신젠타에서는 자동화된 화학 제형 시스템 내에서 샘플을 모델링하는 데 이미지 분류가 핵심적인 역할을 합니다. 이 시스템은 10만 장 이상의 이미지를 생성했습니다. 이미지는 제품 개발의 다음 단계를 결정하는 데 사용되지만, 육안으로만 해석하는 것은 매우 시간이 많이 소요되고 평가자의 주관에 따라 결과가 달라질 수 있습니다.
JMP Pro용 Torch 딥러닝 추가 기능은 합성곱 신경망과 GPU 컴퓨팅의 강력한 성능을 활용하여 분석 과정을 획기적으로 간소화하고, 미리 정해진 기준 이미지 세트 전반에 걸쳐 일관된 결과를 제공합니다. 본 추가 기능을 사용하면 다소 복잡한 이미지 세트를 가져와 예측하고, 일반적으로 수동 처리와 파이썬 코딩을 통해 몇 시간 또는 며칠이 걸리는 작업을 단 몇 분 만에 의미 있고 상호작용적인 결과물로 변환할 수 있음을 보여줍니다.
안녕하세요 여러분. 오늘 저희 발표에 오신 것을 환영합니다. 저는 JMP R&D의 Russ Wolfinger이고, 제 친구이자 동료인 Syngenta의 David Barnett와 함께하게 되어 매우 기쁩니다. 오늘은 JMP와 JMP Pro를 활용한 이미지 분석이라는 비교적 새로운 응용 프로그램에 대해 이야기하게 되어 매우 설레입니다. 이는 JMP 내에서 저희가 새롭게 시도하는 방향이며, 저희는 이 부분에 대해 매우 기대하고 있습니다. 코로나19 팬데믹 초기, 저희는 많은 고객분들이 관심을 보여주셨던 JMP용 새로운 애드인인 Torch Deep Learning 개발에 많은 시간을 투자했던 기억이 납니다. 아시다시피, 전 세계적으로 AI, 머신러닝, 딥러닝에 대한 관심이 폭발적으로 증가했습니다. 현재 가장 인기 있는 두 가지 패키지는 PyTorch와 TensorFlow일 것입니다. 저희는 PyTorch를 선택했고, Torch는 저희가 저수준에서 활용할 수 있는 훌륭한 C++ 인터페이스를 제공한다는 것을 알게 되었습니다. 저희는 JMP Pro와 완벽하게 통합되는 훌륭한 추가 기능을 개발하여 출시했습니다.
저는 그때 정말 신났던 기억이 나요. 출시된 지 몇 주밖에 안 됐을 때였는데, 데이비드가 어떻게든 그 소식을 알게 됐거든요.
데이비드, 제 생각에 당신은 이 프로젝트를 가장 먼저 살펴본 사람 중 한 명이었던 것 같습니다. 초기 성공 사례에 대한 이야기를 들었던 기억이 납니다. 오늘 당신의 이야기를 듣게 되어 정말 기쁩니다. 어떻게 시작하게 되었는지, 그리고 지난 몇 달 동안 이 데이터와 애플리케이션을 사용해 보면서 어떤 성과를 거두셨는지, 현재 어떤 상황인지도 이야기 나눠보겠습니다. 데이비드, 이제 당신께 마이크를 넘기고 현재 진행 중인 프로젝트에 대해 말씀해 주시겠어요?
러셀, 감사합니다. 정말 좋네요. 죄송하지만 화면 공유를 해야 해서요. 모두 볼 수 있기를 바랍니다. 러셀, 공유해 주셔서 감사합니다. 러셀이 말했듯이, 이 기능은 초기 의사 교육 프로그램 중 하나에서 꽤 일찍 접했던 것입니다. 이미지 분석 분야에서 오랫동안 살펴보고 싶었던 부분이기도 합니다. 저희의 고처리량 시스템을 활용한 이 기능에 대한 배경 설명을 드리겠습니다.
