AI로 건설 현장 안전을 강화한 TrueLook의 AWS SageMaker 활용 사례

건설 현장 안전을 위한 AI 솔루션, TrueLook의 AWS SageMaker 활용 사례

최근 AI 기술의 발전으로 인해 많은 산업 현장에서 자동화 및 효율화가 빠르게 이루어지고 있습니다. 그 중에서도 특히 위험 요소가 많은 건설 현장에서 AI의 역할이 매우 중요해지고 있습니다. 오늘 소개할 TrueLook의 사례는 AWS SageMaker AI를 기반으로 한 건설 안전 모니터링 시스템으로, 실제 현장에서 어떻게 AI가 활용되고 있는지에 대한 좋은 예제를 보여줍니다. 이 글에서는 SageMaker 모델 학습, 배포 가이드, 자동화된 MLOps 적용까지, 엔드 투 엔드의 기술적 설계를 따라가 보며 주요 활용 방안을 살펴보겠습니다.

TrueLook, AI로 건설 현장의 안전을 혁신하다

TrueLook은 건설 현장 전용 카메라 및 실시간 인사이트 플랫폼을 제공하는 기업으로, 고해상도 이미지, 타임랩스, 실시간 영상 스트리밍 기반의 현장 추적 솔루션을 제공하고 있습니다. 기존에는 현장 관리자들이 수시로 영상을 보거나 직접 점검을 해야 했지만, TrueLook은 이러한 수작업 과정을 최소화하기 위해 Amazon SageMaker AI 플랫폼을 도입해 자동화된 PPE(개인 보호 장비) 감지를 실현했습니다.

이 시스템은 Hardhat, 안전조끼, 장갑, 보호안경 등의 착용 여부를 실시간 이미지 분석으로 판별하고, 위반 시 경고를 자동으로 발송하여 작업자의 안전을 사전에 확보할 수 있도록 설계되었습니다. 특히, AWS의 완전관리형 ML 인프라를 통해 인력 부담 없이 지속적으로 모델 성능을 높이고, 다양한 건설 현장에 걸쳐 확장이 용이하도록 아키텍처를 구축하였습니다.

모델 학습 및 자동화된 파이프라인 운용

TrueLook은 세 단계의 이미지 처리 파이프라인을 통해 모델을 구축하였습니다:

1. SageMaker Processing Job을 활용한 전처리 단계
2. SageMaker Training Job을 통한 PyTorch 기반 분산 학습
3. SageMaker Model Registry를 이용한 버전 관리 및 배포 추적

전체 워크플로우는 SageMaker Pipelines로 자동화되어 있으며, 이미지가 Amazon S3에 업로드되면 자동으로 파이프라인이 실행되어 훈련, 검증, 등록 및 배포가 이어지는 구조입니다.

YOLOv11 기반 객체 탐지 모델 활용

TrueLook이 선택한 객체 탐지 모델은 YOLO 시리즈로 유명한 YOLOv11입니다. 이 모델은 빠른 스피드와 높은 정확도를 동시에 달성할 수 있어 건설 현장같이 복잡하고 동적인 환경에서도 탁월한 성능을 발휘합니다. 기존의 일반적 이미지 데이터(자동차나 사람 등)를 학습한 사전 학습 모델을, Roboflow Construction 데이터셋 등으로 도메인 적응을 수행한 후, 최종적으로 TrueLook 자사의 데이터셋으로 미세 조정하여 정확도를 극대화하였습니다.

초기에는 Low-code/No-code 솔루션을 활용하다가 특정 한계에 부딪혔지만, SageMaker의 하이퍼파라미터 조정과 GPU 인프라 조합을 통해 보다 섬세하고 영역에 특화된 모델을 제작할 수 있었으며, 단 1,000건의 라벨링 이미지로도 평균 정확도(mAP)를 80% 이상으로 향상시킬 수 있었습니다.

엔드 투 엔드 모델 운영 및 배포 자동화

SageMaker Model Registry의 실시간 배포 연동은 CI/CD 환경에서 매우 유용하게 쓰이며, 모델이 배포되기 전 성능 측정 (mAP, F1-score 등)을 기준으로 배포 승인 여부를 결정할 수 있게 되어 안정적인 운영을 가능하게 합니다.

또한 각 모델은 GPU 기반의 실시간 추론 엔드포인트에서 운영됨으로써 사용자가 검사하지 않아도 실시간 알림 형태로 위험 요소를 감지할 수 있습니다. 여기에 모델 실험 프로세스가 자동으로 기록되고, 비교가 가능한 구조이기 때문에 보다 쉽게 베스트 모델을 식별하고 운영 환경으로 프로모션 할 수 있습니다.

결론

TrueLook 사례는 실제 산업 및 위험 환경에서 AI와 클라우드 기술의 효과적인 활용을 보여주는 훌륭한 사례입니다. 특히 SageMaker AI를 통한 모델의 훈련, 배포, 모니터링의 자동화는 개발 및 운영 리소스를 최소화하면서도 고정밀 수준의 객체 탐지 기능을 제공하였습니다.

만약 귀하의 조직에서도 현장 이미지 분석, 산업계 AI 자동화, 실시간 위반 감지 등과 같은 기능을 도입하고자 한다면 이번 사례가 좋은 벤치마크가 될 수 있습니다. AWS의 SageMaker와 같은 완전 관리형 인프라를 활용하면 복잡한 MLOps 파이프라인을 간단하게 구현하고 안정된 서비스를 구축할 수 있습니다.

[1] https://aws.amazon.com/blogs/machine-learning/architecting-truelooks-ai-powered-construction-safety-system-on-amazon-sagemaker-ai/