사전 학습된 변화 탐지 모델은 기본적으로 건물 변화 탐지에 뛰어난 성능을 보이지만, 모든 데이터셋에서 항상 좋은 성능을 보장하지는 않습니다. 특히 데이터 분포, 공간 해상도, 그리고 “변화”에 대한 운영상 정의가 사전 학습 단계의 가정과 다를 경우, AI 모델의 성능 저하는 자연스러운 결과입니다.
이번 사례 연구는 Deep Trek을 활용해 변화 탐지 AI 모델을 미세 훈련(fine-tuning)하고, 영덕군 정사영상(orthophoto) 데이터셋에서 추론 성능을 실제로 얼마나 끌어올릴 수 있는지를 보여줍니다. 본 프로젝트의 목표는 소량의 추가 학습 데이터만으로 ‘완벽한 정확도’의 AI 모델을 만드는 것은 아니었습니다. 보다 좁고 현실적인 목표, 즉 사전 학습 모델이 최적화됐던 조건과는 다른 목표 데이터셋에 대해, Deep Trek의 GUI 기반 훈련 워크플로우가 성능을 실질적으로 개선할 수 있는지를 검증하는 것이었습니다.
실제 운영 관점에서 중요한 질문도 바로 이것입니다. 많은 업체들이 사전 학습된 모델로 추론을 실행할 수는 있지만, 초기 결과가 실제 데이터에 충분히 맞지 않을 때 그 모델을 효율적으로 ‘내 데이터에 맞게’ 수정·훈련할 수 있는 제품을 제공하는 업체는 국내에 존재하지 않습니다.
DEEP TREK 으로 영덕군 달산면 정사영상 2장을 로드한 사진
초기 문제 정의: 건물 변화 탐지 AI 모델의 추론만으로는 영덕군의 지상 변화는 찾기 힘든 상황
Deep Trek에는 사전 학습된 AI 모델이 탑재되어 있어, 사용자는 정사영상 데이터를 업로드한 직후 바로 기본적인 토지 변화 탐지를 수행할 수 있습니다. 이 프로젝트에서 보시듯 서로 다른 시점의 영상을 두 장 업로드하면, 사용자가 PREDICT 버튼을 한 번 눌러 곧바로 변화 탐지 결과를 확인할 수 있습니다.
이 기본 추론 워크플로우는 분명 유용하지만, 동시에 범용 사전 학습 모델이 가진 한계를 그대로 드러내기도 합니다.
저희 제품에 탑재된 사전 학습 모델은 주로 건물의 신축·철거와 같은 건축물 변화 탐지에 최적화되어 있어, 그 전제 안에서는 도심지의 구조적 변화에 대해 꽤 괜찮은 결과를 냅니다.
하지만 이 데이터셋에서 우리가 찾고자 한 변화 범위는 훨씬 넓었습니다. 단순히 건물 변화에 그치지 않고,
- 농경지 용도 변화,
- 산림의 발생 및 훼손,
- 도로 신설,
- 그 밖의 농촌 산간 지역 모니터링에 중요한 비(非)건물 변화
까지 포함되었습니다.
결론적으로, 훈련되지 않은 사전 학습 모델은 농경지 전환이나 산림 관련 변화와 같이, 사람 눈에는 분명히 보이는 변화조차 제대로 포착하지 못하는 구간이 많았습니다. 이는 특정 모델에만 국한된 예외적인 문제가 아니라, 최근 주목받는 범용·파운데이션 모델들에서도 자주 반복해서 나타나는 공통적인 한계입니다.
모델의 범위가 넓다고 해서 항상 목표 도메인에 잘 맞는 것은 아닙니다. 목표 도메인, 라벨 정의, 영상 조건이 사전 학습 시점의 가정과 어긋나기 시작하는 순간, 동일한 모델이라도 성능이 눈에 띄게 떨어질 수 있습니다.
