안녕하세요, 환영합니다. 저는 JMP의 시스템 엔지니어인 마릴린입니다. 오늘은 JMP Pro를 활용한 광물 식별 가속화, 그리고 광산업을 위한 AI 기반 인사이트에 대해 간략하게 소개해 드리겠습니다. 시작하기에 앞서, 이 프레젠테이션을 시작하게 된 배경과 동기를 간략하게 설명드리겠습니다.
광산 분야에서는 광물을 식별하거나 분류하는 데 많은 어려움이 있습니다. 현장에서 광물을 식별하는 것은 까다로울 수 있으며, 전문적인 지식이 필요하고 실수가 발생할 가능성이 높습니다. 전통적인 방법은 예를 들어 현미경 검사를 통해 식별할 광물에서 수작업으로 특징을 추출하는 데 크게 의존하는데, 이는 노동 집약적이고 시간이 많이 소요되며 오류가 발생하기 쉽습니다.
또한, 채굴 작업이 더 외딴 지역이나 저품위 광상으로 이동함에 따라, 현장에서 실시간으로 광물을 분류하는 데 대한 필요성이 커지고 있습니다. 이 포스터를 통해 이러한 과제에 대한 해결책을 제시하고자 합니다. 바로 JMP Pro용 Torch 애드인을 활용하여 실시간으로 광물을 식별하거나 분류할 수 있는 모델을 구축하는 것입니다.
오늘 제가 예로 들어드릴 내용은, 이미지를 X 또는 입력값으로 사용하여 미래 광물을 예측하는 분류 모델을 생성하는 Torch 추가 기능을 실행하려면 JMP Pro가 필요하다는 것입니다. 이 예시에서는 7가지 광물의 953개 이미지가 포함된 데이터 세트를 사용하여 광물 분류를 위한 광물 예측 모델을 학습시켰습니다. 이 데이터 세트는 Kaggle에서 제공하는 데이터 세트를 기반으로 합니다.
실제로 광산 엔지니어들은 광석을 일반적으로 작업에 사용할 크기로 파쇄한 후, 파쇄된 광석의 사진을 촬영하고 싶어할 것입니다. 이 과정에서 카메라를 조명 아래 어디에 배치할지, 즉 모델을 훈련시키는 데 사용하는 이미지가 향후 분류를 위해 실시간으로 촬영할 이미지와 최대한 유사하도록 만들지 고려하고 싶어할 것입니다.
오늘은 단계별 안내를 드리겠습니다. 이미 식별된 광물의 이미지 몇 장을 사용하여 채굴 작업에서 실시간으로 광물을 분류하는 데 사용할 수 있는 예측 모델을 빠르게 구축하는 것이 얼마나 쉬운지 보여드리겠습니다. 첫 번째 단계는 Torch 추가 기능을 설치하는 것입니다. 이 추가 기능은 JMP Marketplace에서 JMP Pro용으로 제공됩니다. 설치 과정을 보여드리겠습니다.
JMP 마켓플레이스에는 JMP 기능을 확장하는 데 사용할 수 있는 다양한 확장 프로그램이 있습니다. 이 추가 기능은 바로 여기에 있습니다. Torch Deep Learning for JMP Pro라는 이름의 추가 기능입니다. 다운로드 버튼을 클릭하면 이 추가 기능을 다운로드할 수 있습니다. 다운로드가 완료되면 해당 추가 기능을 클릭하여 열려 있는 JMP 창 위로 드래그하여 설치합니다.
이 페이지에는 시스템 요구 사항, 지원되는 JMP 버전, 도움말, 그리고 애드인 사용 설명서에 대한 정보도 있습니다. 애드인이 설치되면 상단에 "JMP의 애드인"이라는 새 메뉴가 나타납니다. 여기에서 제가 사용하는 Torch 딥러닝 애드인을 확인할 수 있습니다. JMP 저널에는 이 애드인 내의 옵션을 보여주는 이미지가 있습니다.
