홈 > 표준화 개요 > TTA의 표준현황
| 표준번호 | TTAK.KO-11.0310 | 구표준번호 | |
|---|---|---|---|
| 제개정일 | 2022-12-07 | 총페이지 | 26 |
| 한글표준명 | JSON 형태의 자율주행 학습용 데이터 품질 검증 지침 – 정확성 및 다양성 | ||
| 영문표준명 | Guidelines for Quality Verification of Training Data of Autonomous Driving in JSON Format – Accuracy and Diversity | ||
| 한글내용요약 | 4차 산업혁명 기술의 핵심기술 중 하나인 자율주행은 단순 이동 수단 개념을 넘어서 접근성, 안전성, 편리성 측면에서 혁신적인 변화를 가져오면서 자동차 산업 전반의 패러다임을 이끌어내고 있다. 이러한 패러다임 전환에서 자동차 산업을 넘어 모빌리티 산업을 선도하기 위해서는 자율주행의 기술적·안전성 측면의 신뢰성 확보가 무엇보다 중요하다.
자율주행 신뢰성 확보를 위해 자율주행 핵심 기술 중 가장 중요한 기술 요소인 인공지능 소프트웨어의 고도화가 필수적이다. 인공지능 소프트웨어는 자동차의 브레인 역할로 각종 센서를 통해 수집된 주행환경 데이터를 토대로 주행환경, 위치 인식 및 맵핑, 인지, 판단, 제어를 통해 주변 교통환경 정보를 파악하여 자율주행을 가능하게 한다. 인공지능 소프트웨어 고도화는 대규모로 수집된 데이터를 학습함으로써 진전되며, 고도화 과정은 학습 데이터의 품질에 따라 인공지능 소프트웨어의 성능이 좌우된다. 학습용 데이터를 사용하는 자율주행 인공지능 소프트웨어의 경우, 데이터를 활용하기 전에 데이터에 대한 품질평가·검증을 고려해야 한다. 최근 정부에서 천문학적인 비용을 들여 구축한 ‘데이터 댐’의 자율주행 데이터는 표준 지침이 마련되지 않아 구축 기관마다 데이터의 구조가 제각각이어서 활용 측면에서 어려움이 존재한다. 또한 일부 편향된 데이터로 인해 인공지능 성능 문제를 넘어서 윤리적·사회적 문제를 발생시킬 수 있다. 따라서 본 표준에서는 구축된 자율주행 학습용 데이터 활용을 위해 ‘구문적 정확성’과 ‘통계적 충분성·균일성’으로 두 가지 범주의 정량적 품질지표를 제시하며, 인공지능 소프트웨어가 자율주행 학습용 데이터를 활용하기 위해 공통적으로 갖추어야할 구조 정확성 및 다양성을 반영한 스키마 구조를 제시하는데 목적이 있다. |
||
| 영문내용요약 | Autonomous driving, one of the core technologies of the 4th industrial revolution technology, is leading the paradigm of the entire automobile industry by bringing innovative changes in accessibility, safety, and convenience beyond the concept of a simple means of transportation. In order to lead the mobility industry beyond the automobile industry in this paradigm shift, securing reliability in terms of technology and safety of autonomous driving is of utmost importance.
In order to secure the reliability of autonomous driving, the advancement of artificial intelligence software, which is the most important technology element among core autonomous driving technologies, is essential. The artificial intelligence software serves as the brain of the car and enables autonomous driving by grasping the surrounding traffic environment information through driving environment, location recognition and mapping, recognition, judgment, and control based on driving environment data collected through various sensors. The advancement of artificial intelligence software progresses by training data collected on a large scale, and the performance of artificial intelligence software depends on the quality of the training data in the advancement process. In the case of autonomous driving artificial intelligence software that uses data for training, quality evaluation and verification of data should be considered before using data. The autonomous driving data of the ‘Data Dam’, which the government recently built at an astronomical cost, does not have standard guidelines, so the data structure is different for each building institution, so there are difficulties in using it. In addition, some biased data can cause ethical and social issues beyond AI performance issues. Therefore, in this standard, two categories of quantitative quality indicators are presented as 'syntactic accuracy' and 'statistical sufficiency·uniformity’ to utilize the constructed training data for autonomous driving. It aims to present a schema structure that reflects the structural accuracy and diversity that must be in common for this purpose. |
||
| 국제표준 | |||
| 관련파일 |
 TTAK.KO-11.0310.pdf
| ||