농업 사업에 대해 간략히 말씀드리자면, 미래에 세계 인구를 어떻게 먹여 살릴 것인가 하는 문제가 점점 더 중요해지고 있습니다. 2050년에는 인구가 약 90억 명에 달할 것으로 예상되며, 식량 수요는 그보다 훨씬 더 증가할 것입니다. 저희 회사는 사업 확장을 위해 끊임없이 노력하고 있습니다. 신젠타는 90개국 이상에 약 3만 명의 직원을 보유하고 있으며, 매출도 상당히 높아 3년 전에는 거의 170억 달러에 달했습니다. 제가 근무하는 곳을 포함한 저희 최대 규모의 연구 개발 센터는 영국 런던 외곽의 젤롯츠 힐에 있습니다. 저희는 회사 내 연구 개발에 막대한 투자를 하고 있습니다.
저희 회사에는 합성, 계산, 분석 등 다양한 분야의 화학자들이 있습니다. 저는 제형 화학 부서에 소속되어 있는데, 기본적으로 저희의 모든 지식을 통합하여 제품을 판매하는 일을 담당합니다. 규제 압력, 비용 압력, 그리고 제품 출시 속도에 대한 압박 때문에 제형 트렌드가 변화하고 있습니다. 특히 안전한 제품을 만들어야 한다는 규제 압력 때문에 제형의 복잡성이 기하급수적으로 증가하고 있습니다. 제조 과정뿐만 아니라 제품을 사용하는 농부들과 제품을 사용하는 소비자 모두에게 안전한 제품을 만들어야 합니다. 이러한 이유로 자동화를 활용하여 많은 배경 작업을 자동화할 수 있는 큰 기회를 보았습니다. 제형의 복잡성과 성분 구성의 복잡성 때문에 병에 담기는 재료가 크게 늘어났습니다. 그 과정에서 첨가 순서 또한 매우 중요해졌습니다. 우리가 얻는 반응은 시간이 지남에 따라 병 안에서 침전되는지, 시간이 지남에 따라 걸쭉해지는지 여부와 관계없이, 병에 넣어야 하는 다양한 요소 때문에 종종 비선형적입니다.
우리가 얻은 이점은 더 크고 완벽한 데이터 세트를 확보할 수 있다는 것입니다. 실제로 농부들에게 판매하는 제품을 더 잘 이해하게 되었죠. 또한 제품을 시장에 출시하기 위해 실험실에서 반복적으로 해야 하는 작업의 질을 줄일 수 있습니다. 비용 측면에서도 여러 가지 이점을 누릴 수 있습니다. 재료를 더 저렴하게 구매할 수 있다면 제품을 더 저렴하게 시장에 판매하거나 더 많은 이윤을 남길 수 있는데, 이는 일반적으로 우리가 추구하는 바입니다.
또한, 제품 성능 향상도 있습니다. 저희는 제품에 소위 말하는 보조제를 첨가하여 식물이나 곤충에 더 잘 흡수되도록 도울 수 있습니다. 복잡성 때문에, 이는 첨가할 수 있는 성분의 수를 아주 간단하게 설명한 것입니다. 맨 위 줄에 20가지 성분이 있고, 이들을 1:1로 혼합하려면 190개의 샘플이 필요합니다. 제형 화학자는 실험실에서 이 정도 작업은 할 수 있습니다. 하지만 더 복잡한 성분을 첨가하여 1:1로 혼합하려면 1,100개의 샘플이 필요합니다. 이는 제형 화학자가 합리적인 시간 내에 처리하기 어려운 작업입니다.
재료의 종류가 점점 늘어나면 거의 2백만 개의 샘플을 만들 수 있는데, 실험실에서는 그 정도 양을 처리하는 건 불가능합니다. 몇 년 전, 그러니까 약 15년 전에 저희는 젤롯츠 힐에 ARTEMIS라는 고처리량 제형 시스템에 투자했습니다. 여기 보이는 곳에서 저희가 진행했던 작업 규모를 확인할 수 있습니다. 이 시스템은 샘플을 자동으로 만들고 특성 분석까지 할 수 있습니다. 하루에 약 200개의 샘플을 만들고 완벽하게 특성 분석까지 할 수 있는데, 이는 실험실에서 제형 화학자가 할 수 있는 것과는 완전히 다른 차원의 발전입니다.
