OpenAI - OpenAI DevDay 2024 | Community Spotlight | Grab
Grab의 데이터 과학자 Gorov는 Grab의 지도 서비스가 어떻게 동남아시아의 지도 제작을 혁신하고 있는지를 설명한다. Grab은 2017년에 자체 지도 서비스를 시작했으며, 기존의 타사 앱이 지역에 충분히 맞춤화되지 않았다는 문제를 발견했다. Grab Maps는 커뮤니티 기반의 정밀한 지도 제작을 목표로 하며, 360도 카메라를 사용해 도로의 세부 정보를 수집한다. 이러한 데이터는 교통 표지판, 속도 제한, 도로 접근성 등을 포함하여 매우 상세한 지도를 만드는 데 사용된다. 또한, Grab은 OpenAI의 GPT-4 비전 모델을 활용하여 이미지 이해 능력을 강화하고, 교통 표지판과 도로의 매칭 문제를 해결하고 있다. 이를 통해 Grab Maps는 내부 요구 사항뿐만 아니라 동남아시아 전역의 기업을 지원하는 엔터프라이즈 솔루션으로 발전하고 있다.
Key Points:
- Grab은 2017년 자체 지도 서비스를 시작하여 동남아시아에 맞춤화된 솔루션을 제공한다.
- 360도 카메라를 활용해 도로의 세부 정보를 수집하고, 정밀한 지도를 제작한다.
- OpenAI의 GPT-4 비전 모델을 활용해 이미지 이해 능력을 강화하고 있다.
- 교통 표지판과 도로 매칭 문제를 해결하기 위해 비전 모델을 활용한다.
- Grab Maps는 동남아시아 전역의 기업을 지원하는 엔터프라이즈 솔루션으로 발전하고 있다.
Details:
1. 👋 소개 및 환영
- 그랩의 매핑 팀에서 데이터 과학자로 일하고 있는 고로브입니다.
- 오늘 이렇게 많은 개발자와 머신러닝 엔지니어들이 모인 것을 보니 정말 기쁩니다.
2. 🚖 Grab의 성장 이야기
- Grab은 12년 전 말레이시아에서 택시 승차를 더 안전하게 만들기 위해 시작되었습니다.
- 현재 Grab은 동남아시아의 주요 슈퍼 앱 중 하나로 성장했으며, 20명 중 1명이 음식, 승차, 결제를 위해 사용하고 있습니다.
- Grab은 매월 4,100만 명 이상의 거래 사용자를 보유하고 있습니다.
- Grab은 전통적인 서비스인 승차 호출과 음식 배달뿐만 아니라 동남아시아를 지도에 올리는 데 기여하고 있습니다.
- Grab은 2018년 Uber의 동남아시아 사업을 인수하여 시장 점유율을 크게 확대했습니다.
- Grab은 금융 서비스, 물류, 디지털 결제 등 다양한 분야로 사업을 확장하며 지역 경제에 기여하고 있습니다.
3. 🗺️ Grab Maps의 혁신
- Grab Maps는 2017년에 시작되었으며, 지역에 맞지 않는 타사 앱의 한계를 극복하기 위해 개발되었습니다.
- 기존 지도 제작 방식의 한계를 극복하고자 Open AI와 협력하여 혁신을 이루고 있습니다.
- 지역에 대한 세부적인 뷰가 부족하거나 데이터가 빠르게 구식이 되는 문제를 해결하고자 합니다.
- Open AI와의 협력을 통해 데이터 업데이트 속도를 50% 향상시켰습니다.
- 사용자 맞춤형 경로 제안 기능을 통해 고객 만족도가 30% 증가했습니다.
4. 📸 커뮤니티 기반 지도 제작
- Grab Maps는 8개국에서의 내부 요구를 충족시킬 뿐만 아니라 아시아 전역의 기업을 지원하는 엔터프라이즈급 솔루션입니다.
- 커뮤니티 기반의 지도 제작 접근 방식은 정밀성을 중심으로 하며, 360° 카메라를 사용하여 거리 수준의 이미지를 수집합니다.
- 이 이미지를 통해 회전 제한, 교통 표지판, 속도 제한, 장소, 도로 접근성 등의 세부 정보를 추출하여 지도와 도로 지형을 구축합니다.
- 이러한 복잡성 수준은 신뢰할 수 있고 매우 상세한 지도를 만드는 데 필수적입니다.
5. 🤖 GPT-4와 비전 모델의 활용
- GPT-4 텍스트 모델의 미세 조정은 올해 초부터 가능해졌으며, 두 달 전 OpenAI는 비전 모델의 미세 조정 기능을 출시하여 강력한 이미지 이해 능력을 갖춘 비전 모델을 사용자 정의할 수 있게 되었습니다.
- 우리는 비전 미세 조정 API의 초기 채택자 중 하나로, 이 새로운 기능을 데이터 매칭 문제에 활용하는 예시를 보여줄 것입니다.
- 주어진 거리 이미지와 교통 표지판을 도로와 매칭하는 작업을 수행하며, 속도 제한과 같은 중요한 정보를 처리하는 데 있어 고유한 도전 과제가 있습니다.
- 복잡한 기하학적 구조와 시각적 폐색이 자동 매칭을 어렵게 만들 수 있으며, 이를 해결하기 위해 인도 데이터를 사용한 GPT-4 미세 조정을 활용하여 이러한 복잡성을 효과적으로 처리할 수 있었습니다.
6. 🔍 데이터 매칭 실험
- 실험은 소규모의 미세 조정 데이터 세트로 시작되었으며, 거리 수준의 이미지와 지도 타일을 결합하여 진행되었습니다.
- 화면 상단에는 두 개의 연속적인 지도 뷰가 있으며, 각각의 지도 타일에는 차량의 위치가 빨간 점으로 표시되어 있습니다.
- 교차로에서의 차량 위치와 교통 표지판의 위치가 각각 빨간 점과 작은 U자로 표시되어 있습니다.
- 실험의 목표는 차량 위치와 교통 표지판의 정확한 매칭을 통해 데이터의 정밀도를 높이는 것입니다.