About
분석을 먼저,
데이터는 그 다음.
Ridgeline Synthetic은 산업 환경의 시각적 특성을 클래스 단위로 진단한 결과 위에서 합성 데이터를 설계합니다. 무작위 시뮬레이션의 한계를 실험으로 확인한 R&D 결과를 사업의 출발점으로 삼습니다.
우리가 다른 점
대부분의 합성 데이터 서비스는 "많이 만드는 것"을 강조합니다. 우리는 "무엇이 부족한지 정확히 아는 것"이 먼저라고 봅니다.
산업 환경에서 합성 데이터가 실패하는 가장 흔한 패턴은:
- 합성 환경이 실환경의 클래스별 시각적 특성(텍스처 분산·조명 변화 폭 등)을 underrepresent
- 모델이 합성 데이터의 잘못된 휴리스틱(예: "균일=Soil")을 학습
- 실환경에서 false positive 폭증 → 안전·운영 문제
우리는 이 패턴을 자체 R&D에서 정량적으로 확인했고 (W₁ 거리·픽셀 통계 기반), class-specific style matching으로 해소했습니다. 자세한 case study →
운영 원칙
- 01
진단부터 시작합니다
도메인 진단 인터뷰 없이 데이터 생성에 들어가지 않습니다.
- 02
정직한 한계를 명시합니다
"보장된 성능 향상"을 약속하지 않습니다. Dataset card에 한계를 명시합니다.
- 03
검증 가능한 구조로 만듭니다
Sequence-disjoint validation 같은 data leakage 차단 protocol을 안내합니다.
- 04
라이센스를 명확히 합니다
저작권 명확한 asset만 사용. 의뢰자 NDA 별도 협의.
R&D 백그라운드
sim2real semantic-segmentation construction cold-start
굴착기 작업영역 인식 (Sim2Real, cold-start 1%)
2026-04 ~ 2026-05 · 자체 R&D
- cold-start 1% 환경에서 baseline 대비 mIoU +3.96%, Dump IoU +11.14pp, Human Recall +6.27pp
- Wasserstein 거리 기반 클래스별 domain gap 정량 진단
- Class-specific style transfer(Soil-selective FDA)로 갭 해소 (Soil 텍스처 분산 Sim 20 → 34, Real 34와 일치)
- SegFormer-B2 backbone에서도 동일 효과 → backbone-agnostic 입증
창업자
본 섹션은 founder 결재 후 보강 예정입니다. (사업자 등록 정보·LinkedIn URL 포함)
시작하기
약 30분, 무료 도메인 진단 인터뷰부터.