컴퓨터 비전 공급업체 선택: 엔터프라이즈 조달 가이드

모델은 쉬운 부분입니다. 엔터프라이즈 컴퓨터 비전에서 필요한 작업은 모델의 기반이 되는 라벨링 데이터와 엣지 카메라에서 추론을 실행하는 것입니다. 대부분의 프로그램은 후반부에서 별다른 징후 없이 정체됩니다. 이 분야의 바이어 가이드는 이제 기존 RFP에서 지나치게 중시했던 사전 학습 기능의 범위 비교보다 자체 이미지에서의 정확도와 엣지 배포의 현실성을 더 중요하게 평가합니다. 관리형 API가 일반적인 기능을 이미 제공하더라도, 까다롭고 구체적이며 지연 시간 제약이 있는 사례에서 프로젝트는 여전히 실패하기 때문입니다.

이 가이드에서는 아키텍처를 결정하는 두 가지 선택, 즉 사전 학습 API 또는 맞춤형 모델, 클라우드 또는 엣지를 기준으로 8개 공급업체를 비교합니다. 이러한 요구사항을 확정한 뒤에만 상업적 조건을 비교하세요. 그렇지 않으면 서로 다른 시스템에 대한 견적을 비교하게 됩니다.

중요한 두 가지 선택#

공급업체를 비교하기 전에 프로그램이 이 두 축에서 어디에 해당하는지 파악하세요. 이 분야에서 발생하는 조달 실수는 거의 모두 잘못된 사분면의 공급업체를 선택하는 데서 비롯됩니다.

사전 학습 API와 맞춤형 모델. 문서에서 텍스트 읽기, 일반적인 객체 감지, 콘텐츠 조정과 같은 범용 작업이라면 관리형 API로 지금 바로 해결할 수 있으며 ML 인력도 필요하지 않습니다. 제품, 부품 또는 프로세스에 특화된 작업이라면 사전 학습 API로는 프로덕션 수준의 정확도에 도달할 수 없습니다. 이 경우에는 학습 및 데이터 파이프라인을 도입해야 합니다.

클라우드와 엣지. 데이터센터까지 왕복하는 지연 시간을 감당할 수 있다면 클라우드 공급업체가 가장 간편한 선택입니다. 고속으로 작동하는 생산 라인, 차량, 연결이 불안정한 현장, 데이터의 외부 반출이 허용되지 않는 경우처럼 이를 감당할 수 없다면 엣지 배포가 필수 요건이 되어 후보 목록 대부분을 제외하게 됩니다.

데이터 및 수명주기 작업을 건너뛰고 플랫폼만 구매하는 프로그램은 프로덕션에 도달하지 못하는 파일럿으로 끝납니다. 라벨링과 MLOps를 핵심 작업으로 예산에 반영하고, 계약을 체결하기 전에 가장 까다로운 이미지에서 정확도를 입증하세요.

공급업체는 순위가 아니라 알파벳순으로 나열했습니다. Ultralytics가 이 가이드를 발행하고 목록에도 포함되어 있으므로, 순서는 의도적으로 중립적으로 정했으며 각 공급업체의 단점도 명시했습니다.

AWS: Rekognition 및 SageMaker AI#

개요. 두 가지 계층으로 구성됩니다. 관리형 비전 API인 Amazon Rekognition과 맞춤형 학습 및 배포 플랫폼인 Amazon SageMaker AI입니다.

강점. Rekognition은 콘텐츠 조정, 라벨 및 텍스트 감지, PPE 감지를 비롯한 완전 관리형 이미지 및 비디오 분석과 ML 인력 없이 작업별 모델을 학습할 수 있는 Custom Labels를 제공합니다. S3, Lambda, Kinesis Video와 긴밀하게 통합되어 있어 AWS 기반 파이프라인을 가장 간편하게 구축할 수 있습니다. 요구사항이 API의 범위를 넘어서는 경우 SageMaker AI는 분산 학습, 자동 확장 엔드포인트, GPU 및 CPU 팜, 배포 파이프라인, 일반적인 프레임워크 전반의 실험 추적을 지원합니다.

