도시설계 및 계획 수립 과정에서 생활권 설정과 도시계획시설물의 배치는 우선적으로 고려되어야 할 중요한 사항이다. 특히 각 도시계획시설의 영향권을 고려한 효과적인 배치는 해당 시설 방문자에 따른 교통문제의 개선과 도시구조의 효율성 제고에 큰 영향을 미칠 수 있으며, 보다 효과적인 생활권 설정을 위한 기초자료로 활용할 수 있다. 이에 본 연구에서는 모바일 통신 기지국 데이터를 토대로 학교, 근린공원 등의 주요 도시계획시설에 대하여 이용자 수, 접근 시 소요시간, 이용자의 출도착지를 분석할 수 있는 방법론을 제안하였다. 또한 해당 방법론을 활용하여 천안시의 주요 도시계획시설을 대상으로 그 이용자 및 영향권을 분석하였다.

본 연구는 ChatGPT의 지속 사용 의도에 영향 미치는 요인을 긍정적 동기요인(개인화, 사회적 영향)과 부정적 동기요인(프라이버시 침해, 지각된 위험)으로 구분하고 이것이 정보 신뢰, 성과 기대, 노력 기대를 통해 지속 사용 의도에 영향을 미치는지를 규명하였다. 이를 위해 ChatGPT 서비스의 이용 경험이 있는 20대 이상의 265명의 성인들을 대상으로 설문조사를 수행하였다. 분석 결과, 개인화와 사회적 영향은 정보 신뢰, 성과 기대, 노력 기대에 대해 정의 영향 영향을 미치는 것으로 나타났다. 프라이버시 염려의 경우, 성과 기대에는 부의 영향을 미쳤지만, 노력 기대에는 유의하지 않는 것으로 나타났다. 지각된 위험은 성과 기대와 노력 기대에 부의 영향을 미쳤다. 그리고 정보 신뢰, 성과 기대, 노력 기대는 지속 사용 의도에 정의 영향을 미치는 것으로 나타났다. 본 연구는 긍정요인에 초점을 둔 기존 연구의 범위를 확장한 것으로 이는 ChatGPT의 이해를 심화시킨다. 또한 ChatGPT의 지속 사용을 위한 유용한 방안을 제공한다.

인공지능 기술의 발전으로 인해 여행 및 호텔 산업에서도 다양한 목적의 인공지능과 기계학습 기법이 활용되고 있다. 특히 관광 산업에서는 수요 예측이 매우 중요한 요소로 인식되는데, 이는 서비스 효율성과 수익 극대화에 직접적인 영향을 미치기 때문이다. 수요 예측 시 시간에 따라 변화하는 데이터 흐름을 고려해야 하며, 이를 위해 통계적 기법과 기계학습 모델이 사용된다. 최근에는 수요 예측 데이터의 다양성과 현실의 복잡성을 반영하고자 기존 모델의 변형과 통합 연구가 진행되고 있으며, 그 결과 불확실성과 변동성에 대한 예측 성능이 향상되었음이 보고되고 있다. 본 연구에서는 기존 호텔수요 예측 연구에서 시도되지 않았던 다양한 기계학습 접근법을 통합하여 호텔 판매 수요 예측 정확도를 높이는 새로운 모델을 제안한다. 구체적으로 DTW K-means 클러스터링을 통해 지역모델을 구축하고, 전체 데이터를 활용한 전역모델과 선택적으로 결합하는 XGBoost 기반 시계열 예측 모델을 제시한다. 제안 모델은 지역과 전역 모델의 장점을 살려 호텔 수요 예측 성능을 제고할 것으로 기대된다. 이는 호텔 및 여행 산업 성장에 기여할 뿐만 아니라, 향후 다른 경영 분야 예측에도 확장 적용될 수 있을 것이다.

본 연구의 목적은 TV홈쇼핑 화장품 쿠션 상품 고객의 평가를 기초로 한 신상품 개발 제언을 도출하는 것이다. 분석 대상은 TV홈쇼핑을 통해 쿠션을 구매한 30~70대 여성 고객의 평가 20만 개를 파이썬 라이브러리인 셀레니움으로 크롤링하여 정제한 후 NLP, 텍스트 마이닝, 빈도, TF-IDF 분석으로 결과를 도출하였다. 연구의 주요 분석결과를 요약하면 다음과 같다. TV홈쇼핑의 타켓 연령대는 50-60대가 메인이며, 광채, 잡티, 주름커버, 밀착력에 큰 관심이 있었고, 쿠션 케이스가 예쁘고, 특히 모녀, 자매, 지인 등과 함께 사용하는 것을 선호하며, 선물용으로도 쿠션 제품을 고려한다는 것을 예측할 수 있다. 이에 함께 참고할 수 있는 제품의 성분이나 구성, 마케팅 전략 등에 대한 제언을 도출하였다. 제품 성분으로는 S.Acamella(스필란테스 아크멜라) 추출물이나 AHA(Alpha Hydroxy Acid) a- 또는 b- 성분을 활용하여 개발하는 것이 주요 제언이다. 다음으로, 고객들은 상품의 외관과 구성에 특별한 관심이 있었으며, 부모나 친구 등과 같은 주변 인물에게 선물로써 상품을 고려하고 있어 이를 중심으로 한 마케팅 전략 모색이 필요하다.