사전 학습 모델의 기본 추론 결과를 요약하면, 일부 건물 관련 변화는 감지되지만 비(非)건물 영역의 토지 이용 변화는 신호가 약하거나 아예 누락되는 구간이 적지 않았습니다.
이 데이터셋이 특히 까다로웠던 이유
이번 사례는 단순히 “이전·이후 건물 변화만 비교하는” 수준을 넘어서는 난이도였습니다.
프로젝트에는 경북 영덕군의 정사영상이 사용되었는데, 2020년 이전 영상은 약 51cm GSD, 2025년 영상은 약 25cm GSD 해상도를 갖고 있습니다. 즉, 두 장의 입력 이미지는 촬영 시점뿐 아니라 공간 해상도 자체가 서로 달랐습니다.
이 차이는 변화 탐지 모델에게 매우 중요한 변수입니다. 모델은 어떤 구역이 의미적으로 변했는지 판단해야 하지만, 한쪽 이미지는 더 선명하고 디테일이 풍부하며 픽셀 단위 구조도 달라져 있습니다. 이 해상도 차이에 충분히 적응하지 못한 모델은 해상도 변화(샤프니스·디테일 차이)를 실제 토지 변화로 혼동하거나, 반대로 이런 불일치 때문에 진짜 변화를 일반화하지 못할 수 있습니다.
게다가 이 프로젝트는 도시가 아닌 농촌 지역 데이터를 다룹니다. 농촌 정사영상의 변화 탐지는 도시 건물 중심 변화 탐지보다 여러 측면에서 더 어렵습니다.
- 첫째, “변화”의 경계가 훨씬 모호합니다. 새 건물처럼 명확한 구조물보다, 서서히 진행되는 토지 이용 변화나 식생 패턴 변화는 어디까지를 변화로 볼지 정의하기가 까다롭습니다.
- 둘째, 경작지는 계절에 따라 색상·질감·표면 패턴이 크게 달라집니다. 실제 토지 이용은 그대로인데도 영상만 보면 완전히 다른 상태처럼 보일 수 있습니다. 예를 들면, 연도에 따라, 밭에서 키워지는 작물이 바뀔 수도 있고, 계절에 따라 경작지의 모습이 항공사진에는 완전히 다르게 보일 수 있습니다.
- 셋째, 산림 관련 변화는 공간적으로 들쭉날쭉한 경우가 많고, 경계도 깨끗하지 않습니다. 계절 변화나 조도 변화와 시각적으로 겹쳐 보이기도 해 모델과 라벨러 모두에게 어렵습니다. 특히, 항공 정사영상에서 가파르고 울창한 산지는 그림자에 의해 가려지는 곳들이 많습니다(계곡 등)
- 넷째, “변화로 볼 것인가 말 것인가”라는 운영상 정의는 도메인마다 다릅니다. 불법 전용, 도로 개설, 태양광 패널 설치, 산림 훼손, 농업 용도 변경 등 무엇을 감시 대상에 두느냐에 따라 라벨 정책이 완전히 달라져야 합니다. 범용 사전 학습 모델은 이러한 정책을 알 수 없으며, 해당 기준에 맞춰 미세 훈련하지 않으면 원하는 변화를 제대로 잡아내기 어렵습니다.
바로 이런 이유 때문에, 문제의 핵심은 단순한 모델 용량이 아니라 “도메인 정렬(domain alignment)”이며, 그 격차를 줄이기 위한 미세 훈련(fine-tuning)이 여전히 필수적인 단계로 남아 있습니다.
서로 다른 해상도의 시계열 정사영상이 섞여 있으면 도메인 시프트가 커지고, 그만큼 변화 탐지 난이도도 함께 올라갑니다. 예를 들면 위에서 보시는 것처럼 계절에 따라, 같은 지역의 항공 사진의 모습은 상당히 다릅니다.
