컴퓨터 비전 공급업체 선택: 엔터프라이즈 조달 가이드

모델은 쉬운 부분입니다. 엔터프라이즈 컴퓨터 비전에서 실제 작업은 모델 뒤에 있는 레이블링된 데이터와 카메라 엣지에서 추론을 실행하는 것이며, 이 후자의 절반 과정에서 대부분의 프로그램이 조용히 정체됩니다. 이 카테고리의 구매자 가이드는 이제 구형 RFP가 과도하게 집중했던 사전 학습된 기능의 다양성 비교보다 자체 이미지에 대한 정확도와 엣지 배포의 현실성을 더 중요하게 다룹니다. 관리형 API는 이미 일반적인 기능을 다루지만 프로젝트는 여전히 어렵고 구체적이며 레이턴시 제약이 있는 케이스에서 실패하기 때문입니다.

이 가이드는 아키텍처를 결정하는 두 가지 결정 요소인 사전 학습된 API 또는 커스텀 모델, 그리고 클라우드 또는 엣지를 기준으로 8개의 벤더를 비교합니다. 상업적 조건은 해당 요구 사항이 확정된 후에만 비교하십시오. 그렇지 않으면 견적서가 서로 다른 시스템을 설명하게 됩니다.

중요한 두 가지 결정#

벤더를 비교하기 전에 이 두 가지 축에 프로그램을 배치하십시오. 이 카테고리에서 발생하는 거의 모든 조달 실수는 잘못된 사분면의 벤더를 선택하는 것에서 기인합니다.

사전 학습된 API vs 커스텀 모델. 작업이 일반적이라면(문서에서 텍스트 읽기, 일반 객체 감지, 콘텐츠 모더레이션 등) 관리형 API가 ML 인력 없이도 오늘날 이를 해결해 줍니다. 작업이 제품, 부품 또는 프로세스에 고유한 경우 어떤 사전 학습된 API도 프로덕션 정확도에 도달할 수 없으며, 결국 트레이닝 및 데이터 파이프라인을 구매하게 됩니다.

클라우드 vs 엣지. 추론이 데이터 센터로의 왕복을 감당할 수 있는 경우, 클라우드 벤더가 가장 저항이 적은 경로입니다. 그렇지 않은 경우(고속으로 작동하는 라인, 차량, 연결이 불안정한 사이트, 또는 구내를 벗어나는 것이 허용되지 않는 데이터) 엣지 배포는 대부분의 후보 목록을 탈락시키는 필수 요구 사항이 됩니다.

플랫폼을 구매하고 데이터 및 라이프사이클 작업을 건너뛰는 프로그램은 프로덕션에 도달하지 못하는 파일럿을 출시하게 됩니다. 예산 책정 시 레이블링과 MLOps를 주요 작업으로 설정하고, 무엇인가를 서명하기 전에 가장 어려운 이미지에서 정확도를 증명하십시오.

벤더는 순위가 아니라 알파벳순으로 나열됩니다. Ultralytics는 이 가이드를 발행하고 여기에 등장하므로 순서는 의도적으로 중립적이며 모든 벤더에는 명시된 트레이드오프가 존재합니다.

AWS: Rekognition 및 SageMaker AI#

이것이 무엇인가요. 두 개의 레이어로 구성됩니다: 관리형 비전 API로서의 Amazon Rekognition, 그리고 커스텀 트레이닝 및 배포 플랫폼으로서의 Amazon SageMaker AI.

장점. Rekognition은 완전 관리형 이미지 및 비디오 분석(콘텐츠 모더레이션, 레이블 및 텍스트 감지, PPE 감지)과 함께 ML 인력 없이 태스크 특화 모델을 학습하기 위한 Custom Labels를 제공합니다. S3, Lambda 및 Kinesis Video와의 깊은 통합 덕분에 AWS 네이티브 파이프라인에 있어 가장 저항이 적은 경로가 됩니다. 요구 사항이 API의 범위를 넘어서는 경우, SageMaker AI는 분산 학습, 오토스케일링 엔드포인트, GPU 및 CPU 플릿, 배포 파이프라인, 그리고 공통 프레임워크 전반의 실험 추적을 지원합니다.