K-폴드 검증 열을 만드는 옵션이 있습니다. 오늘 이 옵션을 살펴보겠습니다. Torch 모델을 적용해 보겠습니다. 이 추가 기능에는 여러 샘플 데이터 세트도 포함되어 있습니다. 이미지를 조작하고 변경하는 데 도움이 되는 이미지 유틸리티도 있습니다. 오늘 이러한 옵션 중 몇 가지도 살펴보겠습니다. 이 추가 기능을 다운로드하면 이 추가 기능에 대한 특정 모델과 추가 모델을 다운로드할 수 있습니다. 도움말과 설명서도 이 메뉴에 있습니다.
1단계입니다. 애드인을 설치했습니다. 다음 단계는 이미지를 JMP로 가져와서 데이터를 정리하는 것입니다. 먼저, 모델 학습을 위해 JMP로 미네랄 이미지를 가져올 것입니다. 이를 위해 JMP의 여러 파일 가져오기 기능을 사용할 것입니다. 자, 그 전에, 이 폴더에 미네랄 이미지가 어떻게 정리되어 있는지 보여드리겠습니다. 이를 위해 이 파일을 가져오겠습니다. 이 폴더의 이름은 "mineral images"이고, 그 안에는 여러 개의 하위 폴더가 있습니다. 각 하위 폴더의 이름은 포함된 미네랄 이미지에 따라 지정됩니다.
예를 들어, 생물형 폴더에 들어가면 해당 광물의 이미지가 많이 있는 것을 볼 수 있습니다. 이 데이터 세트는 이렇게 구성되어 있고, 제 컴퓨터에서는 이 이미지들이 이렇게 구성되어 있습니다.
이제 JMP 파일을 사용하여 여러 파일 피처를 가져와서 이 이미지들을 JMP로 가져와 모델을 학습시키겠습니다. 이렇게 할 겁니다. 저널 내의 단계를 보여드리고, 각 단계에서 무엇을 해야 하는지 알려드리겠습니다. 먼저, '파일' 메뉴에서 '여러 파일 가져오기'를 사용하겠습니다. 이 폴더에는 이미 제가 가지고 있는 이미지가 있는 폴더의 위치가 설정되어 있습니다. 이제 하위 폴더를 포함시키겠습니다. 이 폴더에는 폴더가 몇 개 더 있는 것을 볼 수 있습니다. 하위 폴더를 포함시키겠습니다.
이제 여기 아래에 이미지가 있는 것을 볼 수 있습니다. 여기에는 JPEG가 많고 파일 형식도 다양합니다. PNG도 몇 개 있습니다. 괜찮습니다. 그 외에도 결과 데이터 테이블에 JMP가 파일 이름이 있는 열을 추가하도록 하려고 합니다. 파일 이름은 광물 제목이 있는 폴더를 참조합니다. 그러면 광물 이름이 있는 열과 해당 이미지가 있는 데이터 테이블의 다른 열이 생성됩니다. JMP가 이 모든 파일과 이미지를 하나의 JMP 데이터 테이블에 쌓도록 하려고 합니다.
이제 '가져오기'를 클릭하면 JMP가 해당 폴더로 이동하여 모든 이미지와 함께 광물 이름이 포함된 새 열을 가져옵니다. 자, 시작해 볼까요? 결과 데이터 테이블입니다. 이 광물 953개 이미지를 가져오는 건 정말 쉽습니다. 이제 여기를 살펴보겠습니다. 오른쪽에 있는 두 열은 필요 없으니 삭제하고, 더 자세히 살펴보겠습니다.
여기 각 행에는 광물 이미지가 하나씩 있습니다. 두 번째 열에는 광물 이름, 그 뒤에 각 이미지 제목, 그리고 JPEG 파일이 있습니다. 데이터 정리 작업을 좀 해야 할 것 같습니다. 다음 단계로 넘어가겠습니다.
이제 여러 파일을 가져왔습니다. 다음 단계는 데이터 정리입니다. 데이터 정리의 첫 번째 단계는 레이블 열을 정리하는 것입니다. 재코딩과 고급 옵션을 사용하여 세그먼트를 추출할 것입니다. 광물 이름이 포함된 세그먼트만 추출하고 싶습니다. 여기 데이터 테이블에서 마우스 오른쪽 버튼을 클릭하고 재코딩을 선택합니다.
