저희 블루닷의 Super resolution 제품군인 ‘Deep-field SR’과 ‘Deep-field PQO’에 참여하신 Jun과의 인터뷰를 통해 블루닷의 딥러닝 알고리즘 엔지니어는 어떻게 일하는지 들여다보았습니다.

블루닷에서 처음 딥러닝을 담당해주신 Jun과의 인터뷰입니다.

Q. 안녕하세요 Jun. 반갑습니다. 저희 블루닷에는 어떻게 참여하시게 되었나요?

A. 네, 저는 딥러닝 기반의 하드웨어 플랫폼에 맞는 연구를 하고 싶었습니다. 실생활에 적용할 수 있는 딥러닝 기술에 관심이 많았고, 이러한 현실화와 구현을 위해선 하드웨어 플랫폼까지도 고려를 해야 하더라구요. 블루닷의 창업자 분들은 이러한 하드웨어 분야에서 오랜 경험이 있으신 엔지니어 분들이셨고, 이곳에서 딥러닝 엔지니어를 채용하는 것을 알게 되어 기쁘게 참여하게 되었습니다.

Q. 스타트업 초기에 합류하시는데 두려움은 없으셨나요?

A. 한 살이라도 젊을 때 도전을 해야 한다고 생각했기 때문에 두려움 보다는 기대가 컸습니다. 나의 제품을 만들고 서비스 할 수 있는 기회는 스타트업에서 더 많이 주어진다고 믿었구요. 그리고 팀원들을 보니 대표님의 전 회사 직원들이 많이 계시더라구요. 다들 도전을 하고 계셨고 믿을 만한 리더가 있어서 따라오셨을 거라는 생각이 들었습니다.

Q. 현재 AWS에서 판매하고 있고, 자사 플랫폼인 KOKOON CLOUD에서 사용할 수 있는 ‘Deep-field SR’는 어떻게 개발이 진행되었는지 궁금합니다.

A. 프로젝트가 시작되면 관련된 논문을 매우 많이 찾는 것부터 시작합니다. 한 50개 정도…?

아키텍쳐가 tiny 한지, 또는 아키텍쳐 일부인 sub-module은 하드웨어에 가능한지 판단을 하고 5개 까지 추리게 되죠.

5개 정도면 직접 테스트를 해볼 수 있겠죠. Github에 공유된 내용을 참고하거나 직접 논문을 보고 모델을 구현하고 학습하여 implement 단계까지 수행하고 속도와 퀄리티 등을 비교합니다. 가장 결과 값이 좋은 모델을 Base 모델로 선정합니다. 여기까지 2~3달 정도 걸립니다.

과정은 confluence 등을 통해 동료들과 계속 공유하고 조언과 토론은 상시 이루어집니다. 함께 참여하시는 하드웨어 엔지니어 분들은 설계 관점에서 검토를 하시는데, 하드웨어에 올릴 수 있는지 등을 판단하여 Base 모델의 문제점과 개선방향을 함께 고민합니다.

선정된 Base모델은 저희만의 네트워크(딥러닝 모델)로 만들고 quantization 과정을 거친 후에 하드웨어 엔지니어 분들께 전달합니다. 이때부터 ‘Deep-filed SR’의 첫 모델이 만들어졌겠네요.