Active Learning 기반 데이터 필터링으로 스크리닝 업무량 80% 이상 절감

Context

수천 건의 학술 논문을 수동으로 분류하는 과정에서 발생하는 막대한 시간 소모와 인적 오류라는 한계점 존재. 대규모 데이터셋에 대해 단순 전수 조사를 수행하는 기존 방식의 비효율성 해결 필요.

Technical Solution

• Uncertainty Sampling 기반의 Active Learning 메커니즘을 통한 데이터 우선순위 재배치
• 초기 시드 데이터셋(20~30건) 라벨링을 통한 모델의 초기 기준점 수립
• 모델이 판단 불확실성이 높은 레코드를 우선 제시하여 인간의 전문성을 효율적으로 결합하는 Human-in-the-loop 구조 설계
• 반복적인 피드백 루프를 통해 모델의 분류 정확도를 실시간으로 개선하는 인터랙티브 워크플로우 구축
• 전수 조사 대신 모델의 확신도에 기반한 조기 종료(Early Stopping) 전략 적용

Impact

• 전체 데이터셋의 10~20%만 검토함으로써 전체 스크리닝 프로세스의 80% 이상 리소스 절감 가능