이 결과를 동일하거나 기존 열에 저장하고 싶습니다. 핫스팟 또는 빨간색 삼각형 메뉴를 사용하여 고급 옵션에 액세스하려고 합니다. 텍스트 세그먼트의 일부를 추출하고 싶습니다. 여기서 이 컨트롤을 사용할 수 있습니다. 제가 하려는 작업은 데이터 테이블에 있는 내용이며, 여기에서 결과를 확인할 수 있습니다.
꽤 괜찮아 보이네요. 여기 결과 화면에서는 광물 이름만 표시되고, 각 파일 이름은 삭제할 수 있습니다. 확인을 누르고 다시 코딩해 보겠습니다. 자, 이제 광물 이름이 표시되었습니다. 헤더 그래프를 확장하면 앞서 보여드린 폴더에서 본 것과 동일한 광물 이름을 확인할 수 있습니다.
좋습니다. 두 번째 단계는 여기까지였습니다. 데이터 정리가 조금 더 남았으니 다음 단계를 살펴보겠습니다. 이 추가 기능의 이미지 유틸리티를 살펴보겠습니다. 이 특정 데이터 세트에서 제가 가지고 있는 광물 이미지의 손가락과 손에는 몇 가지 추가 요소가 있는데, 이는 모델 적합에 문제를 일으킬 수 있습니다.
이 이미지들을 수정하겠습니다. 이미지 중앙의 50%만 남기고 바깥쪽 부분은 잘라낼 겁니다. 이미지 유틸리티 메뉴를 보시면 아시겠지만, Torch용 애드인에 포함되어 있습니다. Torch 딥러닝을 실행하기 위해 여기로 왔습니다. 제 이미지 유틸리티는 다음과 같습니다.
좋아요, 이제 별도의 열에 저장되는 이미지 크기를 가져올 수 있습니다. 이미지 크기는 원하는 대로 조정할 수 있고, 더 크게 또는 더 작게 만들 수도 있습니다. 말씀드린 대로 이미지를 잘라 보겠습니다. 여기 보이는 이미지는 이미지가 어떻게 보일지 간략하게 보여드리는 것입니다. 데이터 테이블로 돌아가서 Torch deep learning 이미지 유틸리티 추가 기능을 사용하여 이미지를 수정해 보겠습니다. 이미지를 잘라 보겠습니다.
이 데이터 테이블에는 이미지가 있는 열이 하나뿐이고, 여기서 설정을 변경할 수 있지만, 제가 원하는 것은 바로 이것입니다. 이 설정은 다음 예시를 따릅니다. 이 설정을 사용하면 JMP는 이미 이미지의 중앙 50%를 가져올 것이라고 알려주는데, 이는 바로 우리가 원하는 것입니다. "실행"을 눌러 보겠습니다. JMP가 이 이미지들을 조작할 것입니다.
그럼 비교를 위해, 각 파일의 적용 전후 모습을 살짝 보여드리겠습니다. 지금 보이는 것에는 약간의 오류가 있어서, 이 파일을 다운로드 폴더에 저장하겠습니다. 다시 열어보면, 잠시 후에 이유를 알 수 있을 겁니다.
자, 이제 최근 항목들을 열어 볼 수 있습니다. 자, 이제 보여드릴 내용은 다음과 같습니다. 4번 행을 보세요. 바로 여기, 4번 행을 보시면 이 이미지에 손가락이 몇 개 있는 것을 보실 수 있습니다. 오른쪽을 보시면, 이미지를 정리하고 잘라낸 후, 확대된 것을 보실 수 있습니다. 모델을 만드는 데 사용할 이미지에 포함시키고 싶지 않은 불필요한 부분들을 잘라낸 것입니다.
새로 잘라낸 열 사진을 X축으로 사용하고, 모델의 Y축은 광물, 즉 올바른 광물이 되도록 하겠습니다. 다음 단계를 살펴보겠습니다. 이미지를 수정하고, 데이터를 가져와서 정리했으며, 다음 단계는 K-폴드 검증 열을 만드는 것입니다.
이를 위해 Torch 추가 기능도 사용할 것입니다. 어떻게 생겼는지 보여드리겠습니다. 제 데이터 테이블, 추가 기능, Torch 딥 러닝에서 K-폴드 열을 만들고 싶습니다. 이 경우, 반응 열인 Y(올바른 광물)를 살펴보고, 이 열을 계층화에도 사용할 것입니다. 여기서는 이 데이터를 그룹화하는 세 개의 열을 만들 것입니다.