저희가 해야 하는 테스트 중 하나는 샘플을 분무기에 넣었을 때 어떻게 반응하는지 확인하는 것입니다. 저희는 표준적인 산업용 테스트인 '크로우 리시버' 테스트를 사용합니다. 보통 1% 용액을 만들어서 탱크에 붓습니다. 그리고 용액이 얼마나 잘 발색되는지 수동으로 확인해야 합니다. 용액을 바로 부었을 때 어떻게 발색되는지 살펴보는 것이죠. 또한, 몇 시간 동안의 안정성도 확인해야 합니다. 이 테스트는 최대 24시간까지 진행해야 할 수도 있습니다.
다시 말씀드리지만, 이것은 매우 주관적인 검사입니다. 어떤 화학자는 괜찮다고 볼 수도 있지만, 다른 화학자는 좀 더 예리하게 샘플 윗부분에 크림 같은 것이 있거나 바닥에 침전물이 있는 것을 발견할 수도 있습니다. 아래는 우리가 찾고 있는 것의 예시입니다. 이 모든 것은 시각적으로 판단할 수 있습니다. 왼쪽은 가장 좋은 샘플입니다. 완벽하지는 않지만 매우 좋습니다. 왼쪽에서 오른쪽으로 갈수록 상태가 나빠집니다. 기본적으로 샘플이 실린더 바닥으로 곧장 가라앉고 전혀 분산되지 않습니다. 농부가 이 샘플을 교반 없이 분무기에 넣으면 밭에 제대로 분사되지 않아 작물에 피해를 주지 못할 것입니다.
자, ARTEMIS에서, 다시 그 괴물 이야기로 돌아가서, 시각 분석 모듈인 VAM이 있는데, 아마도 그 괴물의 특성을 파악하는 데 있어 가장 강력한 부분일 겁니다. VAM은 여러 장의 사진을 찍습니다. 시연을 보여드리겠습니다. 잠시 후 이미지를 보여드리겠습니다. 레이저, 후면 조명, 전면 조명을 사용하며, 이 모든 것이 멋진 광택 상자 안에 들어 있습니다.
이것은 저희가 가지고 있는 것의 예시입니다. 이것은 하나의 샘플이고, 세 블록으로 나뉘어 있으며 각 블록마다 다른 노출 시간을 적용했습니다. 첫 번째 세 블록은 전면 조명, 후면 조명, 그리고 레이저가 평면으로 샘플 전면에 입사하는 경우입니다. 여기서 보이는 것은 반사된 빛입니다. 두 번째 세 블록은 노출 시간이 다르지만, 마찬가지로 전면 조명, 후면 조명, 그리고 레이저가 평면으로 입사하는 방식입니다. 세 번째 블록은 다시 한번 동일하게 매우 긴 노출 시간입니다. 예상대로 노출 시간이 길어질수록 색상의 강도가 증가하는 것을 볼 수 있습니다. 다음 세 블록은 레이저가 후면에서 입사하는 경우입니다. 카메라가 레이저에서 실제로 감지한 빛을 보고 있는 것입니다. 다시 말하지만, 레이저의 평면이 샘플을 통과하는 모습입니다. 아래쪽에 작은 빨간 점들이 보이는데, 이것이 샘플을 통과한 빛입니다. 아래쪽은 위쪽보다 불투명도가 낮습니다.
오른쪽 샘플은 아무런 정보도 제공하지 않기 때문에 무시하는 경향이 있습니다. 이제 이해가 되셨기를 바랍니다. 이것은 하나의 예시입니다. 이것이 바로 크리밍 샘플입니다. 이미지를 자세히 보시면 3번 샘플의 왼쪽 상단에 하얀 부분이 보이는 것을 알 수 있습니다. 역광을 비추면 상단에 무언가가 있다는 것이 아주 분명하게 드러납니다. 이것이 바로 우리가 크리밍 샘플이라고 부르는 것입니다.
