lunit·문제Lunit의 의료 AI 개발 과정이 데이터 준비부터 추론까지 약 10개의 수동 단계로 쪼개져 있어 모델 개발 속도가 느리고 팀 간 소통 비용이 크다.
접근포드 조립라인을 모티브로, 데이터 관리·라벨 정제·AutoML·WSI 추론까지 한 워크플로우로 묶은 웹 기반 통합 프레임워크 AutoSCOPE를 구축한다. TorchServe로 모델 배포를 표준화하고 active learning으로 라벨링을 효율화한다.
결과몇 번의 클릭만으로 새 모델을 만들고 기존 모델과 동등하거나 더 나은 성능에 도달한다. 의료 도메인 전문가도 직접 AI 모델 개발에 참여할 수 있는 환경이 마련됐다.
AWS Korea·문제콘텐츠 번역가 10만 명을 자연어로 검색하려면 BM25 키워드와 벡터 의미 검색을 동시에 잘 다뤄야 한다. 기존 PostgreSQL 검색은 nDCG@10 0.90 목표에 미달.
접근Amazon OpenSearch Service 로 이전하면서 Nori 한국어 형태소 분석기 + 다국어 임베딩 + Bedrock Cohere/Claude 로 데이터 정제 파이프라인 구축. 단일 쿼리에서 키워드와 벡터를 결합.
결과nDCG@10 0.90 이상 달성. 표준 어휘 사전과 별칭 매핑으로 이력서 데이터 일관성도 확보.
베스핀글로벌·문제AI 할루시네이션은 모델이 아니라 데이터 파이프라인 결함의 결과. PoC 에서 90% 정확도였던 모델이 프로덕션에서 실패하는 이유.
접근3 레이어 구조: 입력단 AI 기반 자동 품질 감시 → 거버넌스 레이어로 출처·흐름·접근 추적 → 출력단 AI-on-AI 자동 검증. 검색 품질이 답변 정확도를 좌우하므로 맥락 기반 청킹·멀티모달 임베딩·하이브리드 검색·리랭킹 네 기법 적용.
결과단일 플랫폼 도입이나 벡터 DB 구축만으론 부족함을 명확히 한 실전 검증 패턴. 도메인별 맥락을 잃지 않는 데이터 파이프라인이 진짜 해법.
무신사 테크·