세 개의 열 각각에는 다섯 개의 그룹이 있습니다. 모델을 구축할 때 이 K-폴드 열을 검증에 사용할 것입니다. 핵심은, 데이터의 일부만 사용하여 모델을 구축하고, 나머지 부분은 예측을 검증한 후 모델을 업데이트하고 개선하는 것입니다. 바로 한 번에 데이터의 일부만 사용하는 것입니다. 이 메뉴를 통해 계층화 열을 생성하여 이러한 작업을 수행할 수 있습니다.
계속해서 Go 버튼을 누르겠습니다. JMP는 고급 DOE 기법을 사용하여 모델 검증 및 개선을 위한 그룹화 열을 생성하는 정말 멋진 기능을 제공합니다. 자, 이제 세 개의 새 열, 폴드 A, B, C가 있는 것을 볼 수 있습니다. 이 모든 열과 그룹화를 검증에 사용하려면 제 노트북에서 실행하는 데 꽤 오랜 시간이 걸릴 겁니다. 아마 두어 시간 정도 걸릴 겁니다. 최종 모델을 적합하는 경우라면 이 모든 열을 사용하고 JMP를 오랜 시간 동안 실행하여 모델을 적합시키고 싶을 겁니다.
오늘은 오래 기다리게 하지 않겠습니다. 이 데모에서는 단일 홀드아웃 검증을 사용하여 작업 속도를 조금 더 높일 것입니다. 이를 위해 열 유틸리티를 사용하여 지표 열을 만들 것입니다. 오늘 검증을 위해 숫자 1이라고 표시된 이 열만 사용하겠습니다. 예를 들어, 이 데이터 부분, 즉 763개 행을 사용하여 모델을 적합시키고, 나머지 190개 행을 사용하여 예측을 테스트하고 모델을 업데이트할 수 있습니다. 이 예제에서는 간단한 검증만 사용하겠습니다.
하지만 이 추가 기능을 통해 K-폴드 검증 열을 만드는 방법이 바로 그것입니다. 다음 단계는 해당 모델을 적합하고 반복하는 것입니다. 즉, 모델을 적합시킨 후 약간 수정하는 것입니다. 이 Torch 모델에는 많은 제어 기능이 있습니다. 예측을 개선할 수 있는지 확인하기 위해 변경할 수 있는 작은 요소들입니다. 먼저 모델을 지정합니다. JMP에 예측할 내용을 설정합니다.
데이터 테이블로 돌아가서 그렇게 해 봅시다. 추가 기능, 토치 딥러닝, 토치 딥러닝. 여기서는 JMP에 예측하려는 Y 또는 반응이 광물이라고 알려주고, 우리가 가지고 있는 이미지의 50%를 크롭한 데이터를 기반으로 예측하고 싶습니다. 이 예제에서는 간단한 검증만 사용하고, 확인을 눌러 볼게요.
여기서 지정할 수 있는 옵션이 더 있습니다. 이 옵션들에 대해서는 간략하게 설명하겠습니다. 또한, 이 옵션들에 대한 다른 문서도 많이 있습니다. 여기서는 이 모델의 적합 방식을 제어할 수 있습니다. 예를 들어, 이 이미지 모델 드롭다운 메뉴에는 수천 개의 이미지로 사전 학습된 모델들이 있습니다. 사전 학습된 모델을 사용하고, 원하는 이미지를 추가하여 필요에 맞게 모델을 맞춤 설정할 것입니다. 저는 Google Net을 선택하겠습니다. 이 이미지 모델에서 특정 데이터셋을 사용해 꽤 괜찮은 결과를 얻었습니다. 물론, 잘 모르겠다면 JMP의 기본값을 사용해도 됩니다.
여기서 에포크(epoch) 횟수도 조정하겠습니다. 에포크는 실제로 데이터를 통과하는 횟수입니다. 속도를 높이기 위해 이 횟수를 조금 줄이겠습니다. 물론, 학습률, 즉 모델이 이전 모델의 오류에 얼마나 빨리 적응하는지를 제어할 수도 있습니다. 그리고 오른쪽에 추가적인 고급 옵션들이 있습니다. 제 일지로 돌아가서 이 옵션들에 대해 간략하게 설명하겠습니다.