Deep Trek의 역할: 단순 추론을 넘어, GUI 기반 도메인 맞춤형 모델 적응
실제 운영 환경에서 쓸 만한 시스템이라면, 단순히 사전 학습된 모델로 추론만 돌리는 수준을 넘어야 합니다. 사용자가 복잡한 ML 엔지니어링 코드 없이도, 자신의 데이터에 맞게 모델을 직접 조정할 수 있어야 합니다.
바로 이 지점에서 Deep Trek은 단순 추론 도구와 구조적으로 다릅니다. 플랫폼이 GUI 기반 학습 인터페이스를 제공하기 때문에, 사용자는 추가 라벨 데이터를 준비하고, 프로젝트별 변화 기준을 정의한 뒤, 그 데이터를 활용해 모델을 다시 학습시키고, 같은 워크플로우 안에서 재추론까지 이어갈 수 있습니다.
이번 사례에서도 다음 단계는 간단했습니다. Change Detection 프로젝트의 Train 탭을 열고, 추가 학습용 데이터를 업로드한 뒤, 변화 영역을 하나씩 라벨링하기 시작하면 됩니다.
여기서 중요한 포인트는 모델을 “고정된 것”으로 취급하지 않는다는 점입니다. 사전 학습 모델의 결과가 충분하지 않다면, 그 지점이 한계가 아니라 출발점이 됩니다. 사용자는 자신의 도메인에 맞게 모델을 계속 적응시켜 나갈 수 있고, 초기 베이스라인 성능을 ‘최종치’로 받아들일 필요가 없습니다.
Deep Trek은 이런 도메인 맞춤형 미세 훈련을 프로젝트 흐름을 끊지 않고 수행할 수 있도록, GUI 기반 학습 인터페이스를 제공합니다.
“변화”의 기준을 어떻게 정의하느냐가 예상보다 훨씬 더 중요하다
이 지점부터는 더 이상 “소프트웨어를 어떻게 조작하느냐”의 문제가 아니라, “무엇을 변화로 정의할 것인가”라는 라벨 정책의 문제에 가깝습니다.
이번 실험에서는 변화의 범위를 의도적으로 건물 신·증축/철거를 넘어 확장했습니다. 실제로 라벨링한 “변화 영역”에는 다음과 같은 항목들이 포함되었습니다.
- 도로 신설 및 선형 변화
- 농경지 용도 변화
- 산림의 발생 및 훼손(감소)
- 건물 변화
- 정사영상에서 의미 있게 구분되는 기타 토지 이용 변화
이러한 결정이 중요한 이유는 단순합니다. 모델은 결국 라벨이 말해주는 정의를 그대로 학습하기 때문입니다. 라벨 정책이 모호하면, 모델도 동일한 모호함을 그대로 물려받게 됩니다.
특히 농업 지역에서는 이 점이 더욱 중요합니다. 경작지는 계절, 생육 단계, 관리 상태에 따라 색상과 질감, 패턴이 크게 달라질 수 있습니다. 겉으로 보기에는 크게 달라 보이지만, 학습 기준상 “변화로 취급하면 안 되는” 구역도 많습니다. 이런 구역을 잘못 변화로 라벨링하면, 모델은 그 신호를 학습해 과도한 오탐지(오검출) 쪽으로 끌려가게 됩니다.
따라서 운영 측면에서의 핵심 원칙은 다음과 같이 정리할 수 있습니다.
- 눈에 보이는 모든 차이를 변화로 라벨링하지 않는다.
- 경작지의 경우, 눈에 띄는 변화가 아니라면 변화라고 가정하지 않는다.
- 먼저 프로젝트별 “변화 기준”을 명확히 정의한다.
- 그 기준에 따라 일관되게 라벨링한다.