Rekognition은 또한 얼굴 비교 및 검색을 제공합니다. 이는 보너스 기능이라기보다는 별도의 조달 문제로 취급해야 합니다: 생체 인식 처리는 자체적인 규제 위험, 동의 의무, 그리고 여러 관할 구역에서의 법정 손해배상을 수반합니다. 필요하지 않다면 명시적으로 범위에서 제외하고, "보안"으로 레이블 지정된 대부분의 비전 사용 사례에는 이것이 필요하지 않음을 유의하십시오.

트레이드오프. 범위는 실제적이지만 어셈블리 작업 역시 실제적입니다: Rekognition과 SageMaker, 스토리지, 오케스트레이션은 제품이 아니라 하나의 아키텍처입니다. 엣지는 직접 구축 진영보다 약합니다.

추천 대상. 클라우드를 변경하지 않고 지금은 관리형 비전을 원하며 나중에 커스텀을 구축할 옵션을 원하는 AWS 네이티브 조직.

조달 참고 사항. PPE 감지는 안전 모니터링에 진정으로 유용하며 방어 가능한 첫 번째 성공으로 향하는 가장 빠른 경로인 경우가 많습니다.

Azure AI Vision#

이것이 무엇인가요. 기성 API와 커스텀 모델 학습을 아우르는 Microsoft의 관리형 비전 스택.

장점. Azure AI Vision은 이미지 분석, OCR 및 텍스트 추출, 객체 감지, 비디오 인사이트를 위한 즉시 사용 가능한 API를 제공하며, 기본 인프라를 관리할 필요 없이 배포와 스케일링이 처리됩니다. 자체 학습된 분류 또는 감지 모델이 필요한 팀의 경우, AutoML 기능을 포함한 Azure Machine Learning이 현재 경로이며 전체 라이프사이클을 다룹니다.

조달 참고 사항: 기능 목록뿐만 아니라 서비스 라이프사이클을 확인하십시오. Microsoft는 기존 Custom Vision 서비스를 은퇴 경로에 올려놓았으며 커스텀 분류 및 감지 모델을 구축하는 고객에게 대신 Azure Machine Learning을 안내하고 있습니다. Custom Vision을 기반으로 구축된 모든 것은 이제 로드맵에 마이그레이션을 수반합니다. 이것이 클라우드 비전 평가가 잘못되는 가장 흔한 원인입니다: 기능 비교에서는 이상적으로 보이던 서비스가 이미 구형이 되었고, 후보 목록을 제공했던 비교 기사들은 업데이트되지 않은 것입니다. 제안서에 명명된 모든 특정 서비스의 지원 및 지원 중단 상태를 서면으로 모든 하이퍼스케러에게 요청하십시오.

트레이드오프. 모든 하이퍼스케러 비전 서비스와 마찬가지로 경제성은 소비 기반이므로 규모가 커지면 비용이 팀을 놀라게 할 수 있습니다. 엣지 배포가 가능하지만 디자인 중심점은 아닙니다.

추천 대상. 강력한 OCR 및 문서 이해가 필요하며 ML 팀보다는 관리형 서비스를 선호하는, 이미 Azure로 표준화된 조직.

조달 참고 사항. 파일럿 볼륨이 아니라 프로덕션 볼륨에서의 추론당 비용을 모델링하십시오. 소비 기반 가격 책정은 승인된 비즈니스 케이스를 적자로 전환시키는 주 요인입니다.

Cognex#

이것이 무엇인가요. 제조 및 물류를 위한 자동화 하드웨어와 소프트웨어를 판매하는 머신 비전 분야의 글로벌 리더.

장점. Cognex가 산업용 비전의 터주대감인 데에는 그럴 만한 이유가 있습니다. 결함 검출 및 품질 관리, 유무 검증, 물류 및 포장 분야의 바코드 읽기 및 추적성 전반에 걸쳐 제품이 배포되어 있습니다. Cognex VisionPro Deep Learning(ViDi 제품군의 후속작)은 공장 자동화를 위해 특별히 구축된 산업용 딥러닝을 추가하며, 더 단순한 검사를 위한 엣지 학습 옵션도 제공합니다. 프로그램이 PLC와 통합되고 공장 현장에서 살아남아야 하는 비전이 필요한 경우, 이는 카메라를 가리키는 클라우드 서비스가 아니라 검증된 장비입니다.

