엔드포인트가 없는 이유
모델, 런타임 및 분석 로직이 모두 브라우저로 다운로드되어 로컬에서 실행됩니다. 이는 옵션 설정으로 바꿀 수 있는 배포 방식이 아니라 아키텍처 전체의 핵심이며, 이미지가 검사 기기 외부로 절대 유출되지 않는 이유입니다.
API는 이를 정반대로 작동시킵니다. 사용자가 서버로 이미지를 전송하면 서버가 점수를 매겨 반환하므로, 아무리 짧은 시간이고 의도가 안전하더라도 타인이 제어하는 인프라에 이미지가 남게 됩니다.
아무것도 업로드되지 않는다는 점을 핵심 가치로 삼는 도구에서 업로드 엔드포인트를 제공하는 것은 제품 자체의 모순입니다. 따라서 이 페이지는 개발 로드맵이 아니라 시스템의 한계와 그에 따른 해결책을 설명합니다.
이를 명확히 밝히는 이유는 그렇지 않을 때의 손실이 더 크기 때문입니다. 존재하지도 않는 엔드포인트를 암시하는 안내는 엔지니어의 시간을 낭비하게 만들며, 본 사이트의 요금제 페이지에는 이미 유료 플랜과 API가 없음을 명시하고 있습니다.
자동화가 실제로 필요한 작업
엔드포인트를 찾기 전에 해결하려는 작업을 명확히 정의해야 합니다. 자동화하려는 상당수의 작업은 다른 방식으로 더 잘 해결될 수 있습니다.
| 전용 서비스 필요 | 브라우저 도구로 가능 | 수동 검토가 더 적합 | |
|---|---|---|---|
| 대규모 사용자 업로드 사전 검별 | Yes 처리량과 지연 시간 | No | No |
| 공급업체 납품물 확인 | No | Yes 25장 배치 처리로 충분 | Partly |
| 보험 등 청구 서류 묶음 검토 | No | Yes 접수 건당 1회 배치 처리 | Yes 판단 자체가 핵심 업무 |
| 자체 웹사이트 점검 | Partly 규모가 방대할 때만 | Yes 추출 후 배치 처리 | No |
이 4가지 작업 중 3가지는 코드를 작성하기 전에 담당자가 일괄 처리를 실행하는 것만으로 충분히 해결됩니다. 첫 번째 작업만이 호스팅 서비스가 반드시 필요한 실질적인 대규모 자동화 영역입니다.
자동화가 반드시 필요한 경우
현실적인 3가지 경로가 있으며, 각각 상충하는 장단점이 있습니다. 이를 명확히 밝히는 것이 모두에게 도움이 됩니다.
| 옵션 | 상충 요인 | 적합한 대상 |
|---|---|---|
| 상용 API 도입 | 이미지가 자체 인프라 외부로 전송됨 | 대량 처리, 낮은 민감도 |
| 오픈소스 모델 자체 호스팅 | 엔지니어링 및 하드웨어 리소스 소요 | 민감한 데이터, 사내 기술 역량 보유 |
| 자체 제어 브라우저 환경에서 실행 | 다소 번거로우나 완벽한 프라이버시 보장 | 적절한 처리량, 엄격한 프라이버시 |
| 전수 조사 대신 표본 검사 | 일부 범위만 적용 | 대부분의 실무 작업 환경 |
| 사람의 검토 단계 | 더 신중하고 정확한 판단 | 개인에게 영향을 미치는 모든 결정 |
세 번째 항목은 활용도가 낮아 설명이 필요합니다. 자체 머신에서 헤드리스 브라우저를 실행하여 로컬에서 분석을 수행하는 페이지를 구동하면, 외부로 이미지를 전송하지 않고도 합법적으로 자동화할 수 있습니다. 화려하지는 않지만 확실하게 작동합니다.
네 번째 항목은 대부분의 팀이 선택해야 하지만 거의 고려하지 않는 방식입니다. 모든 이미지를 전수 조사하는 것은 비용이 많이 들고 대개 불필요합니다. 10%의 표본과 이전에 문제를 일으킨 출처의 이미지만 전수 조사해도 훨씬 적은 비용으로 중요한 문제의 대부분을 잡아낼 수 있습니다.