Deep Trek GUI에서는 변화 영역을 드로우 모드로 직접 그리면, 해당 영역이 즉시 마스크(핑크색)로 표시됩니다. 이 즉각적인 시각 피드백 덕분에, 사용자는 라벨이 의도한 정책에 맞게 잘 들어갔는지 프로젝트 화면 안에서 바로 검수·수정할 수 있습니다.
변화로 지정한 영역은 GUI에서 바로 그릴 수 있으며, 그 결과가 즉시 핑크색 마스크로 표시되어 시각적으로 바로 검증할 수 있습니다.
겉으로 드러나는 모든 시각적 차이를 곧바로 “변화”로 취급해서는 안 됩니다. 특히 경작지나 식생은 계절, 관리 방식에 따라 모습이 크게 바뀌기 때문에, 변화 기준을 명확하고 구체적으로 정의해 두지 않으면 오탐지가 쉽게 늘어납니다.
AI 모델 훈련
이번 프로젝트는 대규모 재학습이 아니라, 아주 구체적인 질문에 답하기 위한 실험적인 미세 훈련 세팅이었습니다.
“도메인에 맞는 추가 학습 데이터를 조금만 더 준비해도, 실제 목표 데이터셋에서 추론 성능이 눈에 띄게 좋아질까?”라는 질문입니다.
답은 “세팅을 제대로 하면, 그렇다”였습니다. 여기서 핵심은 모델 구조 자체라기보다, 어떻게 준비하고 설정했느냐였습니다.
- 이번 실험에서 준비한 변화 영역 라벨은 약 200개 수준으로, 전체 학습 관점에서는 매우 작은 데이터셋입니다.
따라서 기대해야 할 것은 일부 도메인 정렬(domain adaptation)이지, 모든 사례를 다 커버하는 완전한 적응이 아닙니다.
- 사용된 원본 이미지는 11,712 × 9,648 픽셀 해상도의 대형 정사영상입니다.
여기에 Division factor를 24 × 20으로 설정해, 한 패치를 대략 500 × 500 픽셀 크기로 나누어 학습에 사용했습니다.
이 설정은 다음과 같은 의도를 갖고 있습니다.
- 패치가 너무 크면, 작은 변화가 주변 맥락에 묻혀 희석됩니다.
- 패치가 너무 작으면, 변화 주변의 문맥 정보가 사라져 모델이 패턴을 잡기 어렵습니다.
- 약 500 × 500 픽셀은 “지역적 변화”를 보존하면서도, 학습·추론 측면에서 운용 가능한 크기입니다.
- 사용자는 위와 같이 패치 분할 설정을 마친 뒤, Train 버튼을 한 번 눌러 훈련을 시작할 수 있습니다.
실제 미세 훈련 시간은 약 30분 정도로,
“이 설정이면 성능이 어떻게 변할까?”를 실무자가 반복 확인해 볼 수 있을 만큼 현실적인 시간 안에 전체 과정이 끝났습니다.
정리하면, 이번 세팅은
- 소량의 도메인 특화 라벨,
- 적절한 패치 분할,
- 30분 내외의 훈련 시간
이라는 조건에서, 모델이 실제 목표 데이터셋에 더 잘 맞춰질 수 있는지를 검증한 실용적인 미세 훈련 구성이라고 볼 수 있습니다.
이번 실험에서는 11,712 × 9,648 해상도의 큰 이미지를 24 × 20으로 분할해, 한 조각이 대략 500 × 500 픽셀이 되도록 패치를 생성했습니다.
미세 훈련은 약 30분 만에 완료되었으며, 이 정도 시간이라면 실무에서 반복적으로 도메인 적응 실험을 해 보기에도 충분히 현실적인 수준입니다.
미세 훈련 모델로 다시 추론 실행하기
훈련이 끝난 뒤에는 동일한 이미지 쌍에 대해, 같은 분할 설정으로 다시 한 번 PREDICT 버튼을 눌러 추론을 수행했습니다.
