최근 발표된 연구 논문(arXiv:2608.00135)에 따르면, 건축 및 디자인 분야와 같은 고도로 전문화된 시각 데이터는 대규모 일반 이미지 데이터셋으로 사전 학습(pretraining)하지 않고도 효과적으로 기계 학습(ML) 모델을 훈련할 수 있습니다. 이는 일반적으로 대규모 데이터셋을 통한 사전 학습이 필수적이라고 여겨지던 기존의 인식을 뒤집는 결과로, 특정 도메인에 특화된 AI 개발 전략에 중요한 변화를 가져올 수 있습니다.
알렉산드로스 하리디스(Alexandros Haridis)와 찰스 저우(Charles Zhou) 연구팀은 1857년 출판된 '장식의 문법(The Grammar of Ornament)'을 기반으로 구축된 소규모 이미지 데이터셋인 JONES-19를 활용했습니다. 이들은 컨볼루션 신경망(CNN)의 성능을 두 가지 방식으로 비교했습니다. 첫째는 '시각적 상식'을 학습하기 위한 ImageNet 사전 학습 방식이고, 둘째는 JONES-19 데이터셋만으로 처음부터 학습하는 방식이었습니다. 실험 결과, ImageNet 사전 학습이 판별 성능을 향상시키기는 했지만, JONES-19 데이터셋만으로 처음부터 학습하면서 '반복적인 지역 샘플링(multi-crop)' 기법을 추가했을 때 사전 학습의 이점을 효과적으로 회복할 수 있음을 발견했습니다.
이러한 발견은 고도로 구조화된 디자인 데이터의 경우, 대규모 범용 사전 학습에 의존하기보다 지역 디자인 원칙을 포착하는 데이터 표현만으로도 충분한 학습 기반을 제공한다는 것을 시사합니다. 즉, 전문 디자인 도메인에서는 대규모 데이터 수집에 우선순위를 두기보다, 경험적 및 형식적 디자인 원칙을 잘 담아낸 작고 고품질의 데이터셋을 신중하게 선별하는 것이 더 효과적일 수 있다는 의미입니다. 이는 특정 분야의 전문 지식을 담은 고품질 데이터의 중요성을 강조하며, AI 모델 개발에 있어 '양보다 질'의 전략이 유효할 수 있음을 보여줍니다.