“학습 시간↓ 성능 유지” 3D AI 모델 학습효율 높일 신기술 등장 작성일 12-01 35 목록 <div id="layerTranslateNotice" style="display:none;"></div> <strong class="summary_view" data-translation="true">- UNIST 인공지능대학원 심재영 교수 연구팀<br>- 데이터 순서 불일치·회전 변동성 동시 해결</strong> <div class="article_view" data-translation-body="true" data-tiara-layer="article_body" data-tiara-action-name="본문이미지확대_클릭"> <section dmcf-sid="z40QGDNdY7"> <figure class="figure_frm origin_fig" contents-hash="f0b8ff29b5a5371df94d470fa63afdf9cbea5dd959015e68b05f1777267b83bf" dmcf-pid="q8pxHwjJXu" dmcf-ptype="figure"> <p class="link_figure"><img alt="이번 연구를 수행한 UNIST 연구진. 심재영(왼쪽부터) 교수, 임재영, 김동욱 연구원.[UNIST 제공]" class="thumb_g_article" data-org-src="https://t1.daumcdn.net/news/202512/01/ned/20251201190239633xmdj.jpg" data-org-width="1280" dmcf-mid="7bWBOnMVGz" dmcf-mtype="image" height="auto" src="https://img1.daumcdn.net/thumb/R658x0.q70/?fname=https://t1.daumcdn.net/news/202512/01/ned/20251201190239633xmdj.jpg" width="658"></p> <figcaption class="txt_caption default_figure"> 이번 연구를 수행한 UNIST 연구진. 심재영(왼쪽부터) 교수, 임재영, 김동욱 연구원.[UNIST 제공] </figcaption> </figure> <p contents-hash="5f9008e5f69de71d31ce63b8594d1d598e7a2d1bb46f3998e5c65a8be74f06df" dmcf-pid="B6UMXrAiHU" dmcf-ptype="general">[헤럴드경제=구본혁 기자] 자율주행차나 로봇의 눈 역할을 하는 사물 인식 인공지능(AI) 모델이 학습해야 할 데이터의 양을 요약해도 성능을 보존할 수 있어, 학습 효율을 극대화하는 기술이 나왔다. AI 모델 개발에 드는 시간과 연산 비용을 크게 줄일 수 있게 됐다.</p> <p contents-hash="b102dabaa639d5bdcfd8600baa918792b82fbe95b9b8caa1fac990e887175034" dmcf-pid="bPuRZmcnZp" dmcf-ptype="general">UNIST(울산과학기술원) 인공지능대학원 심재영 교수팀은 3D 포인트 클라우드(Point Cloud) 데이터를 효과적으로 압축해 학습 효율을 높이는 ‘데이터 증류(dataset distillation)’ 기술을 개발했다고 1일 밝혔다.</p> <p contents-hash="4a2640debeb4ccf9881f18d1e51b11893b9b0c0635df76160a4c3994745458a8" dmcf-pid="KQ7e5skLt0" dmcf-ptype="general">데이터 증류는 대규모 학습 데이터 중 요점만을 추출해 새로운 ‘요약 데이터’를 만들어내는 기술이다. 3D 포인트 클라우드 데이터는 이 데이터 증류 기술 적용이 까다로운 형태의 데이터로 꼽힌다. 3D 포인트 클라우드 데이터는 사물을 점으로 표현해 놓은 데이터인데, 점들의 배열에 정해진 순서가 없고, 물체가 회전해 있는 경우가 많은 특성 때문이다.</p> <p contents-hash="2276ac6298d19e12adb486f41c77e3bdf004035d6f6c96b8655e13a44e426dda" dmcf-pid="9xzd1OEoY3" dmcf-ptype="general">이러한 특성은 요약 데이터를 생성하는 과정에서 치명적인 걸림돌이 된다. 데이터 증류는 원본 데이터와 요약 데이터의 특징을 ‘비교’하는 방식으로 요약 데이터의 완성도를 높여 나가게 되는데, 위와 같은 데이터 특성 때문에 제대로 된 비교(매칭)가 불가능하다. 결국 엉뚱한 부위끼리 비교하게 되거나 같은 물체도 다른 물체로 인식해 잘못된 정보가 반영된 요약 데이터를 만들게 된다.</p> <p contents-hash="abd539def7ec520a63dac6a073bd74e8bd2f399d90709abb03f9260a20791dad" dmcf-pid="2MqJtIDg1F" dmcf-ptype="general">연구팀은 이 문제를 해결한 데이터 증류 기술을 개발했다. 순서가 제각각인 점 데이터의 의미 구조를 자동으로 정렬해주는 손실 함수(SADM)와 물체의 회전 각도를 AI가 스스로 최적화해 학습하도록 하는 방향 최적화(learnable rotation) 기법이 적용된 기술이다.</p> <p contents-hash="ebd8685e293b6f0324c54b2c212462dee6c10f7f1442b0411b636d8962691367" dmcf-pid="VDds4FHl5t" dmcf-ptype="general">개발된 데이터 증류 기술은 원본 대비 수십 분의 1 수준으로 데이터를 줄여도 모델 정확도를 유지하는 것으로 확인됐다. 특히, 특정 데이터셋(ModelNet40)에서는 데이터를 원본 크기의 25분의 1로 줄인 요약 데이터로 학습해도 80.1퍼센트의 인식 정확도를 기록해, 전체 데이터로 학습했을 때의 87.8퍼센트와 큰 차이가 나지 않았다. 이는 높은 압축률에서도 학습 효율과 성능을 균형 있게 확보할 수 있음을 보여주는 결과다.</p> <p contents-hash="f1ebec23600da67b4b1ec9663c08bc9aa5e0b639203c62ccc9b29b5d2ee35bae" dmcf-pid="fwJO83XSY1" dmcf-ptype="general">심재영 교수는 “이번 기술은 3D 점 데이터의 무질서한 구조와 회전 불확실성으로 인해 기존 기술들이 겪던 매칭 오류를 근본적으로 해결한 것”이라며 “자율주행, 드론, 로봇, 디지털 트윈 등 대규모 3D 데이터 활용이 필요한 분야에서 AI 학습 비용과 시간을 크게 줄이는 데 기여할 수 있을 것”이라고 말했다.</p> <p contents-hash="1a313b4d0e78a3a6071fd10daaba4d879795a7cab0952c9f169e6a3b99e8a7cc" dmcf-pid="4riI60Zv55" dmcf-ptype="general">한국연구재단, 정보통신기획평가원 지원으로 수행된 이번 연구 결과는 3대 인공지능 분야 권위 국제학회인 ‘신경정보처리시스템학회(NeurIPS) 2025’에 정식 논문으로 채택됐다.</p> </section> </div> <p class="" data-translation="true">Copyright © 헤럴드경제. 무단전재 및 재배포 금지.</p> 관련자료 이전 메모리 대란 걱정없다... 'AI 노트북' 가성비는 여기 12-01 다음 입단 39년 이창호, 통산 1969승 고지…조훈현 넘어 최다승 신기록 12-01 댓글 0 등록된 댓글이 없습니다. 로그인한 회원만 댓글 등록이 가능합니다.