우리가 원하는 건 전체적으로 균일한 샘플입니다. 몇 년 동안 ImageJ라는 프로그램을 사용해 왔는데, 이 프로그램은 샘플의 상태를 수치로 나타내 줍니다. 샘플이 무엇인지는 신경 쓰지 않고, 0부터 255까지의 값으로 색상을 표현합니다. 예를 들어 빨강, 초록, 파랑 같은 색상 값을 얻을 수 있죠. 하지만 이 값은 사람이 읽을 수 있는 형태로 출력되지는 않습니다. 결국 제가 직접 이 모든 수치를 종합해서 화학자에게 샘플의 상태를 알려줘야 합니다. 이상적인 흰색 균일 샘플인지, 아니면 침전된 노란색 샘플인지 말이죠. 수치에 색상을 포함시킬 수는 있지만, 그렇게 하려면 시간이 꽤 걸립니다. 제가 몇 년 동안 원했던 건 샘플이 실제로 어떻게 생겼는지, 즉 이상적인 흰색 균일 샘플인지 아닌지를 알려주는 프로그램이었습니다.
저는 아무것도 해석할 필요가 없을 거예요. 백그라운드에서 몇 가지 확인 작업만 하면 되겠지만, 복잡한 숫자 계산에 직접 관여할 필요는 없을 겁니다.
이 과정의 일환으로, 저희는 여러 유화제를 선별하고 필요한 이미지를 얻기 위한 실험 설계를 진행했습니다. 이 모든 정보는 Torch 데이터 분석 및 기타 여러 가지 이유에서 얻은 것입니다. 저희는 약 800개의 샘플을 준비하여 이미지 분석을 진행했습니다. 모든 이미지는 3회 반복하여 촬영했습니다. 각 샘플에 대해 이미지 분석을 수행했으며, 샘플당 총 7개의 이미지를 분석했습니다. 침전물 샘플인지, 크림 샘플인지, 균질한지, 거품이 있는지 등 다양한 특성을 분석해야 했기 때문에 상당한 시간이 소요되었습니다. 6,000개가 넘는 이미지를 검토해야 했고, 처음부터 완벽하게 분석하지는 못했습니다. 아마 지금도 완벽하지는 않겠지만, 최선을 다했습니다.
다양한 투약량 조절을 위해 여러 샘플을 채취했습니다. 이미지는 향후 추가 분석을 위해 보관됩니다. 실험실에서 샘플을 분석할 때는 샘플을 싱크대에 버리기 때문에 분석 결과는 사실상 바로 폐기됩니다. 다시 이미지를 확인할 수도 없고, 샘플은 영구적으로 그 자리에 남게 됩니다. 이미지 분석에는 어떤 프로그램을 사용할까요? JMP의 Torch라는 기능을 사용합니다. 아주 좋은 프로그램이죠. 나중에 더 자세히 설명드리겠지만, 간단히 말해서 이 프로그램은 이미지를 분석하고 제가 입력한 사전 정보를 바탕으로 해석해 줍니다. 제가 이 모든 작업을 하는 노트북은 고사양입니다. 이 작업을 위해서는 고사양 PC를 사용하는 것을 강력히 추천합니다. 이 작업을 수행하는 데 많은 메모리가 필요하기 때문입니다. 특히 복잡한 분석의 경우 시간이 꽤 오래 걸릴 수 있으므로 실시간으로 보여드리지는 않겠습니다.
약간의 차이가 보이는 예시가 몇 가지 있습니다. 솔직히 이제부터 정말 흥미로운 내용이 나올 텐데, 미리 말씀드리자면 저는 이 분야의 전문가가 전혀 아닙니다. 수치가 무엇을 의미하는지는 알지만, 어떻게 작동하는지는 잘 모릅니다. 제가 자랑스럽게 생각하는 소크라테스의 명언이 하나 있는데, 제가 직접 찾은 겁니다. 제가 이 분야에 대해 아는 것이 없다는 것을 인정합니다. 그러니 전문가분들께서 저에게 설명해 주시면 좋겠습니다. 그럼 이만 마치겠습니다. 제가 보여드리는 것은 매우 단순화된 작업일 뿐입니다. 이 작업을 위해 훨씬 더 많은 작업을 진행했고, 관련 데이터도 제공해 드리겠습니다. 그 데이터를 살펴보시고 더 나은 정보를 얻으실 수 있기를 바랍니다. 앞서 말씀드렸듯이 결과가 완벽하지는 않습니다. 제가 생각하는 샘플의 모습과 JMP가 보여주는 모습 사이에 80% 정도의 상관관계가 있다면 만족합니다.
