데이터 라벨링 · 데이터 주석

데이터 라벨링이란?

데이터 라벨링을 시작하면 AI 프로젝트의 무게중심이 모델에서 데이터로 옮겨갑니다. 어떤 알고리즘을 쓸지 고르는 데는 하루면 되지만, 무엇을 결함으로 볼지·어디까지를 '긍정 문의'로 볼지 적어 놓은 기준 문서는 현업과 몇 주를 씨름해야 나옵니다. 라벨링은 기술 작업이 아니라 업무 판단 기준을 글로 확정하는 일이고, 그 기준이 흐릿한 채로 수만 건을 찍어내면 작업량만 쌓이고 성능은 제자리입니다. 결국 현업 전문가의 시간을 얼마나 확보하느냐가 일정의 실제 변수가 됩니다.

라벨의 형태에 따라 난이도와 단가는 크게 벌어집니다. 사진 한 장에 카테고리 하나를 붙이는 분류는 장당 수 초지만, 객체를 사각형으로 잡는 바운딩 박스는 수십 초, 픽셀 단위로 윤곽을 따는 세그멘테이션은 장당 몇 분이 걸립니다. 텍스트에서는 인명·제품명을 표시하는 개체명 작업이 쓰이고, 최근에는 두 답변 중 어느 쪽이 나은지 고르는 선호 라벨이 늘었습니다. 품질은 감이 아니라 숫자로 봅니다. 정답이 확정된 골드셋 수백 건을 전 작업자에게 돌려 일치도를 재는 것이 기본이고, 모델이 헷갈리는 데이터부터 골라 라벨링하는 능동학습을 쓰면 같은 성능을 절반 이하의 라벨로 만들기도 합니다. 결측치 처리나 포맷 정리 같은 전처리와는 별개의 공정입니다.

현장에서 가장 자주 어긋나는 지점은 '사람이 붙였으니 정답'이라는 믿음입니다. 경계 사례 지침이 없으면 같은 자료를 놓고 작업자마다 다르게 판단하고, 그 불일치는 그대로 모델의 성능 상한선으로 굳습니다. 라벨 오류율이 5%면 정확도 95%가 사실상 천장인데, 이를 모르고 모델 구조만 바꿔가며 몇 달을 태우는 팀이 많습니다. 성능이 정체되면 모델보다 라벨을 먼저 열어보는 편이 빠릅니다. 단가만 비교해 검수 조건 없이 발주하면 납품은 빨라도 재작업 비용이 원가를 넘습니다. 개인정보가 섞인 데이터는 외부 반출 전 비식별 처리 여부부터 확인해야 합니다.