트레이드오프. 비용 구조와 벤더 종속성을 내포한 산업용 하드웨어 생태계에 합류하게 됩니다. 클라우드 네이티브, 소프트웨어 우선 팀에는 잘못된 형태입니다.

추천 대상. 비전 시스템이 데이터 플랫폼의 일부가 아니라 생산 라인의 일부인 제조 및 물류 프로그램.

조달 참고 사항. 라인이 가동 중일 때 모델이 어떻게 업데이트되는지 물어보십시오. 공장 장비의 재학습 주기는 클라우드 엔드포인트를 재배포하는 것과 매우 다른 운영상의 문제입니다.

Encord#

이것이 무엇인가요. 어노테이션과 데이터셋 품질에 초점을 맞춘 데이터 중심 플랫폼.

장점. Encord의 포지셔닝은 모델 아키텍처가 아니라 데이터 품질이 결과를 결정한다는 것입니다. 어노테이션, 큐레이션, 품질 관리를 위한 툴링을 제공하며 의료 영상 및 비디오 분야에서 강점이 언급됩니다.

트레이드오프. 이는 문제의 데이터 절반을 해결합니다. 트레이닝과 배포에는 여전히 홈이 필요합니다.

추천 대상. 규제 대상 도메인이나 전문가 도메인에서 특히 레이블링 품질이 병목 현상인 프로그램.

Landing AI#

이것이 무엇인가요. 앤드루 응(Andrew Ng)이 설립한 제조 시각 검사 플랫폼.

후보 선정 전 참고 사항. Landing AI는 문서 및 에이전틱 AI 중심으로 포지셔닝을 재조정했으며, 검사 라인은 헤드라인보다는 유지보수되는 수준입니다. ABB Motion Ventures가 2025년에 ABB 로보틱스에 비전 AI를 도입하기 위해 특별히 투자했으므로 역량은 전진할 수 있는 경로가 있으나, 공장 검사를 위한 로드맵 약속에 대해 직접 문의하십시오.

장점. Landing AI는 구체적이고 진정으로 어려운 문제, 즉 결함 예시가 드문 시각 검사를 타겟팅합니다. 이 기술은 산업 환경에서 일반적인 조건인 소규모 데이터셋을 위해 설계되었습니다. 한 달에 두 번 발생하는 결함에 대해 수천 개의 예시를 수집할 수는 없습니다.

트레이드오프. 이러한 집중은 적합성을 좁힙니다. 여러 작업 유형에 걸친 범용 비전의 경우 더 광범위한 플랫폼이 더 나은 서비스를 제공합니다.

추천 대상. 결함 감지 문제가 있지만 기존 모델을 학습하기에 결함 이미지가 충분하지 않은 제조업체.

조달 참고 사항. 모델 역량이 아니라 데이터 부족이 장애물일 때 후보로 올려야 할 벤더입니다. 가장 희귀한 결함 클래스로 이를 증명하십시오.

NVIDIA#

이것이 무엇인가요. 엔터프라이즈 비전의 많은 부분을 지탱하는 컴퓨팅 및 소프트웨어 레이어: 가속화된 하드웨어, 사전 학습된 모델 툴킷, 그리고 엣지 및 비디오 분석을 위한 배포 프레임워크.

장점. 조달에서 NVIDIA의 관련성은 보통 애플리케이션 수준이라기보다는 구조적인 편입니다. 트레이닝이 실행되는 GPU와 엣지 추론이 실행되는 Jetson 모듈을 공급하며, 멀티 스트림 비디오 분석 파이프라인을 위한 DeepStream과 모델 학습 및 최적화를 위한 TAO라는 Metropolis 플랫폼 레이어를 제공합니다. 수많은 카메라 스트림에 걸쳐 비전을 배포하는 프로그램의 경우, 플랫폼 문제와 NVIDIA 문제는 자주 동일한 문제입니다.

