Replicate에서 Isaac 0.1 실행하기

이 요약은 AI가 원문을 분석해 생성했습니다. 정확한 내용은 원문 기준으로 확인하세요.

TL;DR

Perceptron AI가 시각적 인지와 추론에 특화된 20억 파라미터 규모의 오픈 가중치 모델 Isaac 0.1을 출시했다. 이 모델은 이미지 내 객체의 위치를 바운딩 박스로 표시하며 답변의 근거를 제시하는 Grounded Visual Reasoning 기능이 핵심이다. 작은 크기에도 불구하고 복잡한 환경에서의 OCR, 공간 관계 파악, 객체 인식에서 대형 모델에 필적하는 성능을 보여준다. 현재 Replicate 플랫폼을 통해 API 형태로 즉시 사용 가능하며, 제조, 로보틱스, 문서 자동화 등 실시간 처리가 필요한 분야에 적합하다.

배경

JavaScript 기초, Replicate API 사용법, VLM(Vision-Language Model) 개념

대상 독자

시각 AI를 프로덕션에 도입하려는 개발자 및 로보틱스/제조 분야 엔지니어

의미 / 영향

Isaac 0.1의 등장은 경량 모델도 특정 도메인에서 대형 모델 못지않은 성능을 낼 수 있음을 시사한다. 특히 오픈 가중치 모델로서 에지 컴퓨팅과 실시간 산업 현장에서의 VLM 도입을 가속화할 것으로 보인다.

섹션별 상세

Isaac 0.1은 2B 파라미터의 경량 모델임에도 불구하고 강력한 시각적 추론 능력을 제공한다. 단순한 이미지 묘사를 넘어 답변의 근거가 되는 영역을 바운딩 박스로 시각화하여 제공함으로써 투명성과 추적 가능성을 높였다.

작업 현장에서 안전 장비 착용 여부를 검사하는 Isaac 0.1의 시연 화면이다. — Screenshot헬멧과 안전화는 인식했지만 장갑이 보이지 않는다는 점을 근거로 경고(Alert)를 발생시키는 과정을 보여준다. Grounded Reasoning을 통해 산업 현장의 안전 규정 준수 여부를 자동화할 수 있음을 증명한다.

실제 환경의 복잡한 조건에서도 뛰어난 OCR 성능을 발휘한다. 작거나 가려진 텍스트를 정확히 읽어낼 뿐만 아니라, 문맥을 이해하여 남은 경기 시간이나 반송 주소와 같은 구체적인 질문에 답할 수 있는 능력을 갖췄다.

농구 경기 중 슛 클락과 공의 위치를 분석하는 Isaac 0.1의 출력 화면이다. — Screenshot모델이 슛 클락의 1.5초라는 숫자와 공이 공중에 떠 있는 상태를 정확히 인식하여 버저비터 여부를 판단하는 과정을 보여준다. 이는 모델의 OCR 성능과 시각적 추론 능력을 동시에 입증하는 사례다.

객체 간의 공간적 관계와 물리적 위치를 깊이 있게 이해한다. 부품의 오정렬이나 파손 부위를 식별하고, 특정 아이템이 어느 위치에 속해야 하는지 판단하는 등 제조 및 물류 현장에서의 활용도가 높다.

도로 상황에서 보행자 안전 여부를 판단하는 Isaac 0.1의 분석 예시이다. — Screenshot빨간색 신호등과 움직이는 차량을 바운딩 박스로 식별하여 현재 길을 건너는 것이 안전하지 않다고 판단하는 논리적 근거를 제시한다. 실시간 상황 인지와 안전 관련 의사결정 능력을 시각화한다.

Few-shot 학습을 지원하여 별도의 파인튜닝 없이도 몇 가지 예시만으로 새로운 작업에 적응할 수 있다. 결함 탐지나 특정 부품 식별과 같은 전문적인 작업을 위해 소량의 주석 데이터만으로 즉각적인 배포가 가능하다.

용어 해설

Grounded Perception: — AI 모델이 단순히 텍스트로 답하는 것을 넘어, 이미지 내의 구체적인 위치나 객체에 언어적 설명을 연결하는 능력이다. 답변의 근거가 되는 영역을 바운딩 박스 등으로 제시함으로써 모델의 판단 과정을 투명하게 확인할 수 있게 한다.
VLM: — 이미지와 텍스트 데이터를 동시에 이해하고 처리할 수 있는 멀티모달 인공지능 모델이다. 시각적 정보에서 특징을 추출하고 이를 언어 모델과 결합하여 이미지에 대한 질문에 답하거나 상황을 묘사하는 등의 고차원적인 작업을 수행한다.
OCR: — 이미지나 문서 내의 텍스트를 디지털 데이터로 변환하는 기술이다. Isaac 0.1은 단순한 글자 인식을 넘어 주변 상황과 결합된 문맥적 이해를 바탕으로 복잡한 환경에서도 정확한 텍스트 정보를 추출한다.
Few-shot Learning: — 방대한 데이터로 모델을 다시 학습시키는 대신, 몇 가지 예시 데이터만 제공하여 모델이 새로운 작업이나 도메인에 즉각적으로 적응하게 만드는 기법이다. 데이터가 부족한 특수 환경에서 AI를 빠르게 배포할 때 매우 유용하다.
Bounding Box: — 이미지 내에서 특정 객체의 위치와 크기를 나타내기 위해 사용하는 직사각형 형태의 틀이다. 객체 탐지 모델에서 인식된 대상의 범위를 시각적으로 표시하는 표준적인 방법으로 사용된다.

코드 예제

javascript

import Replicate from "replicate";

const replicate = new Replicate();

const input = {
  image: "https://replicate.delivery/pbxt/O3bB4rzBd1qi3wMWb1GFvjuxduAw9AfASgAkfCLcaT1380ZN/woman-street.webp"
};

const output = await replicate.run("perceptron-ai-inc/isaac-0.1", { input });
console.log(output)
//=> {"text":"No, it is not safe to cross the street at this t..."}

Replicate API를 사용하여 Isaac 0.1 모델을 호출하고 이미지 분석 결과를 받는 예시 코드이다.

기술

Isaac 0.1
Replicate API
JavaScript
Perceptron AI

활용 사례

로보틱스
제조 공정 시각 검사
문서 OCR 및 분석
실시간 상황 판단

언급된 리소스

API DocsIsaac 0.1 on Replicate