Skinive가 수백만 실사용자 이미지로 AI 스킨 분석 모델을 개선하며 얻은 검증-set 고정, 데이터 품질 우선, 전처리 파이프라인 최적화 운영 교훈

Context

기존 스킨 분석 AI 시스템은 임상 데이터가 아닌 스마트폰 사용자가 촬영한 노이즈가 많은 이미지로 운영되며, 수백만 장의 이미지 중 정제된 수십만 장만 학습에 사용했다. 모델 성능 추적을 위해 약 27,000장의 검증-set을 고정하여 사용했다.

Technical Solution

• 검증-set 고정을 통해 테스트 데이터 편의 없이 모델 실제 개선만 측정
• 전체 수백만 장보다 정제된 수십만 장 데이터셋이 더 높은 학습 효율 제공
• 이미지 전처리 파이프라인 구축으로 원본 입력의 30~40%를 필터링
• YOLO 기반 경량 객체 탐지기로 영역 자동 인식 및 크롭 처리
• 스킨 포함 여부 판별 후 관련 없는 이미지는 재촬영 요청
• 경계 사례에 대해서는 노이즈 제거, 선명화, 대비 조정 후 처리
• 전체 이미지 대신 탐지 기반 접근 방식으로 관심 영역 집중 분석
• 민감도뿐 아니라 정밀도 균형 조정을 통해 신뢰도 향상 추구

Impact

전처리 개선만으로 모델 변경 없이 시스템 전체 신뢰도 크게 향상됨

Key Takeaway

사전 정의된 검증-set으로 측정 일관성 유지, 데이터 품질과 양 균형 맞추기, 입력 데이터 표준화가 모델 자체 개선보다 먼저 고려되어야 한다.