Rekognition은 얼굴 비교 및 검색 기능도 제공합니다. 이는 추가 기능이 아니라 별도의 조달 항목으로 다루세요. 생체정보 처리는 자체적인 규제 리스크와 동의 의무를 수반하며, 여러 관할권에서는 법정 손해배상 책임도 발생합니다. 해당 기능이 필요하지 않다면 범위에서 명시적으로 제외하고, "보안"으로 분류되는 대부분의 비전 사용 사례에는 얼굴 비교 및 검색이 필요하지 않다는 점을 유념하세요.

단점. 폭넓은 기능을 제공하지만 여러 구성요소를 조립하는 작업도 필요합니다. Rekognition, SageMaker, 스토리지, 오케스트레이션을 결합하는 것은 제품이 아니라 아키텍처입니다. 엣지 기능은 자체 구축을 중시하는 공급업체보다 약합니다.

적합한 대상. 지금 관리형 비전을 도입하고, 나중에 클라우드를 변경하지 않고 맞춤형 솔루션을 구축할 선택지도 원하는 AWS 기반 조직입니다.

조달 참고사항. PPE 감지는 안전 모니터링에 실질적으로 유용하며, 근거를 확보할 수 있는 첫 성과를 가장 빠르게 얻는 방법인 경우가 많습니다.

Azure AI Vision#

개요. 기성 API와 맞춤형 모델 학습을 아우르는 Microsoft의 관리형 비전 스택입니다.

강점. Azure AI Vision은 이미지 분석, OCR 및 텍스트 추출, 객체 감지, 비디오 인사이트를 위한 즉시 사용 가능한 API를 제공하며, 기반 인프라를 관리하지 않아도 배포와 확장이 가능합니다. 자체 분류 또는 감지 모델을 학습해야 하는 팀은 AutoML 기능을 포함한 Azure Machine Learning을 현재 경로로 사용할 수 있으며, 전체 수명주기를 지원합니다.

조달 참고사항: 기능 목록뿐 아니라 서비스 수명주기도 확인하세요. Microsoft는 기존 Custom Vision 서비스를 단계적으로 종료하고 있으며, 맞춤형 분류 및 감지 모델을 구축하는 고객에게 Azure Machine Learning을 사용하도록 안내하고 있습니다. 지금 Custom Vision을 기반으로 구축하는 모든 솔루션은 로드맵에 마이그레이션이 포함됩니다. 이는 클라우드 비전 평가가 잘못되는 가장 흔한 원인입니다. 기능 비교에서는 이상적으로 보이는 서비스가 이미 후속 서비스로 대체되었지만, 후보 선정에 참고한 비교 자료는 업데이트되지 않은 경우입니다. 제안서에 명시된 각 서비스의 지원 및 사용 중단 상태를 모든 하이퍼스케일러에 서면으로 확인하세요.

단점. 다른 하이퍼스케일러 비전 서비스와 마찬가지로 사용량 기반 요금제이므로 규모가 커지면 비용이 예상보다 높아질 수 있습니다. 엣지 배포가 가능하지만 주된 설계 방향은 아닙니다.

적합한 대상. 이미 Azure를 표준으로 사용하는 조직 중 강력한 OCR 및 문서 이해 기능이 필요하고 ML 팀보다 관리형 서비스를 선호하는 조직입니다.

조달 참고사항. 파일럿 규모가 아니라 프로덕션 규모를 기준으로 추론당 비용을 산출하세요. 사용량 기반 요금은 승인된 사업 계획을 적자로 전환시키는 요인입니다.

Cognex#

개요. 제조 및 물류 분야를 위한 자동화 하드웨어와 소프트웨어를 판매하는 글로벌 머신 비전 선도 기업입니다.

