|
|
|
|
|
 |
데이터, 정렬, 임계값 정책입니다.
임계값 정책이 제품 신뢰를 결정합니다.
저는 얼굴인식은 모델보다 운영 정책이 실제 품질을 좌우한다는 입장입니다.
출입통제는 보안제품입니다.
저는 현장에서 가장 먼저 보는 게 병목 위치입니다.
제품 리스크입니다.
보안은 제품의 존재 이유입니다.
저는 얼굴인식을 모델 성능 경쟁이 아니라 제품 운영 품질 경쟁으로 보는 AI 엔지니어 지원자입니다.
|
|
|
 |
FAR/FRR, ROC, DET, EER, TPR@FPR 같은 지표를 언제 어떻게 쓰는지 말해보세요
임계 값(thres hold)을 제품에 넣을 때, 어떤 기준으로 설정하고 운영 중 어떻게 관리하나요
본인의 강점과 약점, 그리고 슈프리마에서 어떤 AI 엔지니어로 성장하고 싶나요
정확도 0.1% 올리는 게 무슨 의미냐고 하면, 성과를 어떻게 증명하겠습니까
데이터, 정렬, 임계값 정책입니다.
데이터가 모델의 한계를 결정합니다.
정렬이 임베딩 품질을 결정합니다.
저는 얼굴인식은 모델보다 운영 정책이 실제 품질을 좌우한다는 입장입니다.
문 앞에서 "이 사람이 등록된 그 사람인가"를 확인하는 문제입니다.
이 사람이 등록된 사람 중 누구인가"를 찾습니다.
이 단계는 같은 사람의 임베딩 분산을 줄이는 핵심입니다.
저는 "무조건 이거"가 아니라, 데이터 규모와 라벨 품질, 목표지표에 맞춰 선택하되, 기본은 margin-based로 깔고 가는 게 현실적이라고 봅니다.
예를 들어 마스크 상황에서 인식률이 떨어지면, 1) 마스크 착용 시 랜드마크가 깨지는지 2) 마스크 영역이 임베딩에 과도하게 영향을 주는지 3 품질 점수가 낮아져 임계값 정책에서 거부되는지부터 확인합니다.
학습 데이터 보강 : 해당 도메인의 실제 분포를 반영한 데이터를 확보하고, 마스크 /IR 같은 조건을 명시적으로 포함합니다.
조건별 임계값 또는 품질 점수 기반 동적임계 값을 설계해 안정성을 올립니다.
저는 도메인 시프트는 "모델을 더 깊게 "가답이 아니라 "현장 분포를 반영한 데이터와 정책"이 답이라고 봅니다.
EER은 비교용으로는 편하지만, 제품 목표를 결정하기엔 위험합니다.
저는 지표는 보고서가 아니라 정책 결정도구라고 봅니다.
운영관리는 두 가지가 핵심입니다.
예를 들어 인식이 높아도 liveness가 낮으면 거부하는 식입니다.
저는 현장에서 가장 먼저 보는 게 병목 위치입니다.
저는 Edge에서 "정확도를 조금 희생하더라도 안정적인 속도"를 확보하는 게 제품 성공 가능성을 높인다고 봅니다.
현장에서 버벅이는 제품은 정확도가 좋아도 폐기됩니다.
이유는 정확도 유지에 가장 효과적이고, 제품 특화된 성능을 학생 모델에 이식하기 좋기 때문입니다.
현장 오인식을 줄이고, 속도와 보안을 함께 만족시키며, 제품 라인에서 "이 사람에게 맡기면 사고가 줄어든다"는 평가를 받는 AI 엔지니어가 되겠습니다.
대신 현장에서 반복되는 실패 케이스를 구조적으로 수집하고, 파이프라인 단계별로 원인을 분해해 개선하는 방식으로 기여하겠습니다.
이 기여는 작아 보이지만 제품 품질을 가장 빠르게 올립니다.
대신 사고를 막는 구조를 만들겠습니다.
그래서 저는 1) 보안 기준을 고정하고 2) 최소 성능 기준(FAR 중심)을 고정하고 3 그 안에서 속도 최적화를 하겠습니다.
보안과 기준 성능을 고정한 상태에서, 가장 큰 병목부터 빠르게 제거하는 것이 촉박한 일정에서 이기는 방법입니다. |
 |
값, 데이터, 현장, 품질, 이다, 정책, 임계, 모델, 인식, 임베딩, 제품, 마스크, 운영, 추다, 검, 보안, 정렬, 성능, 어떻다, 문제 |
|
|
|
|
|
|
 |
|
|
|
|
|
|
|
|
|
|
|
| |
|
|
|
2026.01.14
11페이지