고급 모델 제어 기능이 많이 있는데, 이는 세 가지 범주로 나뉩니다. 첫째, 모델 사양입니다. 우리가 학습시킬 모델은 어떤 모델이어야 할까요? 학습을 위한 제어 기능이 있습니다. 이 모델을 어떻게 학습시켜야 할까요? 어떻게 학습시켜야 할까요? 마지막으로 이미지 모델링을 위한 몇 가지 옵션이 있습니다. 이미지를 조작하고 다양한 작업을 수행하기 위한 옵션입니다.
어떤 모습인지 보여드리고, 이 모델을 적합해 보도록 하겠습니다. 옵션을 오른쪽으로 확장하면 왼쪽을 볼 수 있습니다. 조금 복잡해 보일 수 있지만, 호버링 기능을 사용하면 도움이 됩니다. 마우스를 해당 위치에 놓으면 각 옵션의 용도에 대한 간단한 팁을 얻을 수 있습니다. 심층 신경망의 계층은 기본적으로 신경망의 노드 수와 비슷합니다. 이 예제에서는 8개로 가정하겠습니다.
다음 버킷을 살펴보겠습니다. 이건 학습 버킷입니다. 여기서 배치 크기를 수정하겠습니다. 배치 크기는 한 번에 처리하는 데이터 행 수입니다. 제 컴퓨터가 그렇게 빠르지 않을 테니, 한 번에 64행의 데이터만 살펴보겠습니다. 마지막으로 오른쪽에 이미지 옵션이 있습니다. 여기서 이미지 크기를 조절하면 이미지 크기를 조절할 수 있습니다. 228로 설정하겠습니다. 이 특정 데이터 세트에서는 제게는 잘 맞는 것 같습니다.
지금은 이게 전부입니다. 하지만 Torch 딥러닝을 사용하여 모델을 학습한다는 것은, 일단 모델을 학습하고 반복하는 것입니다. 모델의 예측 능력이나 성능을 개선하기 위해 작은 수정이나 변경을 가할 수도 있습니다. 저는 그냥 넘어가겠습니다. JMP가 데이터를 분석해서 어떤 모델이 나올지 보겠습니다.
JMP가 이 작업을 수행하면서, 이 작은 창에 학습 데이터와 검증 데이터 모두에 대한 지금까지의 성능을 보여주는 업데이트가 표시됩니다. 이 데이터는 모델 학습과 검증에 사용됩니다. 검증 수치에 집중할 것입니다. 검증 수치를 통해 새로운 이미지를 입력했을 때 모델이 얼마나 잘 예측하는지 더 잘 파악할 수 있기 때문입니다.
여기서는 학습 데이터와 검증 데이터의 정확도를 살펴보고 있는데, 지금까지는 꽤 괜찮아 보입니다. 학습 데이터의 정확도는 90%가 넘고 검증 데이터의 정확도는 70%에서 80% 사이입니다. 이 모델은 정말 빠르게 학습했습니다. 다른 옵션을 사용하거나, 예를 들어 에포크를 더 많이 사용했다면, 기존 모델을 크게 변경하지 않고도 더 나은 모델을 얻을 수 있었을 것입니다.
하지만 다음 단계인 모델을 비교하는 것이기 때문에 여기서 살펴보겠습니다. 이제 하나의 모델만 구축했습니다. 여기서는 하나의 모델로 어떻게 보이는지 살펴보겠습니다. 더 많은 모델을 구축할수록 JMP는 모델 비교에 더 많은 정보를 추가하여 여러 모델을 비교할 수 있도록 합니다. 이 초기 모델인 모델 1의 반응은 미네랄이었습니다. 이는 모델을 적합하기 위해 윈도우에 입력한 정보입니다.
R-제곱에 대한 정보는 있지만, 숫자를 예측하는 게 아니기 때문에 살펴보지는 않겠습니다. 이미지를 분류하는 것이니까요. 정확도 측정, 특히 검증 정확도에 더 관심이 있습니다. 이미 꽤 좋은 결과를 보이고 있습니다. 아주 빠르게 학습시킨 이 모델의 정확도는 거의 90%에 가깝습니다.
