개요 AI 모델은 아무리 정교해도 환경이 변하면 성능이 반드시 저하될 수밖에 없다. 최초 완벽에 가까운 정확도를 갖추고 있었다 하더라도 조명 각도부터 소재 반사율, 금형의 마모, 계절별 온습도에 이르기까지 끊임없이 변하는 실제 공정과정에서 차이가 발생하게 되기 때문이다. 이러한 이유로 제조 AI의 진정한 가치는 ‘배우는 공장(Learning Factory)’에 있다. 아무리 잘 보는 AI라고 하더라도 변화에 적응하려면 한 번의 학습으로 끝나는 구조가 아니라 지속적으로 배우고 보정하는 구조(Continuous Learning Loop)를 가져야 한다는 것이다. 이 구조의 핵심이 바로 데이터 루프(Data Loop)다. 그러나 딥러닝의 성능은 단순히 데이터의 ‘양’으로만 결정되지는 않는다. 무의미하거나 부정확한 데이터는 학습 효율이 떨어지고 모델이 불안정해지는 결과가 발생한다. 제조 AI의 본질은 ‘양’이 아니라 ‘정확도’와 ‘전달 구조’에 있다는 것이다. 다시 말해 AI가 어떤 피드백을 얼마나 빠르고 정확하게 받아들이는가가 핵심이다. 제조 AI 학습의 3단계 순환 구조 제조 AI의 정확도를 위해 학습 과정은 아래와 같은 순환형 구조로 설계되어야 한다. 첫째,
드롭박스(Dropbox)가 동영상, 이미지, 오디오 파일의 검토와 승인 작업에 소모되는 시간을 줄일 수 있는 협업툴 '드롭박스 리플레이(Replay)' 서비스를 글로벌 시장에 26일 출시한다고 밝혔다. 드롭박스 리플레이를 사용하면 동영상 프로젝트 작업 시간 중 많은 부분을 차지하는 피드백 과정을 짧고 직관적이게 만들 수 있다. 주요 기능인 '라이브 검토'는 공동 작업자가 서로 다른 공간에서 동시에 영상을 보며 해당 프레임에 마크업 또는 댓글을 남기는 실시간 소통을 지원한다. 또한 모든 파일 버전을 한 공간에 체계적으로 정리해 처음부터 끝까지 팀 또는 클라이언트와 같은 진행 단계에 머무를 수 있다. 뿐만 아니라 미스커뮤니케이션 방지, 편집 시간 단축 등으로 효율적인 영상 프로젝트 진행을 돕는다. 이 외에도 고정된 프레임에 빠르게 액세스 할 수 있는 책갈피 기능, 라벨 맞춤 설정 기능, 댓글 필터링 기능, 작업 시한 지정 등의 기능으로 공동 작업을 수월하게 한다. 더불어 완료된 프로젝트의 대용량 파일을 드롭박스에 안전하게 보관하고, 언제 어디서든 접속 및 확인 가능해 자료 수집과 정리에 들어가는 인력을 줄일 수 있다. 레이첼 제드우드 내셔널 럭비 리그(Natio