저는 그보다 더 높은 수치를 얻고 있습니다. 이 작업을 수행하는 데 사용할 수 있는 다른 도구들이 있습니다. 실제로 파이썬 스크립트를 기본 환경에서 사용할 수도 있습니다.
저희가 고려하고 있는 것은 이 기능을 데이터 네트워크 파이프라인에 통합하는 것입니다. 향후 자동화된 시스템으로 구축할 계획입니다. 결과물의 의미와 정확성에 대한 확신이 더 커지면 그렇게 할 수 있을 것입니다. 거의 다 왔습니다.
본격적인 내용에 들어가기 전에 몇 분께 감사 인사를 드리고 싶습니다. 여러 분들께 감사드립니다. 샘, 감사합니다. JMP 관계자 몇 분께도 감사드립니다. 젤롯츠 힐(Jealott's Hill)에서 JMP 라이선스를 관리해 주시는 리즈 이스턴(Liz Easton) 씨, 그리고 신젠타(Syngenta)에서 은퇴하신 통계학자이자 지난 몇 년간 신젠타에서 JMP를 활용하는 데 큰 영향을 미치셨던 앨런 브라운(Alan Brown) 씨께도 감사드립니다. 지금은 은퇴하셨지만, 그분의 업적은 여전히 남아 있습니다. 조만간 JMP에 대해서도 이야기 나눠보겠습니다.
실험 설계에 대해 자세히 설명하지는 않겠지만, 간략화된 버전입니다. AI 시스템, 세 가지 유화제, 그리고 각 유화제의 양이 정해져 있습니다. 용매와 각 유화제에 적용되는 농도도 표시되어 있으며, 이렇게 약 1,400개의 샘플이 구성됩니다. 샘플들을 담는 데 사용하는 큐벳은 세 가지 종류가 있습니다.
우리는 원액 상태의 큐벳을 가지고 있습니다. 희석된 큐벳은 시료를 준비하고 뒤집은 후 약 5분 후에 촬영한 것으로, 이때의 농도는 0입니다. 다음 날, 즉 약 24시간 후에 이 시료들이 여러 시간에 걸쳐 얼마나 안정적인지 확인하고자 합니다. 시각적 분석과 색상은 제가 해석한 결과입니다. 균질한 상태는 이상적인 상황입니다. 크림색은 시료가 위로 떠오른 상태입니다. 원액 상태는 항상 원액 큐벳과 일치해야 합니다. 침전물은 시료가 바닥에 가라앉은 상태입니다. 거품은 시료를 뒤집었을 때 거품이 생성된 것으로, 시료에 이상적인 상황은 아닙니다. Torch 추가 기능의 일부로 k-겹 열을 만들 수 있습니다. 이 권장 사항에 따라 세 개의 열이 있는데, 기본적으로 검증 열입니다. 그리고 이미지 스니펫이 있습니다. 고해상도 이미지는 아닙니다. 데이터 테이블에 입력됩니다.
보시다시피, 샘플의 질이 제각각이라는 것이 아주 분명하게 드러납니다. 앞서 말씀드렸듯이, 이 과정을 하나하나 설명하려면 시간이 꽤 걸리기 때문에 생략하겠습니다.
제가 이전에 수행했던 여러 분석 결과를 보실 수 있기를 바랍니다. 제가 주로 살펴보는 수치는 바로 이 부분, 즉 훈련 R제곱 값과 검증 정확도입니다. 앞서 말씀드렸듯이, 저는 제가 예측한 값과 모델이 예측한 값이 약 80% 정도 일치하는 것을 목표로 합니다. 보시다시피, 위쪽에는 96%, 저기에는 97%라는 높은 수치가 있습니다. 아주 좋은 상관관계를 보여주고 있죠. 이미지 처리에는 다양한 모델이 있지만, 목록 아래로 내려갈수록 분석 시간이 길어집니다. 저는 과거에 여러 모델을 사용해 봤는데, LeNet5가 분석 속도와 실제 결과 사이의 균형을 잘 맞춰주는 좋은 모델이라고 생각합니다. 목록 아래로 내려갈수록 분석 속도와 실제 결과 사이의 차이는 미미하지만, 저는 95%라는 결과에 매우 만족합니다. 레이어 개수, 배치 크기, 이미지 크기도 조절할 수 있습니다. 다시 말씀드리지만, 저는 전문가가 아닙니다.