트레이드오프. 이는 애플리케이션이 아니라 인프라입니다. 자체 팀이나 다른 벤더를 통해 데이터 파이프라인, 모델, 통합 작업이 여전히 필요합니다.

추천 대상. 엣지에서 많은 카메라 스트림을 실행하거나 대규모로 커스텀 모델을 학습하는 프로그램.

조달 참고 사항. 하드웨어 리드 타임과 라이프사이클 지원은 계약에 포함되어야 합니다. 엣지 플릿은 3년 차에도 여전히 구매할 수 있어야 하는 모듈에 대한 5년 간의 약속입니다.

Roboflow#

이것이 무엇인가요. 컴퓨터 비전을 위한 개발자 중심의 엔드투엔드 플랫폼.

장점. Roboflow는 빠른 프로토타이핑에 인기가 높으며, AI 보조 어노테이션, 노코드 트레이닝, 클라우드 투 엣지 배포를 통해 데이터셋 관리, 증강, 모델 트레이닝을 처리합니다. 새로운 사용 사례를 빠르게 반복하는 팀에게 대부분의 설정 작업을 제거해 줍니다.

트레이드오프. 개발자 중심 툴링은 개발자를 전제로 합니다. 엔터프라이즈 관리형 서비스가 아닙니다.

추천 대상. 몇 분기가 아니라 며칠 안에 아이디어에서 작동하는 모델로 이동하고자 하는 팀.

Ultralytics#

이것이 무엇인가요. 널리 채택된 open models를 중심으로 구축된, 어노테이션, 데이터셋 관리 및 트레이닝을 아우르는 비전 플랫폼.

장점. Ultralytics Platform은 6가지 어노테이션 작업(객체 감지, 인스턴스 세그멘테이션, 시맨틱 세그멘테이션, 분류, 포즈 추정 및 지향 객체 감지)을 지원하며, SAM 기반 스마트 어노테이션을 통해 감지, 세그멘테이션, 시맨틱 및 지향 박스 작업에 대해 한 번의 클릭으로 마스크와 바운딩 박스를 생성합니다. 단, 포즈와 분류는 수동으로 어노테이션되므로 작업 조합과 대조하여 확인할 가치가 있습니다. 가져오기와 내보내기가 YOLO, COCO 및 VOC에 걸쳐 지원되므로 기존 파이프라인을 교체하는 대신 이에 맞추며, 팀 검토 및 데이터셋 버전 관리가 내장되어 있습니다. 조달상의 장점은 연속성과 이 portability입니다. 모델이 개방되어 있고 널리 배포되어 있으며, 레이블을 지정한 데이터셋이 곧 학습하는 데이터셋이고 어느 쪽도 독점 형식에 갇히지 않습니다.

조달 세부 사항. Ultralytics Platform은 SOC 2 Type I 및 **ISO 27001:2022**를 보유하고 있으며, 전송 중 및 저장 중 암호화와 GDPR 및 CCPA 준수를 제공합니다. Type I을 주의 깊게 읽어보십시오: 이는 일정 시점의 통제 설계를 증명하는 것이며 기간에 따른 운영 효과성을 증명하는 Type II가 아닙니다. 위의 여러 벤더가 Type II를 보유하고 있으며 정책에 이것이 요구된다면 이는 기술적인 문제가 아니라 실제적인 차이입니다. 데이터 레지던시는 US, EU 또는 AP에 고정할 수 있습니다. 클라우드 GPU 가격은 견적이 아니라 시간당으로 공개되며 청구는 pay-as-you-go 방식이므로 영업 대화 전에 정확하게 모델링할 수 있는 이 페이지의 몇 안 되는 옵션 중 하나입니다.

라이선스: 기능 비교 전에 이것을 읽으십시오. Ultralytics YOLO 모델은 강력한 카피레프트 라이선스인 AGPL-3.0 하에 배포됩니다. 상업적 또는 프로덕션 배포에는 일반적으로 비공개 배포 및 고급 지원도 포함하는 Ultralytics Enterprise licence가 필요합니다. 상용 라이선스 플랫폼과의 모든 비교에 해당 라이선스 가격을 반영하고 법무팀에 조기에 검토를 요청하십시오. "오픈 소스"와 "라이선스 비용 없음"은 같은 말이 아니며, 이는 그렇지 않으면 건전했던 비전 비즈니스 케이스가 계약 단계에서 정체되는 가장 흔한 원인입니다.