여기서는 모델이 학습하는 동안 어떻게 진화했는지를 그래픽으로 확인할 수 있습니다. 두 개의 선이 있는데, 하나는 학습 데이터를 나타내고 다른 하나는 검증 데이터를 나타냅니다. 일반적으로 이러한 추세를 통해 알 수 있는 것은 모델의 손실 또는 오류가 여러 에포크를 거치면서 감소한다는 것입니다. 이미지에서 더 많은 정보를 추출하기 위해 데이터를 더 많이 탐색할수록 오류는 줄어들고 예측은 향상됩니다.
이 선들이 여전히 감소하고 있으므로, 에포크 수를 늘리고 모델이 데이터를 몇 번 더 검토하도록 하면 모델 개선에 도움이 될 수 있습니다. 모델 성능을 평가하기 위해 살펴볼 수 있는 몇 가지 사항은 다음과 같습니다. 실제 광물과 예측 광물을 비교한 그래프를 보면 왼쪽에는 실제 광물이, 아래쪽에는 예측 광물이 확률적으로 표시됩니다. 이 그래프의 오른쪽에는 예측이 잘 된 지점들이 있고, 왼쪽에는 예측이 잘 되지 않은 지점들이 있습니다.
여기 있는 모든 것은 상호작용하며 역동적입니다. 예를 들어 데이터 테이블로 돌아가서 이미지 열을 레이블로 설정하고, 이 지점들 위에 마우스를 올리면 어떤 이미지가 석영처럼 보이는지 확인할 수 있습니다. 이 이미지가 그래프에서 상당히 왼쪽에 있는 것을 보면 아마도 잘못 분류된 것 같습니다. 석영이었습니다. 또한 올바르게 분류되지 않은 모든 이미지를 강조 표시할 수도 있습니다. 여기 약 40개의 행이 있는 것 같습니다.
우리는 다시 돌아가서 그 이미지들을 살펴보고 이미지에 잠재적인 문제가 있는지 확인할 수도 있고, 아니면 특정 광물에 대한 이미지를 더 많이 모아서 예측을 개선해야 할 수도 있습니다.
여기 아래에 좀 더 자세한 정보가 있는데, 검증 데이터의 혼동 행렬을 살펴보겠습니다. 이 두 대각선에서, 즉 여기의 개수든 비율이든, 이 대각선에는 큰 숫자가 있어야 하고, 위나 아래에 0이 있으면 좋겠습니다.
흑운모의 경우, 실제 광물은 왼쪽에 나열되어 있고, 가로로 예측된 광물은 가로로 나열되어 있습니다. 흑운모의 정확도는 약 75%, 붕소암의 정확도는 92%입니다. 각 모델에서 얼마나 잘 작동하는지 확인할 수 있습니다. 여기서는 백운모의 정확도가 77.8%로 보입니다. 백운모는 이 모델에서 예측이나 분류에 가장 부진한 광물인 것 같습니다.
다시 말씀드리지만, 제 경우에는 비교를 위한 예시가 하나뿐입니다. 이 저널에서 여러 모델을 비교하는 경우의 결과를 보여드리겠습니다. 추가 모델이 적합해지고 옵션을 조정하면 JMP는 모델 비교에 추가 모델을 계속 추가합니다. 그러면 여러 모델의 검증 정확도를 비교할 수 있고, 이러한 모델의 성능을 시각화하여 비교할 수도 있습니다.
다시 한번 말씀드리지만, 배포를 진행하기 전에 개선을 시도하고 가능한 가장 적합한 모델을 찾는 것이 중요합니다. 모델 비교 및 결과 평가에 대해 간략히 설명드렸습니다. 이제 결과 평가에 대해 좀 더 자세히 살펴보겠습니다.
이 출력에서 볼 수 있는 정말 멋진 대화형 플롯들이 있습니다. 각 모델마다 데이터 테이블에 다시 저장할 수 있는 추가 옵션이 있다는 점을 알려드리고 싶습니다. 예를 들어, 여기에서 임베딩을 저장할 수 있습니다. 여기를 클릭하면 데이터 테이블로 돌아가서 보여드리겠습니다.