이 숫자들을 이리저리 바꿔가며 시도해 봤더니 여러 가지 결과가 나왔습니다. 보시다시피 몇 가지 값을 시도해 봤는데, 기본값(맨 위에 있는 값)보다 크게 나아진 점은 없네요.
이 프로그램의 여러 장점 중 하나는 학습 이력을 보여주는 그래프를 볼 수 있다는 것입니다. 그래프를 보면 학습 속도가 훨씬 빨라지는 것을 확인할 수 있습니다. 다양한 모델을 클릭하여 성능을 비교해 볼 수도 있습니다. 아주 좋은 모델도 있고, 반대로 성능이 떨어지고 노이즈가 심한 모델도 있습니다. 물론 개선할 수 있지만, 노이즈가 상당히 많은 편입니다. 하지만 꾸준히 학습하면서 개선해 나갈 수 있습니다. 또 하나 제가 눈여겨보는 것은 이 그래프입니다. 정답을 맞힐 확률을 확인할 수 있습니다. 그래프가 다소 복잡해 보일 수 있지만, 실제 수치는 정확합니다. 비록 1,500개 중 33개만 틀렸을 수도 있지만, 제가 제대로 해석하지 못했을 수도 있습니다. 실제로 매우 높은 상관관계를 보여줍니다. 이를 증명하는 혼동 행렬도 확인할 수 있습니다. 대부분의 경우 정답을 맞추고 있습니다.
노란색은 100% 일치합니다. 예상하시겠지만, 원한다면 다양한 색상을 감지할 수 있습니다. 흰색은 97% 일치하며, 검증 결과와의 상관관계도 매우 좋습니다.
다양한 모델을 시도해 볼 수 있습니다. 침전물은 특정 거품을 예측하는 데 그다지 효과적이지 않습니다. 중요한 테스트는 아닙니다. 크림의 경우, 예측 정확도가 아주 높지는 않지만 1,500개 중 약 84개 정도를 예측했으니 나쁘지 않습니다. 이 결과는 상당한 신뢰도를 보여주며, 분석 워크플로에 통합할 수 있음을 시사합니다. 이미지를 자동으로 가져와 분석하고 사람이 읽기 쉬운 형태로 결과를 제공할 수 있기를 바랍니다. 다시 말하지만, 매우 기본적인 테스트입니다. 필요하다면 더 많은 정보를 추가할 수 있습니다. 예를 들어, 파란색 제형이 있다면 파란색을 사용할 수도 있습니다.
이건 제가 JMP용 Torch 애드온을 사용해 본 간단한 소개였습니다. 사실 꽤 재밌었어요. 더 자세한 정보는 저한테 묻지 마세요. Russ 같은 분들이 훨씬 더 많은 정보를 줄 수 있을 겁니다. 자, Russ, 이제 시작해 주세요. 저는 여기서 마치겠습니다.
감사합니다, 데이비드. 정말 인상적인 예시입니다. 특히 데이비드 씨는 제형 화학 전문가이시지만 딥러닝 전문가는 아니신데도 이렇게 훌륭한 결과를 내시다니 정말 놀랍습니다. 저희가 소프트웨어, 그리고 JMP를 설계할 때 항상 과학자, 엔지니어, 그리고 이제는 데이터 과학자들을 위해 설계해 온 방식이 바로 이런 것입니다. 저희는 앞으로 큰 변화를 가져올 새로운 기술을 개발하고 있습니다. 한 가지 기술적인 점을 말씀드리고 싶은데, 데이비드 씨, 제가 잘못 알고 있는 게 아니라면 LeNet 기본 모델이 레이저 이미지 크기를 28x28 픽셀로 줄이는 것 같습니다. 해상도가 상당히 낮아지는데, 실제로 이런 경우 성능 저하가 심한 사례들을 본 적이 있습니다. 데이비드 씨의 사례는 정말 대단합니다.
아주 잘 작동하고 있어요.
