고객의 문제를 해결하고 지속적인 개선이 이루어 질 수 있도록, 반복적 재 학습과 실험기능을 통해 최고의 성능을 유지합니다.
변경사항을 신속히 반영하고 학습하는
AI Model Lifecycle을 통해
학습결과를 자산화
지속적인 실험을 통한
학습/제공/평가 파이프라인을 통해
언제나 최적의 성능을 유지
모델 및 사용자 (그룹) 별
학습환경 뿐 아니라, 모델 개발을 위한
패키지를 업로드/ 미러링 형태로 제공
사용자 별 개별 실험공간을 생성하고
복수의 컨테이너 생성 지원으로
공동작업에 용이한 환경 제공
시스템 여건에 따라
기존 모델의 성능을 관리하거나,
타 솔루션과의 결합을 통해 성능극대화 추구
장기적인 관점에서 기업 AI 역량 증진을 위하여 파이프라인 단계 별 Log/ History/ 학습된 모델 등을 관리합니다.
프로젝트 모델 개발에 적합한 개별 학습실험환경 생성을 통해 개인/그룹/협업단위의 모델관리 기능을 지원합니다.
프로젝트 생성
학습실험 및 실행 (Experiment/Trial)
학습을 통해 생성된 모델을 적용하는데 그치지 않고, 만족스러운 성능을 위한 평가와 보완과정을 반복합니다.
모델 학습성능 / 서버 리소스 등의 모니터링을 지원합니다.
개별/다수 모델의 성능비교를 위한
그래프 지원
프로젝트 별 Resource Pool 관리
CPU / Memory / GPU 리소스의 등록 /
수정 / 삭제 처리
오픈소스 모니터링 툴과의 연계를 통해
Metrics,Resource Graph를 활용한
대시보드 지원
CPU/ GPU/ MEM 사용량 확인
AI기술 도입을 고민하거나, 이미 도입된 AI시스템을 효율적으로 사용하기 원하는
모든 기업에게 신규개발 대비 저비용 -고품질의 운영환경 제공을 통해 경쟁력을 강화시킵니다.
신용평가 / 이상거래탐지 / 보험가입자 위험도판단 / 보험금 지급여부 판단 등
수요예측 / 가격정책수립 / SCM / 품질관리 / 보안관리 등
VOC데이터분석 / 상품추천 / 고객유입 및 이탈관리 / 고객 구매 동선 분석 등
A사 AI운영환경 구축
다양한 머신러닝 모델을
서비스할 수 있고
지속적 통합배포가 가능한
표준화된 운영플랫폼 필요
표준개발환경 구축
1) 통합개발환경 구성
2) 공통기능 프레임워크 구축
3) 형상관리 및 배포관리 연계
4) 소스코드 품질표준 수립
서비스운영환경 구축
1) 표준 아키텍처 구성
2) CI/CD 지원관리 체계 구성
3) 머신러닝 모델서비스에 최적화 된 인프라 구성
1개월 이상 소요되던
환경구축 및 개발작업이
개발, 테스트, 배포, 운영까지
3일로 단축
B사 추천모델 개발
원자재 유통업무에
AI기반 예측모델의 도입으로,
운영효율 및 매출향상을 도모
표준 개발환경 구축
1) 현황분석
2) 모델설계
3) 데이터 전처리
4) 알고리즘 적합도 확인
5) 시스템 적용방안 수립
구매빈도 기반 추천대비
정확도 3배 증가
알고리즘기반추천
