Yellosis 10개 항목 ML 알고리즘 프로토타입

개요

Yellosis는 사람과 반려동물을 대상으로 한 AI 기반 소변 검사 키트 제품을 이미 출시한 상태였습니다. 사용자가 실제 검사 키트 사진을 촬영하면, 시스템이 각 검사 영역의 색상을 기준 색상과 비교해 건강 관련 지표를 판정하는 방식이었습니다.

당시 출시 제품은 blood, pH, protein, glucose, ketone 총 5개 항목을 지원했습니다. 제가 맡은 일은 기존 KNN 기반 분류 방식을 유지하면서, ML 알고리즘 프로토타입이 10개 항목을 판정할 수 있도록 확장하는 것이었습니다.

문제

출시 제품은 5개 항목을 안정적으로 다루고 있었지만, 새로운 ML 알고리즘 프로토타입은 더 넓은 판정 범위를 지원해야 했습니다. 이를 위해 추가 검사 항목 정의, 기준 색상, 단계별 판정 데이터가 필요했습니다. 또한 사진 촬영 가이드에서 벗어난 입력이 들어왔을 때 오류나 잘못된 판정이 발생할 수 있어, 사용자 입력에 대한 안정성도 함께 개선해야 했습니다.

기여

• 기존 출시 제품에서 사용하던 KNN 기반 이미지 분류 방식을 10개 항목 판정이 가능한 ML 알고리즘 프로토타입으로 확장했습니다.
• 추가 검사 항목의 정의와 기준 색상 데이터를 ML 파이프라인에 반영했습니다.
• pH처럼 여러 단계가 있는 항목에 대해 단계별 기준 색상 데이터를 수집하고 정리했습니다.
• 새 기준 데이터를 알고리즘 프로토타입에 통합해 추가 항목도 기존 KNN 방식으로 분류할 수 있도록 했습니다.
• 의료용 소변 검사 결과와 비교 테스트를 진행했고, 약 90%의 정확도를 확인했습니다.
• 사용자가 가이드에 맞지 않게 사진을 촬영했을 때 발생하던 오류와 잘못된 판정 케이스를 개선했습니다.

접근 방식

새로운 알고리즘을 만드는 대신, 이미 제품에서 사용하던 KNN 기반 방식을 확장하는 방향으로 작업했습니다. 확장된 ML 프로토타입은 업로드된 검사 키트 이미지에서 감지한 색상을 저장된 기준 색상과 비교해 각 검사 항목을 분류했습니다. 제 작업의 핵심은 추가 항목에 필요한 기준 데이터를 구성하고, 그 데이터가 실제 분류 흐름에서 안정적으로 동작하는지 확인하는 것이었습니다.

이미지 기반 판정은 촬영 품질과 정렬 상태에 영향을 크게 받기 때문에, 사진 가이드를 벗어난 입력에서 문제가 발생할 수 있었습니다. 이러한 케이스를 줄이는 작업은 10개 항목 ML 프로토타입이 실제 사용자 입력을 더 안정적으로 처리하도록 만드는 데 중요했습니다.

결과

최종적으로 10개 소변 검사 항목을 판정할 수 있는 ML 알고리즘 프로토타입으로 확장했고, 의료용 소변 검사 결과와 비교했을 때 약 90%의 정확도를 확인했습니다. 이 작업은 기존 출시 제품의 KNN 기반 설계를 유지하면서 더 넓은 판정 범위를 검증하는 과정이었습니다.