블로그
아이벡스가 제조 AI 현장에서 쌓은 기술과 제품, 고객 사례, 조직 문화 이야기를 한 곳에 모았습니다.
[AI 로보틱스 필드노트 (2)] 강화학습은 로봇에서 어떤 역할을 맡아야 할까?
강화학습은 한때 로봇 정책을 처음부터 끝까지 만들어 낼 알고리즘처럼 보였습니다. 지금 저희는 다른 역할로 씁니다. 주연이 아니라 교정기로서입니다. 이 글은 왜 그 역할이 맞는지, 그리고 저희 AI Robotics 그룹에서 실제로 어떻게 쓰고 있는지를 정리한 것입니다.
2026.08.25
[AI 검사, 현장의 문제들 (4)] 품종 수천 종을 모델 하나로 처리하기까지
품종 수만큼 모델이 늘어나는 문제를 풀려고 파운데이션 모델을 가져오면, 공개 백본으로는 안 되는 이유가 세 겹으로 나타납니다 — 대상도, 해상도도, 데이터 전제도 검사 현장과 어긋나기 때문입니다. 사람 손 없이 쌓이는 데이터만으로 사전학습하고, 품종 차이는 얇은 계층에 맡기고, 라인 속도까지 따라잡기 위해 무엇을 바꿨는지를 다룹니다.
2026.08.20
[AI 검사, 현장의 문제들 (3)] 지도학습과 비지도학습을 한 시스템에 같이 넣은 이유
검사에서 사고가 되는 미검은 한 경로가 아니라 두 경로로 발생하고, 지도학습과 비지도학습은 각각 한쪽 경로만 막을 수 있습니다. 두 모델을 한 시스템에 넣되 왜 '합치지 않고 독립으로' 돌리는지, 그 구조가 어떻게 스스로 학습 데이터를 만들어내는지를 다룹니다.
2026.08.17
[AI 로보틱스 필드노트 (1)] 로봇 자동화의 난이도는 로봇 사양이 정하지 않습니다
로봇 자동화의 난이도는 로봇의 사양이 아니라 작업이 허용하는 불확실성의 크기가 결정합니다. 같은 6축 팔이라도 정해진 경로를 반복하는 작업과 접촉이 많은 작업은 다른 산업에 가깝습니다. 이 글은 그 차이를 네 단계로 정리한 것입니다.
2026.08.13
AIVEX는 왜 '하이브리드 컴퓨팅'을 선택했는가
검사 판정은 밀리초 안에 끝나야 하고, 모델은 계속 좋아져야 하며, 원본 이미지는 공장 밖으로 나가면 안 됩니다. 이 세 가지는 한 곳에서 동시에 만족되지 않습니다. 연산을 어디에 두느냐를 정하는 과정에서 저희가 온프레미스도 풀 클라우드도 아닌 구조를 택하게 된 이유를 정리했습니다.
2026.08.10
[AI 검사, 현장의 문제들 (2)] 정상만 학습해서 이상을 찾을 때 막히는 지점들
불량 이미지 없이 양품만 학습시키는 비지도 이상탐지는, 벤치마크에서는 완벽해 보이지만 양산 데이터가 들어오는 순간 두 곳에서 동시에 무너집니다. 문제는 하나를 고치려 하면 다른 하나가 나빠지는 구조라는 것 — 이 상충을 어디서부터 풀어야 하는지를 다룹니다.
2026.08.05
[AI 검사, 현장의 문제들 (1)] 불량 제품이 없는 상태에서 AI Inspection 시작하기
AI Inspection은 대개 불량 데이터가 부족한 상태에서 시작하며, 데이터가 쌓이는 과정에서도 불균형·레이블 오류·미학습 결함·다품종 문제에 부딪힙니다. 이 다섯 가지 문제의 공통점은 모델이 아니라 데이터에 있다는 점입니다.
2026.08.03
[VISION SERIES] #3. 우리의 핵심가치 "자율"과 "책임"🔥우리의 DNA라구...!
[VISION SERIES] #3. 우리의 핵심가치 "자율"과 "책임"🔥우리의 DNA라구...!
2026.07.30
AIVEX 딥러닝 리서치 그룹, ICML 2026에서 채택 논문 포스터 발표
AIVEX 딥러닝 리서치 그룹의 박재우 연구원이 지난 7월 8일 서울 코엑스(COEX)에서 열린 ICML 2026(International Conference on Machine Learning)에 참가해 채택 논문을 포스터 발표했습니다.
2026.07.09