다른 응용 프로그램의 경우, 더 큰 이미지를 사용할 수 있는 유연성이 있는데, 이는 계산 속도를 저하시키지만 때로는 그만한 가치가 있습니다. 바로 이럴 때 Windows용 Nvidia GPU가 매우 유용하게 사용될 수 있습니다. 저도 당신의 추천에 동감합니다. 이러한 모델을 실행하려면 괜찮은 하드웨어가 필요합니다. 다행히도, 적어도 Windows에서는 게임 시장 덕분에 가격이 상당히 저렴해졌습니다. 같은 칩을 사용하는 경우도 많습니다. 문제는 십 대 자녀가 있거나 하는 경우, 컴퓨터를 두고 다투게 될 수도 있다는 점입니다. 하지만 이런 응용 프로그램을 보니 정말 흥미롭네요, 데이비드. 축하드립니다. 앞으로 이러한 응용 프로그램에 대해 더 많이 함께 작업할 수 있기를 기대합니다. 어쩌면 우리는 이제 막 시작했을지도 모릅니다. 방금 말씀하신 내용을 바탕으로 몇 가지 추가적인 사항을 말씀드리고 싶습니다.
우선, 저희 관계자 여러분께 알려드립니다. 이번 프레젠테이션을 보완하는 두 번째 프레젠테이션을 진행할 예정입니다. 이 영상을 시청하시는 시점에 따라 2024년이 될 수 있습니다. 10월 17일 이전에 시청하시는 분들은 아직 등록하실 시간이 있습니다. 라이브로 시청하시려면 LinkedIn에서 이 광고를 찾아보세요. 제 페이지나 Alexander Beck 페이지에서 등록하실 수도 있습니다.
10월 17일이 지났더라도 녹화본을 통해 더 자세한 내용을 확인하실 수 있을 것 같습니다. 오늘 발표에 이어 몇 가지 주제에 대해서도 더 심도 있게 다뤄볼 예정입니다. 또한, 이것은 단지 하나의 사례가 아니라는 점을 말씀드리고 싶습니다. 예를 들어, 싱가포르와 케임브리지, 그리고 BASF의 연구진이 공동으로 올해 발표한 샴푸 제형에 관한 논문이 있습니다. 이 논문은 저희 JMP에서 선호하는 실험 설계 방식을 잘 활용하고 있다는 점에서 매우 유사합니다. 저희가 선호하는 실험 및 분석 방식과 딱 들어맞는 연구입니다. 연구팀은 제형 사진을 촬영하고 이를 기반으로 분류 모델을 구축하려고 시도했습니다. 이미지 수집을 돕는 자동화 로봇도 활용했습니다. 이러한 기술 덕분에 고품질 데이터의 잠재력을 최대한 활용할 수 있게 된 것을 볼 수 있어 정말 고무적입니다.
다행히 그들은 데이터를 공개했습니다. 간단히 살펴보겠습니다. 또한 이 이미지를 Torch 추가 기능을 사용하여 분류기를 구축했습니다.
논문에 발표된 결과보다 조금 더 개선할 수 있었습니다. 이 모델들은 아직 발전 가능성이 무궁무진합니다. 정말 놀라운 성능을 보여주지만, 완벽하지는 않고 때로는 어이없는 실수를 저지르기도 합니다. 예를 들어, 이 경우에는 이미지 자르기가 큰 도움이 되었습니다. 이미지 가장자리에 생기는 아티팩트에 특히 주의해야 합니다. 모델들이 때때로 너무 욕심을 부리다 보면 원치 않는 부분에 집중하는 경우가 있습니다. 이 경우에는 미리 이미지를 자르는 작업을 통해 훨씬 좋은 결과를 얻을 수 있었습니다. 이 애드인을 직접 사용해보고 싶으시다면 JMP 커뮤니티에서 무료로 다운로드하실 수 있습니다. 웹 검색창에 "Torch Deep Learning JMP Pro"라고 검색하시면 쉽게 찾으실 수 있을 겁니다. JMP Pro 18 또는 19 버전이 필요하며, 얼리 어댑터 버전도 현재 이용 가능합니다.
둘 중 어느 방법이든 괜찮습니다. 그런 다음 여기에서 추가 기능을 다운로드하면 바로 사용할 수 있습니다. 더욱 효과적으로 사용하실 수 있도록 Torch Storybook이라는 멋진 예제 모음도 준비했습니다.
