① 어떤 상황에서 AI를 활용했나요?
데이터 구축 업무를 4년간 경험하며, 라벨링뿐 아니라 검수 결과를 기록하고 집계하는 작업에도 많은 손이 간다는 점을 느꼈습니다. 이를 개인 프로젝트에서 개선해 보고자 직접 수집한 선박 사진과 영상 추출 이미지에 자동 라벨링을 적용했습니다.

하지만 자동으로 생성된 박스에는 선박을 놓치거나 일부만 표시한 경우, 선박이 아닌 물체를 잡은 경우가 있어 사람이 검수해야 했습니다. 검수 후에는 유지·수정·삭제·추가한 박스를 다시 세어 시트에 기록했습니다. 이 과정에서 경계만 수정한 박스를 ‘유지’로 볼지 ‘수정’으로 볼지 혼동하고 수량을 재확인하게 되어, 검수 변경 내역을 자동으로 집계하는 도구가 필요했습니다.

② 어떤 AI를 어떻게 활용했나요?
Claude와 함께 YOLOv7을 활용한 자동 라벨링과 검수 기록표 작업을 진행하고, ChatGPT(Codex)와 검수 전후 데이터를 비교하는 Python 도구를 구현·검증했습니다.

먼저 자동 라벨링 결과를 기준본으로 저장한 뒤, CVAT에서 직접 박스를 수정·삭제하거나 누락된 박스를 추가했습니다. 검수 후 저장된 최종본을 기준본과 비교하여, 동일한 박스 ID의 좌표·라벨 등이 달라지면 ‘수정’, 같으면 ‘유지’, 사라졌으면 ‘삭제’, 새로 생겼으면 ‘추가’로 집계했습니다.

생성형 AI는 요구사항 정리와 코드 작성·오류 점검을 지원했고, 실제 수량 계산은 규칙 기반 코드가 수행했습니다. 무엇을 선박으로 보고 어디까지 표시할지는 직접 판단했습니다.

③ 활용 결과 어떤 변화가 있었나요?
카메라 사진 12장과 영상 추출 이미지 8장, 총 20장에 적용했습니다. 초기 자동 박스 18개를 검수한 결과, 유지 9개·수정 7개·삭제 2개·추가 4개로 집계되었으며 최종 박스는 20개였습니다.

수정으로 집계된 7개는 원본 이미지에 전후 박스를 겹쳐 좌표 변화를 확인했습니다. 삭제 2개와 추가 4개는 직접 확인한 작업 내역과 일치했습니다. 프레임별 결과와 카메라·영상별 소계를 Google Sheets에 반영하고 저장된 값까지 확인했습니다.

이로써 검수 후 변경 수량을 다시 수기로 세는 대신, 저장된 데이터에서 집계하는 흐름을 실제로 수행했습니다. 다만 이번에는 기능이 작동하는지 확인했으며, 작업시간 절감률이나 탐지 정확도 향상은 측정하지 않았습니다.

④ 나만의 방식 또는 개선 포인트는 무엇인가요?
현장 경험을 바탕으로 자동화할 범위를 구체적으로 정했습니다. 모든 마우스 조작을 기록하기보다는 검수 전후의 최종 차이만 비교하도록 설계했습니다. 같은 박스를 여러 번 움직여도 ‘수정한 박스 1개’로 계산하므로, 작업 결과를 일관된 기준으로 집계할 수 있습니다.

또한 AI의 결과를 그대로 정답으로 받아들이지 않았습니다. 원거리에서 식별하기 어려워 작업 대상에서 제외한 박스도 있을 수 있으므로, 삭제를 모두 오탐으로 해석하지 않았습니다. 유지 역시 비교 항목에 변화가 없다는 뜻으로 구분했습니다.

자동 라벨링을 시험하다 발견한 수기 기록의 문제를, AI와 협업해 실제 검수에 사용할 수 있는 도구로 발전시킨 것이 이번 사례의 핵심입니다.

⑤ 다른 사람도 따라 할 수 있나요?
‘자동 라벨링 결과 저장 → 사람이 검수하고 저장 → 전후 데이터 비교 → 결과표 작성’ 순서로 적용할 수 있습니다. 먼저 소량의 이미지로 라벨 기준과 집계 방식을 정하고, 박스 ID와 좌표가 포함된 데이터를 보존하면 됩니다.

현재 도구는 사각형 박스를 대상으로 하며, 박스 ID가 유지되는 조건에서 비교합니다. 다른 이미지 작업에도 같은 방식을 적용할 수 있지만, 데이터 재등록으로 ID가 바뀌거나 라벨 형식이 달라지면 추가 확인이 필요합니다. 이번 사례는 개인 프로젝트 20장에 적용한 소규모 검증으로, 이후 다른 데이터에서도 반복 적용하며 보완할 계획입니다.