강점. Cognex는 타당한 이유로 산업용 비전 분야의 기존 선도 기업입니다. 결함 감지 및 품질 관리, 부품의 유무 확인, 물류 및 포장 분야의 바코드 판독과 추적성에 제품을 배포하고 있습니다. ViDi 제품군의 후속 제품인 Cognex VisionPro Deep Learning은 공장 자동화 전용 산업용 딥러닝을 제공하며, 간단한 검사를 위한 엣지 학습 옵션도 갖추고 있습니다. PLC와 통합되고 공장 현장에서 안정적으로 작동하는 비전이 필요한 프로그램에는 카메라에 연결하는 클라우드 서비스보다 검증된 장비가 적합합니다.

단점. 산업용 하드웨어 생태계에 투자하게 되며, 이에 따른 비용 구조와 공급업체 종속이 발생합니다. 클라우드 네이티브 소프트웨어 중심 팀에는 적합하지 않습니다.

적합한 대상. 비전 시스템이 데이터 플랫폼의 일부가 아니라 생산 라인의 일부인 제조 및 물류 프로그램입니다.

조달 참고사항. 생산 라인 가동 후 모델을 어떻게 업데이트하는지 확인하세요. 공장 장비의 재학습 주기는 클라우드 엔드포인트를 재배포하는 것과는 운영 측면에서 전혀 다른 문제입니다.

Encord#

개요. 주석 작업과 데이터셋 품질에 집중하는 데이터 중심 플랫폼입니다.

강점. Encord는 모델 아키텍처보다 데이터 품질이 결과를 결정한다는 입장을 내세웁니다. 주석 작업, 데이터 큐레이션, 품질 관리를 위한 도구를 제공하며 의료 영상 및 비디오 분야에서 강점을 보유하고 있습니다.

단점. 문제의 데이터 측면을 해결하지만, 학습 및 배포를 위한 별도의 플랫폼이 여전히 필요합니다.

적합한 대상. 특히 규제가 엄격하거나 전문화된 분야에서 라벨링 품질이 병목인 프로그램입니다.

Landing AI#

개요. Andrew Ng가 설립한 제조업 시각 검사 플랫폼입니다.

후보 목록에 올리기 전 참고사항. Landing AI는 문서 및 에이전틱 AI 중심으로 사업 방향을 재정립했으며, 시각 검사 제품군은 유지 관리 단계에 있고 주력 사업은 아닙니다. ABB Motion Ventures는 2025년에 Landing AI의 비전 AI를 ABB 로보틱스에 도입하기 위해 투자했습니다. 따라서 기술의 지속적인 발전 경로는 있지만, 공장 검사 분야의 로드맵 계획을 직접 확인하세요.

강점. Landing AI는 구체적이고 실제로 해결하기 어려운 문제, 즉 결함 사례가 드문 시각 검사에 집중합니다. 산업 현장에서는 결함이 한 달에 두 번 발생하는 경우가 있어 결함 사례를 천 건씩 수집할 수 없는 것이 일반적입니다. Landing AI의 기술은 이러한 소규모 데이터셋 환경을 위해 설계되었습니다.

단점. 초점이 명확한 만큼 적용 범위가 좁습니다. 다양한 유형의 작업에 범용적으로 사용할 비전이 필요하다면 더 폭넓은 플랫폼이 적합합니다.

적합한 대상. 결함 감지가 필요하지만 기존 방식의 모델을 학습하기에 결함 이미지가 충분하지 않은 제조업체입니다.

조달 참고사항. 모델 역량보다 데이터 부족이 장애물이라면 이 공급업체를 후보로 고려하세요. 가장 드문 결함 유형에서 성능을 입증하세요.

NVIDIA#

개요. 가속 하드웨어, 사전 학습 모델 툴킷, 엣지 및 비디오 분석용 배포 프레임워크를 제공하는 엔터프라이즈 비전 기반 기술 계층입니다.

강점. 조달 관점에서 NVIDIA의 관련성은 일반적으로 애플리케이션 수준보다 기반 기술 측면에 있습니다. 학습에 사용하는 GPU와 엣지 추론에 사용하는 Jetson 모듈을 공급하며, 다중 스트림 비디오 분석 파이프라인을 위한 DeepStream과 모델 학습 및 최적화를 위한 TAO가 포함된 Metropolis 플랫폼 계층도 제공합니다. 여러 카메라 스트림에 비전을 배포하는 프로그램에서는 플랫폼에 관한 질문과 NVIDIA에 관한 질문이 사실상 동일한 경우가 많습니다.

