사회안전 분야 LLM 파인튜닝용 QA 데이터셋 구축

🤖 C. AI 모델/임무

Q: 암종 분류와 절리 탐지라는 두 가지 다른 임무에 각각 ResNet과 Deeplab V3 모델이 사용된 기술적 이유는 무엇인가?

A: 두 모델은 각기 다른 임무에 최적화된 아키텍처를 가지고 있습니다. ResNet은 깊은 신경망에서도 안정적인 학습이 가능한 잔차 연결(residual connection) 구조 덕분에 이미지 전체의 특징을 보고 특정 클래스로 분류하는 '이미지 분류(Classification)' 임무에 널리 사용됩니다. 반면, Deeplab V3는 Atrous Convolution을 사용하여 다양한 크기의 컨텍스트 정보를 효율적으로 포착하므로, 이미지 내 특정 영역(절리/단층)을 픽셀 단위로 정밀하게 분할하는 '세그멘테이션(Segmentation)' 임무에 더 적합합니다.

🤖 C. AI 모델/임무

Q: 이 데이터셋의 AI 모델 임무가 '감시 영상 내 이상 행위 탐지'일 때, 성능 지표로 AUC를 사용하는 이유는 무엇이며, 목표치 80%는 어떤 의미를 가지는가?

A: '이상 행위 탐지'는 정상 상황 대비 비정상 상황의 발생 빈도가 현저히 낮은 불균형 데이터셋인 경우가 많습니다. AUC(Area Under the Curve)는 모델이 얼마나 이상 상황을 잘 판별하는지를 모든 가능한 임계값(threshold)에 대해 평가하므로, 특정 임계값에만 의존하는 정확도(Accuracy)보다 모델의 전반적인 판별 성능을 더 강건하게 측정할 수 있습니다. 목표치 80%는 모델이 무작위 추측(AUC 50%)보다 월등히 높은 수준으로 이상 행위를 탐지할 수 있음을 의미하는 실용적인 성능 목표입니다.

🤖 C. AI 모델/임무

Q: 편장석(flat and elongated particle) 비율 분석에 YOLO-OBB(Oriented Bounding Box) 모델이 사용된 기술적 이유는 무엇이며, 이 모델의 성능 목표인 'IoU@50, mAP 75%'는 무엇을 의미하는가?

A: 자갈과 같은 편장석 입자는 길고 납작하여 일반적인 축 정렬 바운딩 박스(axis-aligned bounding box)로는 객체를 정확하게 감싸기 어렵습니다. YOLO-OBB는 회전된 경계 상자를 사용하므로, 이러한 비정형 객체의 방향과 형태를 더 정밀하게 탐지할 수 있어 기술적으로 적합합니다. 성능 목표에서 'IoU@50'은 예측된 박스와 실제 정답 박스 간의 중첩 영역(Intersection over Union)이 50% 이상일 때 '정답'으로 간주하겠다는 기준을 의미하며, 'mAP 75%'는 모든 클래스에 대한 평균 정밀도(Average Precision)를 종합한 값이 75%에 도달하는 것을 목표로 함을 뜻합니다.

🤖 C. AI 모델/임무

Q: 이 멀티모달 데이터를 학습시키기 위해 '초기 결합(Early Fusion)'과 '후기 결합(Late Fusion)' 기법을 비교 평가하는 전략을 세운 이유는 무엇인가?

A: 초기 결합(Early Fusion)은 광학, VNIR, SWIR 같은 여러 이종(multi-modal) 이미지 데이터의 특성을 입력 단계에서부터 통합하여 풍부한 피처를 함께 학습시키려는 전략입니다. 이는 각 데이터 간의 저수준 상호작용을 포착하는 데 유리할 수 있습니다. 반면, 후기 결합(Late Fusion)은 각 모달리티별로 독립적인 모델을 학습시킨 후 예측 결과를 결합하는 방식으로, 각 데이터의 고유한 특성을 깊이 학습하는 데 강점이 있습니다. 두 방식을 비교 평가함으로써, 석면 탐지라는 특정 임무에 어느 방식이 더 효과적인지 검증하고 최적의 모델 아키텍처를 결정하기 위함입니다.