클래스 불균형은 딥러닝 작업에서 중요한 문제 중 하나이며, 이는 특히 데이터가 제한적인 분야에서 두드러진다. 본 연구에서는 토마토 잎의 병해를 효과적으로 분류하기 위해 최소한의 라벨 데이터만을 활용하는 새로운 접근법을 제안한다. 이를 위해 YOLOv8 모델을 사용한 재귀적 학습 방식을 도입하였다. 학습 데이터에 대한 이미지 탐지 예측 결과를 다시 학습 데이터로 활용함으로써 라벨 데이터의 개수를 점진적으로 증가시켰다. 이 방식은 기존의 데이터 증강 및 업-다운 샘플링 기법과는 달리 실제 데이터의 활용도를 극대화하여 클래스 불균형 문제를 보다 근본적으로 해결하려 한다. 이를 통해 확보된 라벨 데이터를 바탕으로, 토마토잎을 추출하고 EfficientNet 모델을 이용해 병해를 분류했다. 이 과정을 통해 98.92%라는 높은 정확도를 달성하였다. 특히, 가장 적은 데이터를 가진 클래스인 잎마름역병 병해에서 기존 대비 12.9% 향상된 결과를 확인할 수 있었다. 이 연구는 데이터 불균형 문제를 해결하는 동시에, 높은 정확도로 병해를 분류할 수 있는 방법론을 제시함으로써 다른 작물에서도 적용될 수 있을 것으로 기대된다.

최근 온라인 플랫폼에서 구입한 육회를 섭취한 후 식중독 증상을 호소하거나 방울토마토에서 쓴맛이 난다는 리뷰가 뉴스에 등장한 사례가 있다. 이것은 정부 기관, 식품 제조업체나 유통업체가 온라인 플랫폼의 식품 리뷰를 분석하여 식품 위해를 탐지함으로써 소비자 식품안전 위험을 관리할 수 있음을 시사한다. 본 연구는 감성분석과 대형 언어 모델을 활용하여 식품 리뷰를 분석하고, 부정적인 리뷰를 탐지하여 주요 식품안전 위해(식중독, 변질, 화학적 이취, 이물질)를 다중 라벨링하는 분류 모델을 제안한다. 감성 분류 모델에서는 'funnel' 모델이 낮은 False Positive 비율로 부정 리뷰의 오분류 가능성을 최소화하는 데 효과적이었다. 식품안전 위해 다중 라벨링 모델은 GPT-3.5 보다 GPT-4 Turbo를 활용한 것이 재현율과 정확도 모두 96% 이상으로 높은 성능을 보였다. 정부 기관, 식품 제조업체나 유통업체는 제안된 모델을 사용하여 소비자 리뷰를 실시간으로 모니터링하고, 잠재적인 식품안전 문제를 조기에 탐지함으로써 위험을 관리할 수 있다. 이와 같은 시스템은 기업의 브랜드 평판을 보호하고, 소비자 보호를 강화하며, 궁극적으로는 소비자의 건강과 안전을 증진시키는 결과를 가져올 수 있다.

컴퓨터 비전 분야에서 You Look Only Once(YOLO)와 ResNet 등의 모델은 실시간 성능과 높은 정확도로 인해 널리 사용되고 있다. 그러나 실제 환경에 이러한 모델들을 적용하려면 런타임 호환성, 메모리 사용량, 컴퓨팅 리소스 및 실시간 조건 등의 요소를 고려해야 한다. 본 연구에서는 세 가지 심층 모델 런타임 ONNX Runtime, TensorRT 및 OpenCV DNN의 특성을 비교하고, 2가지 모델에 대한 성능을 분석한다. 이러한 분석을 통해 현장 적용을 위한 런타임 선택에 기준을 제공해 주는 것이 논문의 목표이다. 실험에서는 차량 번호판 인식 및 분류 업무에 대해 소요 시간, 메모리 사용량, 정확도 평가 지표를 기반으로 런타임들을 비교한다. 실험 결과, ONNX Runtime은 복잡한 객체 탐지 성능이 우수하며, OpenCV DNN은 제한된 메모리 환경에 적합하고, TensorRT는 복잡한 모델의 실행 속도가 우수하다는 것을 보여준다.