트레이드오프. 이는 자신의 모델을 소유할 팀을 위한 플랫폼입니다. 완성된 결과를 제공하는 관리형 서비스를 원하는 조직은 대신 서비스 벤더를 살펴봐야 합니다. 또한 이곳의 옵션 중 가장 최신에 가까운 편입니다. Ultralytics Platform은 2026년 3월에 출시된 반면, Azure, AWS, Cognex 및 NVIDIA는 오랜 조달 역사, 확립된 지원 네트워크, 그리고 리스크를 회피하는 위원회가 요구할 레퍼런스 고객을 보유하고 있습니다. 트랙 Record의 길이 또는 Type II 증명이 필수 요건인 경우, 이는 다른 곳을 가리킵니다.

추천 대상. 클라우드 벤더에 대한 추론당 종속성 없이 자체 하드웨어를 포함하여 선택한 곳에 배포되는, 제어 가능한 커스텀 비전 모델을 원하는 엔터프라이즈. 관리형 플랫폼 자체는 GPU 학습 시간 및 엔드포인트 사용량에 대해 비용을 청구한다는 점에 유의하십시오. 차이점은 내보낸 모델이 사용자가 소유한 인프라에서 완전히 실행될 수 있다는 점입니다.

한눈에 보는 비교#

어떤 벤더를 선택해야 할까요?#

6가지 상황이 대부분의 엔터프라이즈 프로그램을 다룹니다. 본인의 상황을 찾으십시오.

OCR, 문서 이해 또는 일반 객체 감지가 필요하며 Azure를 사용 중인 경우. Azure AI Vision을 선택하십시오. API는 바로 사용할 수 있고 ML 인력이 필요 없으며 통합 작업이 최소화됩니다. 확정하기 전에 프로덕션 볼륨에서의 추론당 비용을 모델링하십시오. 소비 기반 가격 책정이 승인된 비즈니스 케이스를 깨뜨리는 원인입니다.

AWS 네이티브 파이프라인 내에서 관리형 비전이 필요한 경우. AWS를 선택하십시오. Rekognition이 모더레이션, 얼굴 검색, PPE 및 레이블 감지를 기본으로 처리하며, 클라우드를 변경하지 않고 범위를 벗어나게 될 때 SageMaker가 준비되어 있습니다. 제품을 구매하기보다는 아키텍처를 조립해야 한다고 예상하십시오.

생산 라인에서 부품을 검사하는 경우. 비전 시스템이 라인에 상주하고 PLC와 통합되며 공장 환경에서 살아남아야 한다면 Cognex를 선택하십시오. 결함이 너무 드물어 기존 방식으로 학습할 수 없는 것이 병목이라면 대신 Landing AI를 선택하십시오. 이는 장비 문제가 아니라 데이터 문제이며 다른 툴이 필요합니다.

엣지에서 수많은 카메라 스트림에 걸쳐 배포하는 경우. 플랫폼 레이어로 NVIDIA를 선택한 후, 모델과 데이터 파이프라인을 공급할 주체를 별도로 결정하십시오. 이것은 애플리케이션 결정을 해결하지 않는 인프라 결정입니다.

빠르게 움직여 가치를 증명해야 하는 경우. 빠른 반복을 원한다면 Roboflow를 선택하고, 프로토타입을 만든 모델을 프로덕션에서 실행할 모델로 의도한다면 Ultralytics Platform을 선택하십시오. 차이점은 탐색 중인지 구축 중인지에 있습니다.

레이블링된 데이터가 병목인 경우. 어노테이션 품질과 큐레이션이 제약 사항이라면 Encord를 선택하고, 툴 간에 핸드오프하는 대신 어노테이션이 트레이닝에 직접 결합되기를 원한다면 Ultralytics Platform을 선택하십시오.

