ACK 2026에서 공유한 MLOps 재학습·검증 기술

써로마인드 김병희 연구개발실장(CTO)은 11월 6일 세종대학교에서 열린 ACK 2026 학술대회에서 연구개발 성과를 발표했습니다. 주제는 ‘AI 모델 허브에서 현장 데이터 기반 재학습까지’였습니다.

‘스마트엣지 온디바이스 AI SW 기술 성과 교류’ 특별 세션에서는 ETRI가 주관하는 두 정부과제의 성과를 공유했습니다. 써로마인드는 두 과제에서 MLOps 시스템 연구개발을 맡고 있습니다.

김병희 CTO가 ACK 2026 특별 세션에서 전주기 MLOps 구조를 설명하는 모습.

모델 개발과 현장 운영을 잇는 관리 체계

김병희 CTO는 AI 모델의 학습·검증부터 현장 적용 이후의 개선까지 다뤘습니다. 현장에서 검수한 데이터를 재학습에 활용하고 기존 모델과 새 모델의 성능을 비교하는 관리 체계를 설명했습니다.

써로마인드는 쓰러짐 감지와 화재·연기 감지 모델을 대상으로 GPU 환경에서 데이터 등록부터 학습·추론·평가까지 연결해 동작을 검증했습니다.

학습용 데이터 등록부터 모델 성능 평가까지, 다섯 단계가 이어져 동작하는지 GPU 환경에서 확인한 검증 흐름. 출처: 써로마인드 ACK 2026 발표자료 24장 재구성.

모델을 대상 장비에 맞추는 경량화·하드웨어 최적화와 운영 중 성능 변화를 살피는 모니터링 기술도 이번 발표에 포함됐습니다.

모델을 갱신할 때는 새로 학습한 모델에서 어떤 오류가 줄거나 늘었는지 기존 모델과 비교해야 합니다. 또 GPU 환경과 실제 사용할 장비는 연산 자원과 실행 조건이 다릅니다. GPU 환경에서 작업 흐름이 동작하더라도 그 장비에서 추론 동작을 별도로 확인해야 합니다.

모델 재학습·평가 기능은 구현했습니다. 재학습을 자동으로 반복하거나 성능 변화 알림에 따라 시작하는 기능은 개발 중입니다. 학습·평가·모델 등록을 잇는 작업 흐름은 기존 AI PaaS 개발 성과 글에서 자세히 소개했습니다.

산업 현장에 맞는 모델과 활용 방식

현장에서는 범용 LLM으로 산업 현장의 특수한 작업을 모두 대체할 수 있느냐는 질문도 나왔습니다. 불량 판정이나 설비 상태 예측에는 해당 현장의 데이터로 학습하고 성능을 검증한 산업 특화 예측·판정 모델이 필요합니다.

써로마인드는 반도체 부품의 고해상도 결함 판정과 수술용 금속 부품의 외관 검사 등에 AI를 적용해 왔습니다. 모델을 개발·검증할 때 산업별 데이터와 판정 기준을 반영했습니다. 2021년에는 데이터 준비와 모델 학습을 지원하는 AI Studio를 출시했고 이후 엣지 AI 개발·검증과 운영 관리로 기술 범위를 넓혀 왔습니다.

발표자료에는 산업 특화 모델의 예측·판정 결과를 Agent가 해석하고 다음 행동을 계획하는 활용 구상도 담겼습니다. 모델의 결과에 오류가 있으면 이를 근거로 한 후속 판단에도 영향을 줄 수 있습니다. 그래서 Agent가 활용하는 결과의 품질과 모델 버전·이력을 함께 관리해야 합니다.

이어지는 세 편의 기술 콘텐츠에서는 이번 발표자료를 바탕으로 모델의 교체를 검토하고 장비와 업무에 적용할 때 어떤 판단 근거가 필요한지 더 자세히 살펴볼 예정입니다.

• 모델 갱신 판단: 새 모델을 검토할 때 어떤 데이터와 평가 결과를 연결해 볼 것인가.
• 현장 장비 검증: GPU 환경 검증과 대상 장비의 추론 시험은 각각 무엇을 확인하는가.
• Agent 연결: Agent가 활용하는 모델 결과의 품질과 버전·이력을 왜 함께 관리해야 하는가.