KIPS Transactions on Software and Data Engineering (정보처리학회논문지:소프트웨어 및 데이터공학)

Korea Information Processing Society (한국정보처리학회)
권호 표지
DOI QR코드

DOI QR Code

A Specification-Based Methodology for Data Collection in Artificial Intelligence System

명세 기반 인공지능 학습 데이터 수집 방법

  • 김동기 (서울시립대학교 전자전기컴퓨터공학과) ;
  • 최병기 (서울시립대학교 전자전기컴퓨터공학과) ;
  • 이재호 (서울시립대학교 전자전기컴퓨터공학과)
  • Received : 2022.05.31
  • Accepted : 2022.08.01
  • Published : 2022.11.30
Download PDF
⟨ Previous Next ⟩

Abstract

In recent years, with the rapid development of machine learning technology, research utilizing machine learning has been actively conducted in fields such as cognition, reasoning and judgment, and action among various technologies constituting intelligent systems. In order to utilize this machine learning, it is indispensable to collect data for learning. However, the types of data generated vary according to the environment in which the data is generated, and the types and forms of data required are different depending on the learning model to be used for machine learning. Due to this, there is a problem that the existing data collection method cannot be reused in a new environment, and a specialized data collection module must be developed each time. In this paper, we propose a specification-based methology for data collection in artificial intelligence system to solve the above problems, ensure the reusability of the data collection method according to the data collection environment, and automate the implementation of the data collection function.

최근 기계학습 기술이 빠르게 발전함에 따라 지능형 시스템을 구성하는 여러 기술 중에서 인지, 추론 및 판단, 행위와 같은 분야에서 기계학습을 활용한 연구가 활발히 이루어지고 있다. 이러한 기계학습을 활용하기 위해서는 학습을 위한 데이터의 구축이 필수적이다. 하지만 데이터가 생성되는 환경에 따라 생성되는 데이터의 종류가 다양하고, 기계학습에 활용할 학습모델에 따라 요구되는 데이터의 종류와 양식이 다르다. 이로 인해 새로운 환경에서 기존의 데이터 수집 방법을 재사용하지 못하고 매번 특화된 데이터 수집 모듈을 개발해야 한다는 문제가 있다. 본 논문에서는 위와 같은 문제를 해결하기 위해 명세 기반 인공지능 데이터 수집 방법을 제안하여 데이터 수집 환경에 따른 데이터 수집 방법의 재사용성을 확보하고, 데이터 수집 기능 구현을 자동화할 수 있는 방법을 제시하고자 한다.

Keywords

Acknowledgement

본 연구는 2020년 국방과학연구소 미래도전국방기술 연구개발사업(912904601)의 지원을 받았음.

References

  1. A. Goldhoorn, A. Garrell, R. Alquezar, and A. Sanfeliu, "Searching and tracking people with cooperative mobile robots," Autonomous Robots, Vol.42, No.4, pp.739-759, 2018. https://doi.org/10.1007/s10514-017-9681-6
  2. P. Rani, C. Liu, N. Sarkar, and E. Vanman, "An empirical study of machine learning techniques for affect recognition in human-robot interaction," Pattern Analysis and Applications, Vol.9, No.1, pp.58-69, 2006. https://doi.org/10.1007/s10044-006-0025-y
  3. C. Y. Park, H. S. Kim, and I. C. Kim, "Learning relational instance-based policies from user demonstrations," Journal of KIISE : Software and Applications, Vol.37, No. 5, pp.363-369, 2010.
  4. J. G. C. Zuluaga, J. P. Leidig, C. Trefftz, and G. Wolffe, "Deep reinforcement learning for autonomous search and rescue," NAECON 2018-IEEE National Aerospace and Electronics Conference, pp.521-524, 2018.
  5. J. G. C. Zuluaga, J. P. Leidig, C. Trefftz, and G. Wolffe, "Deep reinforcement learning for autonomous search and rescue," NAECON 2018-IEEE National Aerospace and Electronics Conference, IEEE, pp.521-524, 2018.
  6. Y. S. Ko et al., "Guideline of quality control for AI learning data v1.0," Ministry of Science and ICT, 2021.
  7. A. S. Rao and M. P. Georgeff, "BDI agents: From theory to practice," ICMAS, Vol.95, pp.312-319, 1995.
  8. H. K. Bui, Y. D. Lin, R. H. Hwang, P. C. Lin, V. L. Nguyen, and Y. C. Lai, "CREME: A toolchain of automatic dataset collection for machine learning in intrusion detection," Journal of Network and Computer Applications, Vol.193, pp.103212, 2021. https://doi.org/10.1016/j.jnca.2021.103212
  9. J. Liu, F. Zhu, C. Chai, Y. Luo, and N. Tang, "Automatic data acquisition for deep learning," Proceedings of the VLDB Endowment, Vol.14, No.12, pp.2739-2742, 2021. https://doi.org/10.14778/3476311.3476333
  10. B. Choi, J. Lee, S. Park, and J. Lee, "A Model-Based Interface to Cloud Services for Intelligent Service Robots," KIPS Transactions on Software and Data Engineering, Vol.9, No.1, pp.1-10, 2020. https://doi.org/10.3745/KTSDE.2020.9.1.1