이건 사실 점프 테이블인데, 원하시면 추가 기능 없이도 다운로드해서 살펴볼 수 있습니다. 현재 다양한 응용 분야에 걸쳐 47개의 예시를 보여드리고 있습니다. 화학 분야에 초점을 맞춘 예시들이 많은데, 화학은 저희에게 가장 중요한 산업 분야 중 하나라고 할 수 있습니다. 예를 들어, 제가 생각하기에 다음 개발에 도움이 될 만한 예시가 바로 이 데이터입니다. 이 데이터는 Discovery Europe에서 발표한 논문에서 가져온 것인데, 작년이나 올해 초쯤 발효 배치 공정에 관한 내용입니다. 시간 데이터가 있었죠. 여기서 흥미로운 점은 JMP Graph Builder를 사용해서 이 데이터를 히트맵 이미지로 만들고, 그 이미지를 Torch 딥러닝 모델로 연결할 수 있었다는 것입니다. 처음에는 생각지도 못했을 수도 있는 부분이죠. 사실, 오늘 발표의 핵심 주제가 있다면, JMP 이미지에 딥러닝 모델을 적용하는 이 아이디어가 완전히 새로운 가능성과 다양한 응용 분야를 열어준다는 것입니다.
이 표에 있는 응용 프로그램 중 상당수는 이미지에서 가져온 것입니다.
또한, 비정형 텍스트 데이터도 다루고 있다는 점을 말씀드리고 싶습니다. 예를 들어, 분자의 스마일 문자열을 사용하여 속성을 예측하는 것입니다. 정말 놀랍죠. 이 부분은 다른 프레젠테이션에서 더 자세히 다룰 예정이지만, 여러분의 흥미를 돋우고 싶었습니다. 아래 표를 다운로드하여 관심 있는 예시들을 살펴보세요. 표에는 데이터를 다운로드할 수 있는 링크가 포함되어 있으며, 모두 공개 데이터 세트입니다. 예시 출력물과 참고 자료, 배경 정보도 있습니다. 이 표는 다양한 예시를 통해 빠르게 이해할 수 있도록 설계되었습니다. 예시를 통해 배우는 것은 언제나 좋은 방법입니다. 저희는 이러한 응용 분야에 매우 기대하고 있습니다. 데이비드, 앞으로 다른 분들도 당신의 발자취를 따라갈 수 있기를 바랍니다. 그리고 저희가 개발 중인 다른 응용 분야에 대해서도 계속해서 관심을 가져주시길 기대합니다. 다시 한번 감사드립니다, 데이비드. 함께 일할 수 있는 기회를 주셔서 정말 감사합니다. 데이비드, 다음 분석 단계는 어떻게 계획하고 계신가요?
다양한 샘플을 시험해보고 모두가 결과에 만족하는지 확인하는 것입니다. 이미 가지고 있는 지식을 바탕으로 발전시켜 나가는 것이죠.
아주 좋습니다. 저희 고객 중에도 이미 같은 방식으로 모델을 활용하고 있는 분들이 있습니다. 실제로 모델을 배포하기 시작한 분들도 많고요. 파이썬을 사용하는 고객도 많은데, 저희는 이제 Torch로 모델을 학습시키고 PyTorch 객체로 저장한 다음, JMP의 파이썬 통합 기능을 이용해 파이썬 프로그램으로 불러올 수 있는 애플리케이션도 개발했습니다. 이제 그런 연결성이 많이 개선되었죠. 정말 흥미로운 일들이 많이 일어나고 있습니다. 이런 방식으로 모델을 구현할 수 있게 된 거죠. 저는 이것이 표준적인 비생성형 AI 머신러닝이라고 생각합니다. 매우 인기 있고 실용적인 방식이죠. 데이비드 씨의 경우, 안과에 가는 횟수를 줄여주고 업무 흐름과 일상 활동을 훨씬 빠르고 효율적으로 만들어 줄 수 있을 겁니다.
물론이죠, 네.
네, 시청해 주셔서 감사합니다. 디스커버리 미팅이나 다른 기회에 뵙기를 바랍니다. 링크드인이나 JMP 이메일 등 편하신 방법으로 언제든지 연락 주세요. JMP Pro와 관련된 흥미로운 소식들을 더 자세히 알려드리겠습니다.