🤖 C. AI 모델/임무

Q: 이 데이터셋을 활용하여 '이미지 분류'와 '이미지 분할'이라는 두 가지 임무를 수행하기 위해 각각 CvT와 SegFormer 모델을 사용한 이유는 무엇인가?

A: '이미지 분류(Classification)'는 이미지 전체에 어떤 종류의 균열이 있는지를 판단하는 임무로, 이미지의 전역적인 특징을 효과적으로 학습하는 CvT(Convolutional Vision Transformer) 모델이 적합합니다. 반면, '이미지 분할(Segmentation)'은 균열이 이미지 내 어느 위치에 어떤 형태로 존재하는지를 픽셀 단위로 정확히 구분해내는 임무로, 경량화된 구조이면서도 높은 분할 성능을 보이는 SegFormer 모델이 더 효율적입니다. 이처럼 두 가지 연관되면서도 다른 임무를 위해 각각에 최적화된 모델을 적용하여 전체 시스템의 성능을 극대화한 것입니다.

🤖 C. AI 모델/임무

Q: 놀이시설 객체 탐지 모델로 오픈소스 Foundation 모델인 'InternImage-L'을 기반으로 한 모델을 사용한 전략적 이점은 무엇인가?

A: 'InternImage-L'과 같은 대규모 사전학습된 Foundation 모델을 기반으로 사용하는 것은 전이 학습(transfer learning)의 이점을 극대화하는 전략입니다. 이 모델은 이미 방대한 양의 일반 이미지 데이터로부터 시각적 특징을 추출하는 능력을 학습했기 때문에, 놀이시설이라는 특정 도메인에 대해 상대적으로 적은 데이터로도 빠르고 효과적으로 미세조정(fine-tuning)하여 높은 성능을 달성할 수 있습니다. 이는 모델 개발 시간과 비용을 단축시키는 효율적인 접근 방식입니다.

🤖 C. AI 모델/임무

Q: 드론과 위성 이미지 분석에 각각 'Trans UNet'과 'Modified Trans UNet'을 사용한 이유는 무엇인가?

A: Trans UNet은 이미지의 전역적 맥락을 파악하는 데 강한 Transformer와 지역적 특징 추출에 뛰어난 U-Net(CNN 기반)을 결합한 모델로, 고해상도 드론 이미지 내 객체 영역을 정밀하게 분할하는 데 효과적입니다. 위성 이미지의 경우, 드론 이미지보다 해상도가 낮고 분광 특성이 다르며 대기 효과 등 노이즈가 더 많기 때문에, 이러한 데이터 특성에 맞게 모델 구조나 전처리 부분을 조정한 'Modified Trans UNet'을 사용한 것으로 추정됩니다. 이는 각 데이터 소스의 고유한 특성에 맞게 모델을 최적화하는 전략입니다.

🤖 C. AI 모델/임무

Q: 이 데이터를 기반으로 최종적으로 '웹 기반 예측 서비스'를 개발하는 이유는 무엇이며, 이는 사용자에게 어떤 가치를 제공하는가?

A: '웹 기반 예측 서비스'를 개발하는 것은 전문적인 소프트웨어나 화학 지식이 없는 사용자(예: 현장 안전 관리자, 소방관)도 화학물질의 위험성을 손쉽게 예측하고 접근할 수 있도록 하기 위함입니다. 사용자가 웹 브라우저에서 분자 구조를 그리거나 입력하기만 하면 AI 모델이 즉시 위험성을 예측해주므로, 정보 접근성이 극대화됩니다. 이는 화학 안전 정보를 민주화하고, 신속한 현장 의사결정을 지원하여 사고 예방에 직접적으로 기여하는 높은 가치를 제공합니다.