자체 호스팅을 고려하는 경우
이 분야의 연구 모델은 대부분 공개되어 있어 생각보다 구현하기 쉽습니다. 허용적인 라이선스로 공개된 체크포인트, 추론 런타임, 적당한 사양의 서버만 있으면 상용 서비스가 제공하는 기능의 대부분을 구현할 수 있습니다.
부담해야 할 것은 모델 주변의 모든 운영 작업입니다. 생성 기술 변화에 맞춰 모델을 최신 상태로 유지하고, 자체 데이터에 맞는 임계값을 보정하며, 위양성률을 측정하고, 결과에 이의가 제기되었을 때 이를 설명할 수 있는 인력을 갖추어야 합니다.
마지막 항목이 바로 숨겨진 비용입니다. 조직 내에서 방어할 수 있을 만큼 충분히 이해하지 못하는 탐지 역량은, 이를 바탕으로 한 결정에 의문이 제기되는 순간 부채가 되며, 그러한 의문은 결국 반드시 발생합니다.
무엇을 구축하든 다음 사항을 반영하십시오
어떤 모델을 사용하는지보다 더 중요한 두 가지 설계 결정이 있으며, 둘 다 점수가 산출된 이후의 처리에 관한 것입니다.
점수가 사람에 관한 결정을 자동으로 내리게 하지 마십시오. 플래그가 지정된 항목은 담당자에게 전달하고, 모델의 수치 대신 사람의 최종 결정을 기록하며, 당사자에게 검토 이유를 설명할 수 있도록 조치하십시오.
점수가 아닌 최종 결과만 저장하십시오. 특정 사용자나 공급업체 이름에 연동된 검색 가능한 점수 이력은 별도의 정당화가 필요한 프로파일링 기록이 될 뿐이며, 실무적인 가치는 없고 당사자가 데이터 조회를 요청하는 순간 문제가 됩니다.
현실적인 시작 지점
자동화를 원하여 이곳을 찾는 대부분의 팀에게 가장 합리적인 초기 버전은 엔지니어링이 전혀 필요 없는 방식입니다. 담당자 한 명이 인입되는 제출 건마다 배치를 돌리고, 확인된 내용을 파일에 메모하는 것입니다.
이 방식을 일주일만 지속해도 가치 있는 정보를 얻을 수 있습니다. 보유한 실제 데이터의 점수 분포가 어떻게 형성되는지 파악할 수 있기 때문입니다. 처음 시작할 때는 거의 아무도 이를 알지 못하며, 이 데이터가 없다면 코드에 설정하는 임계값은 측정해 본 적 없는 분포에 대한 어림짐작에 불과합니다.
보유한 이미지의 점수 분포를 파악하고 나면 자동화의 타당성은 이론이 아닌 구체적인 현실이 됩니다. 매주 실제로 검토가 필요한 제출 건수를 알게 되며, 그 결과를 보고 나면 엔지니어링 작업 자체가 불필요해지는 경우도 많습니다.
엔지니어링이 필요한 경우라도, 공개된 벤치마크가 아닌 실제 측정된 기준선을 토대로 자동화를 구축할 수 있습니다. 이는 타인의 벤치마크에서만 작동하는 통제 장치와 실제 내 데이터에서 작동하는 통제 장치의 차이입니다.
본격적인 구축 전에 측정해야 할 항목
모호한 계획을 명확한 사양으로 바꾸는 세 가지 수치가 있으며, 이 세 가지는 모두 2주간 수동으로 배치를 실행해 보는 것에서 얻을 수 있습니다.
보유한 원본 데이터의 점수 분포: 일반적인 출처에서 유입된 실제 정상 이미지가 어떤 점수대에 위치하는지 확인하십시오. 대부분의 팀은 입력 데이터가 생각보다 더 많이 보정·가공되었다는 사실에 놀라곤 합니다.
자체 위양성률: 플래그가 지정된 항목을 직접 조사했을 때 단순한 일반 편집 작업으로 밝혀지는 비율입니다. 이는 해당 통제 장치를 실제 사람에게 적용할 수 있는지를 결정하는 수치이며, 공급업체 웹페이지에 적힌 수치와는 절대 일치하지 않습니다.
실제 플래그 지정 예상 볼륨: 담당자가 매주 실제로 검토해야 하는 이미지의 수량입니다. 이 숫자가 적다면, 당초 계획했던 대규모 자동화는 스프레드시트 하나와 일상적인 업무 루틴만으로 충분합니다.