두 옵션 모두 적합할 경우, 더 저렴한 퇴로가 있는 쪽을 선택하십시오. 오픈 모델 형식과 이포터블 데이터셋은 잘 풀릴 때는 비용이 들지 않지만 그렇지 않을 때는 모든 비용이 소요됩니다.

RFP에 포함해야 할 내용#

아래 질문들은 어떤 기능 매트릭스보다도 빠르게 벤더를 걸러냅니다. 부적합한 벤더가 명확하게 답할 수 없는 질문들이기 때문입니다.

정확도에 관하여. 집계된 수치가 아니라 당사의 실패 클래스별로 세분화했을 때, 개념 증명 이미지에 대해 측정된 정확도는 얼마입니까? 가장 최악의 조명 조건에서 그 수치는 어떻게 됩니까?

배포에 관하여. 추론을 실행하는 정확한 하드웨어는 무엇이며, 캡처를 포함한 엔드투엔드 레이턴시는 얼마이고, 연결이 끊겼을 때의 동작은 어떻습니까? 이미 설치된 디바이스의 모델은 물리적으로 누가 업데이트합니까?

데이터 관련. 라벨링된 데이터의 소유자는 누구입니까? 언제든지 오픈 포맷으로 내보낼 수 있습니까? 제품 개선을 위해 당사 데이터 중 어떤 부분이 사용되며, 거부(opt-out)할 수 있습니까?

라이프사이클 관련. 새로운 실패 모드를 발견한 후 재학습하고 재배포하는 데 얼마나 걸립니까? 담당자와 함께 일련의 단계별 프로세스로 설명해 주십시오.

비용 관련. 예상 볼륨 기준으로 라이선스, 컴퓨팅, 스토리지, 어노테이션 인건비, 서포트로 항목화한 3년 총비용은 얼마입니까? 가격 변동을 유발하는 요인은 무엇입니까?

종료(Exit) 관련. 2년 차에 계약을 해지할 경우 데이터, 모델 또는 그 어느 것도 아닌 것 중 무엇을 유지하게 됩니까?

파일럿에서 프로덕션까지#

이 범주의 대부분 프로그램은 파일럿 단계에서 실패하지 않습니다. 잘 작동했던 파일럿과 결코 도달하지 못하는 프로덕션 시스템 사이의 간격에서 실패합니다.

파일럿 시작 전에 프로덕션 기준을 설정하십시오. 롤아웃을 정당화할 수 있는 추론당 정확도, 지연 시간(latency), 비용을 결정하고 기록해 두십시오. 합격 기준이 없는 파일럿은 항상 성공하기 마련이며, 그렇기 때문에 아무것도 알려주지 않습니다.

가장 좋은 곳이 아니라 가장 안 좋은 현장에서 파일럿을 진행하십시오. 조명이 좋고 의욕적인 관리자가 있는 플래그십 라인은 어떤 벤더든 유능해 보이게 만듭니다. 롤아웃이 실제로 평가받을 곳은 문제가 있는 현장입니다.

두 번째 모델의 예산을 책정하십시오. 첫 번째 모델은 벤더의 관심과 깨끗한 데이터셋으로 구축됩니다. 열 번째 모델은 화요일에 귀하의 팀이 구축합니다. 벤더가 자리에 없이는 두 번째 모델을 구축할 수 없다면, 그 프로그램은 확장성이 없는 것입니다.

데이터 품질 책임자를 지정하십시오. 이 범주에서 실패한 모든 프로그램에는 공통적으로 빠진 역할이 있습니다. 바로 시간이 지남에 따라 라벨링된 데이터셋에 대해 책임을 지는 사람입니다. 이는 ML 엔지니어의 부업이 아니며 조달 부서의 업무도 아닙니다.

프로덕션과의 접점에서 살아남는 평가 기준#

태스크와 추론이 실행되어야 하는 위치에 맞춰 이러한 항목들에 가중치를 부여하십시오.

벤치마크가 아닌 귀하의 이미지에서의 정확도. 조명 불량, 가림(occlusion), 운영자가 불만을 제기하는 엣지 케이스 등 가장 까다로운 자체 이미지를 사용하여 개념 증명(PoC)을 진행할 것을 요구하십시오. 이를 수행하기 꺼리는 벤더는 무언가를 숨기고 있는 것입니다.

