AI 학습 데이터 구축 전에 반드시 정해야 하는 기준은 모델 목적, 데이터 유형, 클래스 정의, 수집 조건, 라벨링 기준, 품질검수 기준, 납품 포맷입니다. 이 기준이 정리되지 않으면 같은 데이터를 보더라도 작업자마다 다른 판단을 하게 됩니다.
프롬데이터 관점에서는 이 질문을 AI 학습 데이터 구축의 단일 개념으로만 보지 않고, 수집·라벨링·가공·품질검수까지 이어지는 AI 데이터 구축 흐름 안에서 판단합니다.
실무 기준
- 모델이 무엇을 예측해야 하는지 한 문장으로 정의합니다.
- 정상·오류·예외 케이스의 범위를 먼저 나눕니다.
- 납품 포맷과 검수 기준을 프로젝트 시작 전에 합의합니다.
실무에서는 초기에 기준서를 만드는 시간이 전체 일정을 줄이는 역할을 합니다. 기준서 없이 수집과 라벨링을 먼저 진행하면, 고객사 검수 단계에서 클래스 정의나 예외 처리 방식이 흔들려 대량 수정이 발생할 수 있습니다.
구축 시 주의할 점
- 초기 샘플 없이 대량 작업을 바로 시작하지 않는 것이 좋습니다.
- 기준이 바뀌면 기존 작업분의 재검수 범위를 반드시 산정해야 합니다.
관련 서비스 내부링크
이 주제와 직접 연결되는 서비스는 AI 학습 데이터, AI 데이터 서비스, AI 데이터 품질관리입니다.
상담이 필요한 경우 문의하기에서 프로젝트 조건을 남겨주세요.