이 단계부터는 결과를 정량·정성적으로 비교할 수 있습니다. 같은 프로젝트 구조 안에서, 미세 훈련 전·후 결과를 1:1로 대응시키며 보는 진짜 의미의 A/B 테스트가 가능해진 것입니다.
결과는 분명히 달라졌습니다.
가장 눈에 띄는 개선 지점은, 농경지가 태양광 발전 설비 부지로 전환된 구역이었습니다. 사전 학습 모델은 이 유형의 변화를 제대로 잡지 못한 경우가 많았지만, 미세 훈련을 거친 모델은 해당 토지 이용 변화를 훨씬 안정적으로 검출했습니다.
또 하나 중요한 점은, 원래 모델이 잘하던 “건물 변화 탐지 능력”이 미세 훈련 과정에서 무너지지 않았다는 것입니다. 즉,
- 기존의 건물 변화 감지 성능은 큰 손실 없이 유지하면서,
- 목표 도메인에서 중요한 비(非)건물 변화에 대해서만 감도가 개선된 것입니다.
이 정도의 변화가 바로, 소량의 도메인 특화 데이터로 수행한 성공적인 미세 훈련에서 기대할 수 있는 “현실적인 이득”입니다. 마법처럼 모든 상황을 해결해 주지는 않지만, 실제 업무에서 충분히 의미 있는 수준의 개선입니다.
미세 훈련 이후에는, 예를 들어 농경지가 태양광 발전 설비 부지로 전환된 구역처럼 특정 토지 이용 변화에 대해, 사전 학습 모델보다 훨씬 안정적이고 신뢰도 높은 검출 결과를 보여 주었습니다.
동일 영역에 대해 사전 학습 모델과 미세 훈련 이후 모델의 추론 결과를 좌·우로 나란히 배치한 비교 화면입니다. 왼쪽은 미세 훈련 전 사전 학습 모델의 결과이고, 오른쪽은 Deep Trek으로 미세 훈련을 진행한 뒤 같은 영역에 대해 다시 추론한 결과를 보여 줍니다.
어떤 점이 좋아졌고, 어떤 점이 여전히 한계로 남았는가
이 실험을 어떻게 해석해야 하는지는 분명합니다.
약 200개의 라벨로 짧은 미세 훈련을 한 뒤 모델이 “완벽해졌다”고 말할 수는 없습니다.
해석 범위는 더 좁고 구체적이어야 합니다.
이번 결과가 보여 주는 것은, "도메인에 맞는 추가 데이터가 조금만 있어도 모델이 목표 과제 쪽으로 의미 있게 훈련될 수 있다"는 점입니다. 실제로 이 실험에서는, 사전 학습 단계에서 충분히 다루지 못했던 변화 유형, 특히 농촌 정사영상에서의 비(非)건물 토지 이용 변화에 대한 감지가 이전보다 분명히 개선되었습니다.
동시에, 여전히 한계는 남아 있습니다.
일부 구간에서는 오탐지(false positive)가 계속 발생했고, 실제 변화를 놓치는 미탐지(false negative)도 완전히 사라지지 않았습니다. 특정 영역은 여전히 올바르게 추론되지 않았습니다.
하지만 이는 이번 설정을 감안하면 자연스러운 결과입니다.
- 라벨 개수가 제한적이었고,
- 변화의 개념이 사전 학습 모델이 가정한 것보다 훨씬 넓었으며,
- 시점 간 GSD(해상도) 불일치가 있었고,
- 계절 변화가 크고, 변화를 정의하기 쉽지 않은 농업·산림 도메인이었다는 점을 고려하면,
이 정도 데이터로 한 번 미세 훈련했다고 해서 완전한 수렴을 기대하는 것은 현실적이지 않습니다.
그래서 이 실험의 가치는 “모든 문제를 해결했다”가 아니라,
Deep Trek 안에서 수행한 미세 훈련이 실제 사용자 데이터에 대해 모델을 올바른 방향으로 움직였다는 것을 명확하게 확인했다는 데 있습니다.
