DGIST는 지능형로봇연구부 안진웅 박사 연구팀이 딥러닝 기반 뇌신호 분석에서 가장 큰 한계로 지적돼 온 ‘레이블 데이터 부족’ 문제를 해결한 새로운 AI 파운데이션 모델을 개발했다고 밝혔다. 이번 기술은 뇌신호를 스스로 학습하도록 설계돼 극도로 적은 양의 레이블만으로도 높은 정확도를 구현할 수 있다는 점에서 큰 관심을 받고 있다. 이번 연구는 안진웅 박사와 정의진 박사후연수연구원이 공동으로 수행했으며, EEG(뇌파)와 fNIRS(기능적 뇌혈류) 신호를 동시에 이해하고 분석할 수 있는 ‘뇌파–기능뇌혈류 멀티모달 파운데이션 모델’을 세계 최초로 구현한 것이 핵심 성과다. 연구팀은 총 918명으로부터 약 1250시간에 달하는 초대형 뇌신호 데이터를 확보해, 레이블 없이 비지도 방식으로 모델을 학습시켰다. 이를 통해 EEG와 fNIRS 각각이 가진 고유한 특성뿐 아니라 두 신호가 공유하는 잠재적 표현까지 동시에 파악할 수 있도록 설계했다. 기존에는 EEG와 fNIRS를 동시에 측정한 데이터 확보가 매우 어려워 멀티모달 AI 개발에 한계가 있었다. 하지만 이번에 개발된 모델은 동시계측 데이터가 없어도 학습이 가능하도록 설계됐으며, 소량의 레이블만으로도 높은 정확도를
아이브는 제조업에 특화한 비전 파운데이션 모델(VFM) 기반 검사 솔루션인 ‘아이비전(AiVision)’을 공식 출시했다고 26일 밝혔다. 이 혁신적인 AI 검사 시스템은 제조업 현장의 고질적인 데이터 부족 문제를 해결하고, 품질 검사 자동화의 새로운 전환점을 마련할 것으로 기대된다. 가트너는 2026년까지 AI 프로젝트의 60%가 준비되지 않은 데이터로 인해 실패할 것이라고 전망하며, 특히 데이터 확보가 어려운 제조업의 특성을 지적했다. 기존의 범용 AI 모델을 제조업에 적용하려면 방대한 결함 데이터를 수집하고, 기계 ID, 타임스탬프, 배치 번호 등 다양한 메타데이터를 정제하는 복잡한 과정이 필요했다. 그러나 이러한 과정에서 학습되지 않은 신규 불량에 대한 대응력이 떨어져 현장 활용에 제약이 있었고, 불량 데이터를 수작업으로 수집하고 라벨링하는 데 소요되는 시간과 비용이 과도해 많은 제조업체들이 AI 도입을 포기하기도 했다. 아이브는 이러한 문제를 해결하기 위해 비지도학습 AI 모델을 기반으로 한 아이비전을 개발했다. 이 시스템은 양품 데이터만 학습해도 예상되는 불량을 AI가 자동으로 생성하여 검출할 수 있도록 설계되었다. 또한, 학습되지 않은 신규 불량
4차 산업혁명 시대가 도래하면서 공정에 AI 기술을 접목해 더 똑똑하고 효율적인 제조가 가능해졌다. AI 기술을 접목하면 완벽한 불량 검사, 폭발적인 생산성 증가가 가능할 것처럼 느껴지지만, 실제 산업체 공정에 AI 응용상용화를 할 경우 85%는 실패하는 것으로 나타났다. 우리는 AI를 너무 과대평가하고 있는 건 아닐까? PoC 성공이 응용상용화 직결은 아니다 설계 개발, 생산 계획, 양산 공정, 검사, 출하 등의 생산 공정에 AI 기술을 접목하면 자동설계를 통해 다모델을 개발할 수 있다. 단순한 부업무인 육안검사가 줄어들고 불량원인 파악에 집중되는 업무를 효율화할 수 있다. 웨이퍼 등 방대한 양의 품질검사를 진행할 때 사람 대신 AI를 활용하면 인건비는 줄이고 검사 정확도는 상승하기 때문에 ROI도 커진다. AI 기술은 생산 공정의 효율성을 높여주기 때문에 접목만 하면 성공할 것처럼 느껴진다. LG CNS 연구소의 조사 결과에 따르면, 100여 건의 R&D PoC 중 다수가 성공했지만 응용상용화를 적용한 비율은 30%에 그쳤다. 즉, PoC에 성공해 기술적으로 입증이 됐을지는 몰라도 양산 단계까지 이어지지 못하는 경우가 대다수라는 것이다. 우리는 현