일본산업뉴스요약

피지컬 AI 시대, 학습용 로우 데이터는 ‘제공하지 않는다’
오므론이 실용화 2부

-- 만능은 아니다 --
하지만, 이 방식이 힘을 발휘하는 것은 조건이 갖춰진 현장에 한정된다. 구체적으로는 (1)현장이 통합에 사용할 수 있는 공통 데이터를 마련할 수 있어야 한다 (2)통합할 모델 간의 상성이 좋아야 한다 (3)취득하고 싶은 지식을 어딘가 다른 거점이 이미 가지고 있어야 한다. 용도도 밀리초 단위의 실시간 제어보다는 현장에 투입하기 전에 성능을 향상시키기 위한 일(日) 단위의 완만한 개선 사이클에 적합하다. 효과는 최소 어느 한 거점이 해당 사례를 경험한 범위 내에서 발생한다. 반대로 말하면, 이 조건에서 벗어나는 현장에서는 효과를 보기 어렵다.

한계는 성능에서도 나타난다. 본래 가장 똑똑한 모델은 모든 데이터를 한곳에 모아서 학습시킨 모델이다. DcX는 집중 학습에 가까이 가기 위한 '차선책'이다.

스마트하게 통합하려면 서버 측에 사전에 마련된 공통 데이터가 필요하며, 현장의 데이터는 사용하지 않아야 한다. 통합의 완성도는 이 공통 데이터에 의해 좌우되기 때문에 OSX도 이것을 DcX의 약점으로 꼽고 있다.

실용화에는 과제가 남아있다. 우선, 완성도가 낮은 모델이 걸림돌이 되지 않는 시스템을 구축해야 한다. 특정 거점의 모델이 자신의 데이터에 편향되어 학습해 틀린 예측을 자신 있게 내놓는 경우가 있다. 그러한 모델로 인해 통합 모델 전체의 정밀도가 떨어지지 않도록 어떤 모델을 얼마나 비중 있게 다룰 것인지에 대한 가중치 설계가 중요하다. 또한, 운용 규칙 정비도 필요하다. 타사의 모델을 맡아 통합하는 이상, 모델을 수령하거나, 반환, 보관하는 각 단계에서 정보를 어떻게 보호할지에 대한 안전 기준을 확립해야 한다.

-- 경주마 모니터링을 통해 확인한 것 --
DcX가 처음으로 구현된 현장이 앞서 언급한 경주마의 마방이었다. 앱리즘(apprhythm, 오사카시)의 'aiba'는 마방에 설치된 카메라로 말의 모습을 실시간으로 촬영해 이상징후를 스마트폰으로 알리는 모니터링 서비스이다. AI가 영상 내의 말을 검출 프레임 안에 놓고 그 중심을 마체(馬體)의 무게중심 위치로 추정한다.

현장의 환경이나 대상인 경주마가 학습 시의 상정에서 벗어나면 검출 정밀도가 떨어진다. 정밀도를 회복하려면 다른 마방이나 타 거점의 데이터로 다시 학습하는 것이 효과적이다. 하지만 경주마의 소유주는 사업이나 프라이버시 측면에서 자신의 말의 모습을 남에게 보여주기 싫어한다. 데이터가 아닌 모델이라면 제공할 수 있다. 데이터를 집약할 수 없는 이 현장은 DcX의 발상이 그대로 맞아떨어지는 장소였다. OSX는 이번에 aiba의 마체 검출에 DcX를 적용하여 그 효과를 검증했다.

성과는 검출 프레임의 정밀도 향상과 개발 기간 단축 및 비용 절감으로 나타났다. 개발 기간을 단축할 수 있었던 요인은 데이터 이용 계약 협상이나 데이터 수집, 어노테이션과 같은 공정이 필요 없어졌기 때문이다.

단축 효과는 알고리즘이 빨라졌기 때문이 아닌, 데이터 수집이나 계약 등의 공정을 통째로 생략할 수 있었기 때문이다.

이번 성과는 데이터를 공유할 수 없다는 장벽을 로우 데이터를 움직이지 않고 극복했다는 의미에서 의의가 있다. 스와 사장도 이번 실증을 통해 "현장 별로 축적된 지식을 활용하면서 AI를 고도화할 수 있는 가능성을 크게 느꼈다"라고 말한다. 현재는 어디까지나 실증 단계로, 제조 현장의 외관 검사나 건설 현장의 안전 감시, 헬스케어 등, 타 분야로의 확대를 위해 후보 선정 및 파트너사 모색이 이제 막 시작되었다.

-- 끝 --

Copyright © 2026 [Nikkei XTECH] / Nikkei Business Publications, Inc. All rights reserved.