단점. 애플리케이션이 아니라 인프라입니다. 자체 팀이나 다른 공급업체를 통해 데이터 파이프라인, 모델, 통합 작업을 여전히 마련해야 합니다.

적합한 대상. 엣지에서 여러 카메라 스트림을 처리하거나 대규모로 맞춤형 모델을 학습하는 프로그램입니다.

조달 참고사항. 하드웨어 납기와 수명주기 지원을 계약에 포함하세요. 엣지 장비 도입은 3년 차에도 계속 구매할 수 있어야 하는 모듈에 대한 5년 약정입니다.

Roboflow#

개요. 개발자 중심의 엔드투엔드 컴퓨터 비전 플랫폼입니다.

강점. Roboflow는 빠른 프로토타이핑에 널리 사용됩니다. 데이터셋 관리, 증강, 모델 학습을 처리하며 AI 지원 주석 작업, 노코드 학습, 클라우드에서 엣지까지의 배포를 제공합니다. 새로운 사용 사례를 빠르게 반복 개발하는 팀의 설정 작업을 대부분 줄여줍니다.

단점. 개발자 중심 도구는 개발자가 있다는 전제에 기반합니다. 엔터프라이즈 관리형 서비스는 아닙니다.

적합한 대상. 아이디어에서 작동하는 모델까지 분기가 아니라 며칠 만에 도달하고자 하는 팀입니다.

Ultralytics#

개요. 널리 채택된 오픈 모델을 중심으로 구축되었으며, 주석 작업, 데이터셋 관리, 학습을 아우르는 비전 플랫폼입니다.

강점. Ultralytics Platform은 6가지 주석 작업(객체 감지, 인스턴스 세그멘테이션, 시맨틱 세그멘테이션, 분류, 포즈 추정, 방향성 객체 감지)을 지원합니다. SAM 기반 스마트 주석은 감지, 세그멘테이션, 시맨틱, 방향성 박스 작업에서 클릭 한 번으로 마스크와 바운딩 박스를 생성합니다. 포즈와 분류 작업은 수동으로 주석을 지정하므로, 작업 구성에 적합한지 확인할 필요가 있습니다. YOLO, COCO, VOC 간 가져오기와 내보내기를 지원하므로 기존 파이프라인을 대체하지 않고 함께 사용할 수 있으며, 팀 검토와 데이터셋 버전 관리도 기본 제공됩니다. 조달 측면의 장점은 연속성과 이식성입니다. 모델은 개방되어 있고 널리 배포되어 있으며, 라벨링한 데이터셋을 그대로 학습에 사용하고, 데이터셋과 모델 모두 독점 형식에 갇히지 않습니다.

조달 세부사항. Ultralytics Platform은 SOC 2 Type I 및 ISO 27001:2022 인증을 보유하고 있으며, 전송 중 및 저장 데이터 암호화와 GDPR 및 CCPA 준수를 지원합니다. Type I의 의미를 정확히 확인하세요. 이는 일정 시점의 통제 설계를 인증하는 것이지, 일정 기간에 걸친 운영 효과성을 인증하는 Type II가 아닙니다. 위에 언급된 여러 공급업체는 Type II를 보유하고 있으므로, 정책상 Type II가 필요하다면 이는 형식적인 차이가 아니라 실질적인 차이입니다. 데이터 상주 위치는 미국, EU 또는 AP로 고정할 수 있습니다. 클라우드 GPU 요금은 견적이 아니라 시간당 요금으로 공개되며, 종량제 방식으로 청구됩니다. 따라서 영업 상담 전에 비용을 정확하게 산정할 수 있는 이 페이지의 몇 안 되는 옵션 중 하나입니다.

