데이터 클래스 설계는 AI가 구분해야 할 정답 체계를 만드는 작업입니다. 클래스가 모호하면 라벨러가 서로 다른 기준으로 작업하게 되고, 모델은 일관된 판단 기준을 배우지 못합니다.
프롬데이터 관점에서는 이 질문을 데이터 클래스 설계의 단일 개념으로만 보지 않고, 수집·라벨링·가공·품질검수까지 이어지는 AI 데이터 구축 흐름 안에서 판단합니다.
실무 기준
- 클래스명, 포함 기준, 제외 기준을 문서화합니다.
- 유사 클래스와 예외 케이스를 별도로 정의합니다.
- 샘플 이미지를 기준으로 작업자 교육을 진행합니다.
예를 들어 ‘위험행동’이라는 클래스만으로는 너무 넓습니다. 위험구역 접근, 보호구 미착용, 설비 접촉, 넘어짐, 비정상 자세처럼 모델이 실제로 구분해야 하는 하위 클래스로 나누어야 합니다.
구축 시 주의할 점
- 클래스가 너무 많으면 작업 난이도와 오류율이 올라갈 수 있습니다.
- 반대로 클래스가 너무 넓으면 모델이 실무적으로 유용한 판단을 하기 어렵습니다.
관련 서비스 내부링크
이 주제와 직접 연결되는 서비스는 AI 데이터 라벨링, AI 데이터 가공, 3단계 품질 보증 프로세스입니다.
상담이 필요한 경우 문의하기에서 프로젝트 조건을 남겨주세요.