재검이 자산이 되게 하려면

재검은 비용입니다. 그런데 재검 결과를 기록하면 가장 값진 학습 데이터가 됩니다. 모델이 애매하다고 판단한 이미지에 사람이 정답을 붙여 주는 것이니까요.

피드백 흐름

판정(재검) → 사람 확인 → 결과 입력 → 이미지+정답 저장 → 재학습 후보
                                              ↓
                                    이의 제기 건도 같은 곳으로

이 흐름이 끊기지 않게 하는 것이 관건입니다. 작업자가 결과를 한 번의 터치로 입력할 수 있어야 합니다. 별도 시스템에 다시 적어야 하면 며칠 만에 중단됩니다.

재학습 시점

정기적으로 하는 것보다 조건이 충족될 때 하는 편이 낫습니다.

• 새로 라벨된 이미지가 일정 수(예: 유형별 50장) 이상 쌓였을 때
• 기준 이미지 판정이 달라졌을 때
• 제품·소재 변경 같은 알려진 사건이 있을 때
• 재검 비율이 목표를 넘어 유지될 때

재학습할 때 주의할 점

새 데이터만으로 학습하면 이전에 잘 잡던 것을 잊습니다. 기존 데이터와 합쳐야 합니다.

그리고 배포 전에 고정된 검증셋으로 이전 모델과 비교하세요. "새 모델이 더 낫다"를 숫자로 확인하지 않으면, 개선이라 믿고 성능을 떨어뜨릴 수 있습니다.

확인	기준
미탐 수	이전 모델보다 늘지 않았는가
재검 비율	목표 범위 안인가
기존 결함 유형별 성능	어느 유형도 크게 나빠지지 않았는가

마지막 항목이 중요합니다. 전체 평균은 좋아졌는데 특정 유형만 무너지는 경우가 있습니다.