라이선스: 기능을 비교하기 전에 확인하세요. Ultralytics YOLO 모델은 강한 카피레프트 라이선스인 AGPL-3.0에 따라 배포됩니다. 상업적 또는 독점 배포에는 일반적으로 비공개 배포와 고급 지원도 포함하는 Ultralytics Enterprise 라이선스가 필요합니다. 상업용 라이선스를 적용하는 플랫폼과 비교할 때 이 라이선스 비용을 산정에 포함하고, 법무팀에 일찍 검토를 요청하세요. "오픈 소스"와 "라이선스 비용 없음"은 같은 의미가 아니며, 타당한 비전 사업 계획이 계약 단계에서 지연되는 가장 흔한 원인입니다.

단점. 자체 모델을 관리할 팀을 위한 플랫폼입니다. 완성된 결과를 제공하는 관리형 서비스를 원하는 조직은 서비스 공급업체를 검토해야 합니다. 또한 이 목록에서 가장 최근에 출시된 옵션입니다. Ultralytics Platform은 2026년 3월에 출시되었지만 Azure, AWS, Cognex, NVIDIA는 오랜 조달 이력과 확립된 지원 네트워크를 갖추고 있으며, 리스크에 민감한 위원회가 요청할 레퍼런스 고객도 보유하고 있습니다. 운영 실적의 기간이나 Type II 인증이 필수 요건이라면 다른 옵션이 적합합니다.

적합한 대상. 자체 하드웨어를 포함해 원하는 환경에 배포하고, 클라우드 공급업체에 추론당 비용을 지불하지 않는 방식으로 직접 제어하는 맞춤형 비전 모델을 원하는 기업입니다. 관리형 플랫폼 자체에는 GPU 학습 시간과 엔드포인트 사용 요금이 부과됩니다. 다만 내보낸 모델은 전적으로 보유 인프라에서 실행할 수 있습니다.

한눈에 보는 비교#

어떤 공급업체를 선택해야 할까요?#

대부분의 엔터프라이즈 프로그램은 6가지 상황으로 나눌 수 있습니다. 해당하는 상황을 찾아보세요.

OCR, 문서 이해 또는 범용 객체 감지가 필요하고 Azure를 사용 중입니다. Azure AI Vision을 선택하세요. API를 즉시 사용할 수 있고 ML 인력이 필요하지 않으며 통합 작업도 최소화됩니다. 도입을 확정하기 전에 프로덕션 규모를 기준으로 추론당 비용을 산정하세요. 사용량 기반 요금이 승인된 사업 계획을 무산시키는 원인입니다.

AWS 기반 파이프라인에서 관리형 비전이 필요합니다. AWS를 선택하세요. Rekognition은 조정, 얼굴 검색, PPE, 라벨 감지를 즉시 처리하며, 규모가 API의 범위를 넘어서는 경우 클라우드를 변경하지 않고 SageMaker를 사용할 수 있습니다. 제품을 구매하기보다 아키텍처를 구성하게 될 것으로 예상하세요.

생산 라인에서 부품을 검사하고 있습니다. 비전 시스템을 생산 라인에 설치하고 PLC와 통합하며 공장 환경에서도 안정적으로 작동시켜야 한다면 Cognex를 선택하세요. 기존 방식으로 학습하기 어려울 만큼 결함이 드문 것이 장애물이라면 Landing AI를 선택하세요. 이는 장비 문제가 아니라 데이터 문제이며, 다른 도구가 필요합니다.

엣지에서 여러 카메라 스트림에 걸쳐 배포하고 있습니다. NVIDIA를 플랫폼 계층으로 선택한 다음, 모델과 데이터 파이프라인을 누가 제공할지 별도로 결정하세요. 이는 애플리케이션 선택을 해결해 주지 않는 인프라 결정입니다.

빠르게 진행하고 가치를 입증해야 합니다. 빠른 반복 개발에는 Roboflow를, 프로토타입으로 만든 모델을 프로덕션에서도 사용할 계획이라면 Ultralytics Platform을 선택하세요. 차이는 탐색 단계인지 구축 단계인지에 있습니다.

라벨링된 데이터가 병목입니다. 어노테이션 품질과 데이터 큐레이션이 제약 요소라면 Encord를 선택하고, 도구 간에 전달하는 대신 어노테이션을 학습에 바로 연결하려면 Ultralytics Platform을 선택하세요.