엣지 배포의 현실성. 구체적으로 질문하십시오: 어떤 하드웨어인지, 지연 시간은 얼마인지, 네트워크가 끊기면 어떻게 되는지, 이미 필드에 있는 디바이스에서 모델은 어떻게 업데이트되는지 확인하십시오.

총 소유 비용(TCO). 선불 수수료뿐만 아니라 라이선스, 컴퓨팅, 스토리지, 어노테이션 인건비, 지속적인 모델 유지보수를 포함하십시오. 종량제 클라우드 가격 책정은 대규모 운영 시 팀을 가장 자주 놀라게 하는 항목입니다.

통합 서페이스(Integration surface). 산업 환경에서는 PLC 및 MES와의 적합성이 시스템 사용 가능 여부를 결정합니다. 소프트웨어 환경에서는 API와 데이터 파이프라인이 그 역할을 합니다. 이들은 서로 대체할 수 없습니다.

데이터 거버넌스. 암호화, 액세스 제어, 감사 추적(audit trail), 규제 준수. GDPR, HIPAA 및 산업별 표준은 기술 비교가 시작되기도 전에 플랫폼 선택을 좌우하는 경우가 많습니다.

새로운 조달 관문: 디바이스 신뢰 및 데이터 출처#

이전이었다면 성사되었을 계약을 이제는 가로막고 있으므로 주목할 만한 변화입니다.

디바이스 신뢰, 데이터셋 권리, 이미지 보관 기록은 점점 모델 정확도와 동일한 상업적 비중을 차지하고 있습니다. 컴퓨터 비전 모델은 기술 검증을 통과하고도 조달 단계를 통과하지 못할 수 있습니다. 훈련 이미지가 어디에서 왔는지, 조직에 이를 사용할 권리가 있었는지, 어떤 물리적 디바이스가 특정 프레임을 캡처했는지 아무도 증명할 수 없기 때문입니다.

RFP에 포함해야 할 세 가지 질문:

• 데이터셋 권리. 훈련에 사용된 모든 데이터셋에 대해 라이선스는 무엇이며, 당사 관할 구역에서 상업적 사용이 허용됩니까?
• 이미지 보관(Custody). 벤더가 프로덕션 추론을 이를 캡처한 디바이스까지 추적하는 기록을 생성할 수 있습니까?
• 디바이스 신뢰. 엣지 디바이스의 무결성은 어떻게 증명되며, 디바이스가 변조된 경우 어떻게 됩니까?

이러한 질문에 답하지 못하는 벤더가 반드시 안전하지 않은 것은 아닙니다. 그러나 법적 검토 과정을 몇 달이나 지연시키게 될 것입니다.

평가 진행 방법#

기능 개수가 아닌 사분면(quadrant)을 기준으로 후보군을 압축하십시오. 사전 훈련(pretrained) 모델 대 커스텀 모델, 클라우드 대 엣지 여부를 먼저 결정하십시오. 보통 단 하나의 데모를 보기도 전에 시장의 절반이 걸러집니다.

가장 까다로운 데이터를 사용하여 하나의 개념 증명을 실행하십시오. 동일한 이미지, 동일한 허용 기준을 모든 벤더에게 적용하십시오. 쉬운 세트 전체의 종합 정확도가 아니라 중요한 케이스에서의 정확도를 측정하십시오.

전체 라이프사이클의 비용을 산정하십시오. 어노테이션 인건비와 재학습을 포함한 3년 모델을 구축하십시오. 라이선스 수수료가 아니라 이를 비교하십시오.

업데이트 경로를 테스트하십시오. 모델을 배포한 다음 변경해 보십시오. 그것이 얼마나 오래 걸리는지, 누가 관여해야 하는지는 라이브 후 시스템이 개선되는지 아니면 첫날 상태로 멈춰 버리는지를 좌우하는 핵심 수치입니다.

종료(Exit)를 확인하십시오. 라벨링된 데이터를 오픈 포맷으로 내보내고 모델을 다른 곳으로 가져갈 수 있습니까? 그렇지 않다면 락인(lock-in) 비용을 산정하십시오.