여기 임베딩에 8개의 열이 있는 것을 볼 수 있습니다. 임베딩이란 무엇일까요? 모델 컨트롤에서 신경망 노드 수를 8개로 설정했던 것을 기억하시나요? 바로 이 노드입니다. 이 노드들은 광물 이미지에서 추출된 특징입니다. JMP 내 다른 모델링 플랫폼을 사용하여 예측 모델의 X 또는 입력으로 이 임베딩을 사용할 수도 있습니다. Torch를 사용하여 정보를 추출한 후, 원하는 경우 다른 플랫폼을 사용하여 예측하거나 모델을 구축할 수도 있습니다.
적어도 저에게는 아주 좋은 옵션입니다. 저는 이런 방식으로 모델이 얼마나 잘 예측하는지 시각화하는 것을 좋아하기 때문입니다. 예측 결과를 데이터 테이블에 저장할 수 있습니다. 다시 돌아가서 그 모습을 보여드리겠습니다. 이것은 데이터 테이블에 저장한 가장 가능성이 높거나 예측된 광물입니다. 그래프 빌더를 사용하면 실제 광물을 Y축에 그래프로 표시하는 것이 정말 쉽습니다. 이 값을 색상 변수로 사용하겠습니다. 예측된 광물은 X축에 표시하겠습니다.
이게 뭘 의미하는 걸까요? 음, 큰 상자는 올바르게 분류된 광물이고, 그 밖의 모든 점은 잘못 분류된 것입니다. 이건 석영이고, 붕소석으로 분류되었습니다. 이 광물은 백운모이고, 생물형으로 잘못 분류되었습니다. 이렇게 하면 어떤 이미지가 잘못 분류되었는지, 그리고 몇 개가 잘못 분류되었는지 쉽게 알 수 있습니다.
언급할 만한 또 다른 옵션이 있습니다. 이 빨간색 삼각형에서 실시간 예측을 위한 Python 코드를 생성할 수도 있습니다. 만약 이것이 최종 모델이고, 예측 결과에 만족하며 실시간으로 구현하고 싶다면, Python 코드를 여기에 저장하면 됩니다. 지금은 그렇게 하지 않겠지만, 제 일지로 돌아가서 Python 코드를 내보낸 후 무엇을 할 수 있을지 이야기하고 싶습니다.
그 모델을 사용하여 예측하고 싶습니다. 광산에서 우리가 할 수 있는 일은 다음과 같습니다. 훈련된 모델을 만들고 Python 코드를 내보내면 현장 시스템에 통합할 수 있습니다. 그러면 광산에서 나오는 광물이나 광석 사진을 찍을 카메라가 필요합니다. Python 코드를 추가할 수 있는 일종의 엣지 디바이스가 필요합니다. 그러면 Python 코드가 카메라가 촬영한 새로운 광물 이미지를 받아 이 광물인지 저 광물인지 빠르게 분류할 수 있습니다. 바로 그게 핵심입니다. 실시간 예측을 할 수 있다는 거죠.
그걸로 뭘 할 수 있을까요? 음, 그 정보를 사용해서 제분 매개변수 조정 같은 결정을 내릴 수 있을 겁니다. 예측 결과를 바탕으로 광석과 폐기물을 자동으로 분류할 수도 있고요. 아니면 광석에서 각 광물을 얼마나 추출할지 실시간으로 예측할 수도 있을 겁니다. 정보가 실시간으로 제공된다면 정말 유용할 겁니다.
마무리로, 몇 가지 핵심 내용을 알려드리겠습니다. 오늘 데모를 통해 Torch Deep Learning과 JMP Pro가 광물 분류를 위한 훌륭한 노코드 솔루션을 제공한다는 것을 확인하셨기를 바랍니다. 레이블이 지정된 이미지를 사용하여 모델을 빠르게 학습시킬 수 있으며, JMP는 이미지를 가져오고, 데이터를 정리하고, 모델을 생성하기 전에 데이터를 전처리하는 데 필요한 모든 도구를 제공합니다. 매우 간단한 하드웨어로도 실시간 분류가 가능하며, 이러한 접근 방식은 광산 작업에서 더 빠르고 정확한 의사 결정을 지원합니다. 시청해 주셔서 감사합니다.
