십조 원에 달하는 Scale AI 역시, 인간의 라벨링 작업과 AI의 사전 분류 및 능동 학습을 결합한 하이브리드 파이프라인을 통해 전 세계 AI 기업들에게 고품질의 데이터를 제공하고 있습니다.

데이터 중심 AI(Data-Centric AI)를 돕는 도구들

 현업의 AI 엔지니어들은 이처럼 복잡한 능동 학습 파이프라인을 효율적으로 운영하기 위해 전용 데이터셋 큐레이션 도구들을 활용합니다.

 

 대표적으로 FiftyOne과 같은 오픈소스 툴이 널리 쓰이고 있습니다. 이러한 도구들은 단순히 이미지를 모아두는 것을 넘어, AI 모델이 어떤 사진의 어떤 픽셀을 가장 헷갈려 하는지(엔트로피 등)를 시각적으로 보여줍니다. 또한, 인간 작업자가 실수로 잘못 칠한 라벨링 오류를 모델의 예측값과 비교해 자동으로 찾아내 줍니다.

 

 즉, 기업들은 이러한 툴을 활용해 "데이터를 무조건 많이 모으자"는 과거의 방식에서 벗어나, "우리 모델이 가장 약한 부분의 데이터만 핀셋처럼 골라내어 품질을 높이자"는 데이터 중심 AI(Data-Centric AI) 전략을 실현하고 있는 것입니다.

마치며: 양(Quantity)의 시대에서 질(Quality)의 시대로

 3부작에 걸쳐 살펴본 Active Learning은 AI가 스스로 성찰하고 진화하는 '지능의 선순환' 과정입니다. 무한히 쏟아지는 데이터의 홍수 속에서, 모델 스스로 무엇을 알고 무엇을 모르는지 판단하게 만드는 기술은 향후 AI 경쟁력의 핵심이 될 것입니다.

 비전 AI의 한계로 여겨졌던 데이터 구축의 병목 현상이 능동 학습을 통해 해소되면서, 앞으로 우리는 훨씬 더 적은 비용으로 더욱 안전하고 정교한 인공지능 시스템을 일상 곳곳에서 마주하게 될 것입니다.