소량의 라벨만으로 모든 다운스트림 변화 탐지 문제를 해결할 수 있다고 주장하는 것이 아니라, 적절한 추가 데이터와 GUI 기반 미세 훈련만으로도 실질적인 성능 향상이 가능하다는 것을 보여 준 사례입니다.
실제 운영 환경에서 이 내용이 중요한 이유
실제 현장에서는 “사전 학습된 모델이 있느냐 없느냐”가 병목이 아닙니다. 진짜 병목은 그 모델을 우리 조직의 데이터, 라벨 정책, 보안 규정에 맞게 얼마나 잘 ‘맞춰 쓸 수 있느냐’입니다.
이 문제는 항공사진, 드론 정사영상, 위성 영상처럼 조건이 제각각인 도메인에서 특히 두드러집니다. 해상도도 다르고, 지형과 기후도 다르고, 이미지의 획득 방식도 다르며, “변화”의 정의와 고객 요구 사항도 크게 달라집니다. 같은 사전 학습 모델을 그대로 가져다 쓰더라도, 이런 서로 다른 환경에서는 성능 편차가 크게 날 수밖에 없습니다.
단순 예측 기능만 제공하는 시스템은 이 지점에서 사용자를 ‘도메인 미스매치’에 그대로 노출시킵니다. 반대로, 하나의 인터페이스 안에서
- 사전 학습 모델로 바로 예측을 돌려 보고,
- 부족할 경우 도메인별 라벨을 추가해 미세 훈련까지 수행한 뒤,
- 같은 화면에서 재추론과 비교·검증까지 반복할 수 있게 해 주는 시스템은 실제 운영에서 훨씬 유용합니다. 초기 실패를 “끝”으로 만드는 대신, 반복적인 개선 경로를 제공하기 때문입니다.
이번 사례가 보여 주는 제품적 함의는 바로 여기에 있습니다.
Deep Trek은 항공사진, 드론 정사영상, 위성 영상을 모두 지원하며,
- 사전 학습 모델만으로 충분한 경우에는 곧바로 예측부터 시작하고,
- 성능이 부족한 경우에는 GUI 워크플로우 안에서 추가 라벨을 생성해, 각 조직의 도메인 기준에 맞게 미세 훈련을 이어갈 수 있습니다.
이는 단순히 “예측만 해주는 블랙박스 도구”와는 다른 운영 모델입니다.
온프레미스(폐쇄망) 환경에 배치가 가능한 DEEP TREK
일부 조직에게 모델 성능은 의사결정 요소의 절반일 뿐이고, 나머지 절반은 데이터를 어떻게 다루느냐입니다.
학습 데이터 준비, 라벨링, 모델 훈련, 추론까지 전 과정을 외부로 데이터 반출 없이 내부에서 처리해야 한다면, 시스템을 어디에 어떻게 배치하느냐(아키텍처)가 핵심 조건이 됩니다. 공공기관, 보안 민감 조직, 폐쇄망 환경에서 이런 요구가 특히 많습니다.
이러한 환경을 위해 Deep Trek은 온프레미스 전용 하드웨어를 제품 도입 시 함께 제공하며, 인터넷 연결 없이도 동일한 워크플로우를 로컬 장비 안에서 그대로 실행할 수 있습니다. 즉, 데이터 준비–라벨링–훈련–추론의 전 과정을 외부 전송 없이 내부 인프라에서 완료할 수 있습니다.
조직이 법적·운영상 이유로 데이터를 밖으로 반출할 수 없다면, 이와 같은 온프레미스 구조 없이는 미세 훈련의 실질적인 가치를 제대로 활용하기 어렵습니다.
Conclusion
이번 사례 연구가 말해 주는 메시지는 단순하지만, 실제 운영에서는 매우 중요합니다.