두 가지 옵션이 모두 적합하다면, 전환 비용이 더 낮은 옵션을 선택하세요. 오픈 모델 형식과 이식 가능한 데이터셋은 모든 일이 순조로울 때는 비용이 들지 않지만, 문제가 생기면 큰 차이를 만듭니다.

RFP에 포함할 내용#

아래 질문은 기능 비교표보다 벤더를 더 빠르게 가려냅니다. 적합성이 낮은 벤더는 이 질문에 명확히 답할 수 없기 때문입니다.

정확도 관련. 개념 증명 이미지에서 측정한 정확도는 얼마이며, 전체 평균이 아니라 당사의 실패 유형별로 구분하면 어떻게 됩니까? 최악의 조명 조건에서는 정확도가 어떻게 달라집니까?

배포 관련. 추론을 실행하는 정확한 하드웨어는 무엇이며, 이미지 캡처를 포함한 종단 간 지연 시간은 얼마이고, 연결이 끊기면 어떻게 작동합니까? 이미 설치된 디바이스의 모델은 누가 직접 업데이트합니까?

데이터 관련. 라벨링된 데이터의 소유권은 누구에게 있습니까? 언제든지 데이터를 오픈 형식으로 내보낼 수 있습니까? 제품 개선에 당사의 데이터 중 무엇을 사용하며, 사용을 거부할 수 있습니까?

수명 주기 관련. 새로운 실패 유형을 발견한 뒤 재학습 및 재배포까지 얼마나 걸립니까? 담당자와 함께 일련의 단계별 절차를 설명해 주세요.

상업 조건 관련. 예상 물량을 기준으로 한 3년 비용은 얼마이며, 라이선스, 컴퓨팅, 스토리지, 어노테이션 인건비 및 지원 비용으로 항목별 구분하면 어떻게 됩니까? 어떤 경우에 가격이 변경됩니까?

계약 종료 관련. 2년 차에 계약을 종료하면 데이터, 모델 또는 둘 다 중 무엇을 보유할 수 있습니까?

파일럿에서 프로덕션으로#

이 범주의 대부분 프로그램은 파일럿 단계에서 실패하지 않습니다. 성공한 파일럿과 끝내 완성되지 않는 프로덕션 시스템 사이의 간극에서 실패합니다.

파일럿을 시작하기 전에 프로덕션 기준을 설정하세요. 롤아웃을 정당화할 정확도, 지연 시간, 추론당 비용을 정하고 문서화하세요. 통과 기준이 없는 파일럿은 언제나 성공하므로, 아무런 정보를 주지 못합니다.

가장 좋은 현장이 아니라 최악의 현장에서 파일럿을 진행하세요. 조명이 좋고 의욕적인 관리자가 있는 대표 라인에서는 어떤 벤더든 역량이 있어 보입니다. 실제로 롤아웃의 성패가 판가름 나는 곳은 문제가 있는 현장입니다.

두 번째 모델을 위한 예산을 확보하세요. 첫 번째 모델은 벤더의 집중적인 지원과 정제된 데이터셋으로 만듭니다. 열 번째 모델은 화요일에 여러분의 팀이 만듭니다. 벤더가 함께하지 않으면 두 번째 모델을 구축할 수 없다면, 프로그램은 확장되지 않습니다.

데이터 품질 책임자를 지정하세요. 이 범주의 프로그램은 모두 시간이 지나도 라벨링된 데이터셋에 책임을 지는 역할이 빠져 있습니다. 이 일은 ML 엔지니어가 여가 시간에 할 일이 아니며 조달팀의 업무도 아닙니다.

프로덕션 환경에서도 유효한 평가 기준#

수행할 작업과 추론이 실행되어야 하는 위치에 따라 이 기준에 가중치를 부여하세요.

벤치마크가 아니라 실제 이미지의 정확도. 조명이 나쁘거나 가림이 있거나 작업자가 문제를 제기하는 엣지 케이스 등 가장 까다로운 자체 이미지를 사용한 개념 증명을 요구하세요. 이를 진행하지 않으려는 벤더는 그 자체로 무언가를 알려주는 것입니다.

