텍스트로 충분하면 끝내고,
부족하면 이미지·AI로 확인합니다.

새 분야는 프론티어가 먼저 맡고,
데이터가 쌓이면 자체 소형 모델로 전환합니다.

1. 01

   초기에는 프론티어가 담당

   기존 이미지 모델이 아직 배우지 못한 카테고리·분야는 분류 기준을 정한 뒤 프론티어가 이미지와 설명을 함께 보고 우선 처리합니다. 초기 호출비용은 더 들 수 있지만, 새 분야의 분류를 시작하며 학습 자료를 모읍니다.

   미지원 분야의 초기 처리
2. 02

   판정 데이터를 검증·축적

   상품 이미지, 분류 후보, 판단 근거, 신뢰도, 사람의 수정 결과를 함께 저장합니다. 프론티어의 답은 임시 정답 후보로 두고, 표본 검수와 충돌·희귀 분류 확인을 거쳐 학습에 쓸 자료를 선별합니다.

   모델의 답을 그대로 정답으로 쓰지 않음
3. 03

   분야별 소형 모델 학습

   해당 분야의 여러 상품·촬영 조건을 담은 자료가 충분히 쌓이면, 사전학습 가중치에서 출발해 새 분류층과 필요한 부분을 추가 학습합니다. 이렇게 자체 학습·운영할 수 있는 분야별 소형 이미지 분류 모델을 만듭니다.

   데이터 수량과 분류별 다양성을 함께 확보
4. 04

   검증된 분야부터 전환

   학습에 쓰지 않은 정답 상품으로 정확도와 총비용을 평가하고, 통과한 분야부터 소형 모델의 처리 비중을 높입니다. 처음 보는 상품이나 낮은 신뢰도 사례는 프론티어·독립 검토·사람 검수 경로로 보냅니다.

   소형 모델 우선 · 어려운 사례는 추가 검토

위 내용은 추후 개선 계획입니다. 현재 시뮬레이션에서 실제 데이터 수집·모델 학습·성능 및 비용 검증을 수행한 것은 아닙니다.

설계 참고: PyTorch 전이학습 가이드 · 모델의 예측을 학습 자료로 활용한 연구공개 방법을 바탕으로 구성한 적용안이며, 해당 연구의 성능을 이 서비스의 성과로 사용하지 않습니다.