사전 학습된 변화 탐지 모델은 좋은 출발점이 될 수 있지만, 사용자가 실제로 찾고 싶은 “의미 있는 변화”와 항상 정확히 일치하지는 않습니다. 특히 농촌 지역의 토지 이용 변화, 계절에 따른 농업 패턴 변화, 산림 훼손·복구, 시점별 GSD(해상도)가 다른 영상이 섞여 있는 경우 등에서는 이 격차가 더 크게 드러납니다.
영덕군 정사영상 사례에서도 마찬가지였습니다. 프로젝트에서 요구한 변화 범위가 넓었기 때문에, 초기 사전 학습 모델만으로는 충분한 결과를 얻을 수 없었습니다. 하지만 Deep Trek 안에서 추가 변화 영역 라벨을 비교적 소량만 더 준비하고, 이를 이용해 짧은 미세 훈련을 수행한 뒤 다시 추론을 돌리자, 목표 데이터셋에 대한 모델의 적합도가 눈에 띄게 향상되었습니다. 특히 초기에는 잘 잡히지 않던 비(非)건물 계열의 토지 이용 변화가 더 잘 검출되는 방향으로 성능이 개선되었습니다.
물론 결과가 완벽해졌다는 뜻은 아닙니다. 여전히 일부 구간에서는 오탐지와 미탐지가 남아 있었고, 제대로 추론되지 않는 영역도 존재했습니다. 라벨 수가 제한적이고, 변화 정의가 넓으며, 해상도와 계절 변화까지 겹쳐 있는 난도 높은 조건을 고려하면, 이번 실험에서 완전한 수렴을 기대하는 것은 애초에 무리입니다. 중요한 점은 “이 정도 규모의 추가 데이터와 한 번의 미세 훈련만으로도 모델이 올바른 방향으로 움직였는가”이며, 이 질문에 대해서는 ‘예’라고 답할 수 있다는 것입니다.
따라서 이 사례의 결론은 “소량의 라벨만으로 모든 변화 탐지 문제를 해결할 수 있다”가 아닙니다. 진짜 결론은 다음과 같습니다.
- Deep Trek은 사전 학습 모델의 초기가 성능에 머무르지 않고,
- GUI 기반 워크플로우 안에서 사용자가 직접 라벨을 추가하고 미세 훈련을 반복하면서,
- 자신의 도메인에 맞는 방향으로 모델을 점진적으로 최적화시켜 갈 수 있는 경로를 제공한다는 것입니다.
이 점이 곧 제품의 실질적인 가치입니다.
만약 단순한 건물 변화 이상을 탐지해야 하거나, 정사영상·드론 영상·위성 영상 등 서로 다른 조건의 영상을 프로젝트별 기준에 맞춰 활용해야 한다면, 어느 시점에서는 반드시 미세 훈련이 필요해집니다. Deep Trek은 이 과정을 코드 외부의 별도 ML 프로젝트가 아니라, 제품 내부의 동일한 GUI 흐름에서 처리할 수 있도록 설계되어 있습니다.
또한 데이터 반출이 까다로운 기관의 경우, 동일한 워크플로우를 폐쇄망·온프레미스 환경에서 그대로 운영할 수 있도록 Deep Trek 전용 하드웨어를 제공합니다. 이 환경에서는 학습 데이터 생성, 라벨링, 모델 훈련, 추론까지 전 과정을 로컬에서 처리할 수 있어, 보안 요건과 실무 요구를 동시에 만족시킬 수 있습니다.
DEEP TREK은 혁신 시제품으로 지정되어 있어서, 수의 계약을 통해 도입이 가능하며, 혁신 구매 비율 달성을 통해 기관 평가에도 도움이 되는 제품입니다. 이미 국내 지자체, 공공 기관뿐만 아니라, 해외에서도 사용되고 있으며, 제품 도입 시, 1년간 기술 지원, 커스터마이징 서비스가 함께 제공됩니다.