anomaly detection

글또 두 번째 포스팅에 이어 Operational AI 후반부 내용을 정리하였습니다. 해당 발표는 Makina Rocks의 김기현 님이 발표하셨습니다. Beyond Deplotment : Operational AI 모델 학습 후 배포가 끝? 성능 유지 및 향상을 위한 지속적인 학습이 필요함 모델 학습 및 배포 파이프라인 입출력 데이터 분포 변화, Coner Case 발생 코너 케이스는 여러 가지 변수와 환경의 복합적인 상호작용으로 발생하는 문제 성능 하락 발생 실행/운영 측면이 고려된 모델(재) 학습 및 (재)배포 파이프라인 LifeLong Learning MLops Challenges in Lifelong Learning AI를 Real World로 가져오기 위해서 실행/운영 측면의 문제들이 있음 비효..

글또 두 번째 포스팅은 DEVIEW 2019라는 세미나에서 Operational AI 내용을 정리하였습니다. 지속적으로 학습하는 Anomaly Detection 시스템이라는 주제가 흥미로워서 듣고 정리하였습니다. 해당 발표는 Makina Rocks의 김기현 님이 발표하셨습니다. 제조업에서의 AI 배경 반도체 공장의 기계는 비쌈 IoT의 발달로 많은 데이터 생성 딥 러닝의 발달로 큰 모델 생성 가능 제조업에서의 AI 도입을 통해 수익률 및 원가 절감 기대 현실에서 Digital Manufacturing Solution을 도입하려는 대부분의 기업은 아직 파일럿 Page에 머무름 파일럿 Page에 머물러 있는 이유가 무엇일까? 사례의 부족으로 문제 정의의 어려움이 있음 선행 비용 발생으로 인한 리스크 증가 데..