엣지 배포의 현실성. 하드웨어와 지연 시간은 무엇인지, 네트워크가 끊기면 어떻게 되는지, 현장에 이미 배치된 디바이스의 모델을 어떻게 업데이트하는지 구체적으로 질문하세요.

총소유비용. 초기 비용만이 아니라 라이선스, 컴퓨팅, 스토리지, 어노테이션 인건비 및 지속적인 모델 유지보수 비용을 포함하세요. 사용량 기반 클라우드 가격은 팀이 규모를 확장할 때 가장 자주 예상 밖의 비용을 발생시키는 항목입니다.

통합 범위. 산업 환경에서는 PLC 및 MES와의 호환성이 시스템의 실용성을 좌우합니다. 소프트웨어 환경에서는 API와 데이터 파이프라인이 중요합니다. 이 두 가지는 서로 대체할 수 없습니다.

데이터 거버넌스. 암호화, 액세스 제어, 감사 추적 및 규제 준수입니다. GDPR, HIPAA 및 업계별 표준은 기술 비교를 시작하기도 전에 플랫폼 선택을 좌우하는 경우가 많습니다.

새로운 조달 관문: 디바이스 신뢰와 데이터 출처#

이전에 계약이 성사되었을 거래도 이제는 막히는 변화이므로 짚고 넘어갈 필요가 있습니다.

디바이스 신뢰, 데이터셋 권리, 이미지 관리 기록은 모델 정확도만큼이나 중요한 상업적 요소가 되고 있습니다. 컴퓨터 비전 모델이 기술 검증을 통과하고도 조달 단계에서 실패할 수 있습니다. 학습 이미지의 출처, 조직의 이미지 사용 권한 여부, 특정 프레임을 캡처한 물리적 디바이스를 입증할 수 없기 때문입니다.

RFP에 포함할 세 가지 질문:

• 데이터셋 권리. 학습에 사용한 각 데이터셋의 라이선스는 무엇이며, 당사 관할 지역에서 상업적 이용을 허용합니까?
• 이미지 관리. 프로덕션 추론 결과를 해당 이미지를 캡처한 디바이스까지 추적하는 기록을 벤더가 제공할 수 있습니까?
• 디바이스 신뢰. 엣지 디바이스의 무결성은 어떻게 증명하며, 디바이스가 변조되면 어떻게 대응합니까?

이러한 질문에 답하지 못하는 벤더가 반드시 안전하지 않은 것은 아닙니다. 하지만 법무 검토를 몇 달씩 지연시킬 수 있습니다.

평가를 진행하는 방법#

기능 수가 아니라 사분면에 따라 후보를 좁히세요. 먼저 사전 학습 모델과 맞춤형 모델 중 무엇을 쓸지, 클라우드와 엣지 중 어디서 운영할지 결정하세요. 보통 데모를 한 번도 보기 전에 시장의 절반을 제외할 수 있습니다.

가장 까다로운 데이터를 사용해 개념 증명을 한 번 진행하세요. 모든 벤더에 동일한 이미지와 동일한 합격 기준을 적용하세요. 쉬운 데이터셋의 전체 정확도가 아니라 중요한 사례의 정확도를 측정하세요.

전체 수명 주기 비용을 산정하세요. 어노테이션 인건비와 재학습을 포함한 3년 비용 모델을 만드세요. 라이선스 비용이 아니라 그 비용 모델을 비교하세요.

업데이트 경로를 테스트하세요. 모델을 배포한 다음 변경해 보세요. 소요 시간과 필요한 참여자가 누구인지를 알아야 시스템이 운영 시작 후 개선되는지, 첫날 상태로 멈추는지 판단할 수 있습니다.

전환 가능성을 확인하세요. 라벨링된 데이터를 오픈 형식으로 내보내고 모델을 다른 곳으로 옮길 수 있습니까? 불가능하다면 종속 비용을 산정하세요.