연합 학습은 분산 환경에서 데이터 프라이버시와 보안을 유지하면서 효율적으로 머신러닝 모델을 학습하는 방법으로 주목받고 있다. 본 연구에서는 이러한 연합 학습 환경에서 랜덤 포레스트 모델의 성능을 최적화하기 위해 새로운 FedRFBagging 알고리즘을 제안한다. 클라이언트별 데이터 특성에 기반하여 로컬 랜덤 포레스트 모델의 트리를 동적으로 조정함으로써 통신 비용을 줄이고, 다수의 클라이언트 환경에서도 높은 예측 정확도를 달성할 수 있다. 제안하는 방법은 다양한 데이터 조건에 적응하여 모델의 안정성과 학습 속도를 크게 향상시킨다. 랜덤 포레스트 모델은 여러 개의 결정 트리로 구성되나, 연합 학습 환경에서 모든 트리를 서버로 전송하면 통신 오버헤드가 기하급수적으로 증가하여 사용이 어려워진다. 또한 클라이언트 간 데이터 분포의 차이로 인해 트리의 품질 불균형이 발생할 수 있다. 이를 해결하기 위해 FedRFBagging 알고리즘을 제안하며 이는 각 클라이언트에서 성능이 높은 트리만을 선택해 서버로 전송하고, 서버는 불순도 값을 기준으로 트리들을 선택하여 최적의 글로벌 모델을 구성한다. 이를 통해 통신 오버헤드를 줄이고 다양한 데이터 분포에서도 높은 예측 성능을 유지할 수 있다. 글로벌 모델은 다양한 클라이언트 데이터를 반영하지만, 각 클라이언트의 데이터 특성은 다를 수 있다. 이를 보완하기 위해 클라이언트는 글로벌 모델에 추가 트리를 학습하여 로컬 데이터에 맞춘 최적화를 수행한다. 이를 통해 전체 모델의 예측 정확도를 높이고 변화하는 데이터 분포에 적응할 수 있다. 본 연구는 연합 학습 환경에서 랜덤 포레스트 모델이 가지는 통신 비용과 성능 문제를 효과적으로 해결하여 적용 가능한 연합 학습 환경에서 랜덤 포레스트 모델을 위한 알고리즘임을 시사한다.

전세계적으로 재난은 발생 규모와 피해액이 증가하고 있으며, 재난 대응을 위한 물류 활동의 중요성이 높아지고 있다. 재난 대응을 위한 물류 네트워크는 재난으로부터 상대적으로 안전한 지역에 물류 거점을 설치하고 재난 발생 지역으로 구호물자 및 긴급 의약품을 안정적으로 공급할 필요가 있다. 이에 따라 본 연구에서는 재난 대응을 위한 구호물자 배송 네트워크 설계를 위해 재난 취약성을 최소화시키는 드론 배송 거점 입지 선정에 대해 연구를 진행하였다. 드론을 통한 구호품 수송을 위해 드론의 최대 배송 가능 거리를 고려하고, 자연재해 취약도 지수를 활용하여 재난 취약도를 최소화 시키는 드론 배송 거점 입지를 선정하는 최적화 모델을 도출하였다. 분석 결과 재난 취약도를 최소화하기 위한 배송 거점 투자는 재난대응을 위한 거점이 증가하지만, 이를 통해 재난 취약도를 완화하여 상대적으로 안전하고 효과적으로 드론 배송을 활용한 재난 대응 물류 체계 운영이 가능할 것으로 분석되었다.

이 연구는 녹색 교통 지역에서 차량 등급 운행 제한이 초미세먼지 농도에 미치는 영향을 연도별로 조사하였다. 연구 결과, 차량 등급 운행 제한이 초미세먼지 농도를 줄이는 데 긍정적인 영향을 미쳤다. 녹색 교통 지역 정책은 차량 유출을 감소시키고 대중 교통 및 친환경 교통수단을 활용하도록 유도하여 대기질을 향상시킨 것으로 나타났다. 특히 초미세먼지 농도의 감소는 주요 결과 중 하나로 나타났으며, 이는 도시 내 거주민들의 건강 개선에 긍정적인 영향을 미칠 것으로 기대된다. 연구에서는 차량 등급 운행제한 정책의 효과와 관련하여 다양한 요인과 변수를 고려하였으며, 정책의 시행 방식, 지역 특성 및 다른 환경 요인도 논의 될 필요성이 있다고 판단 하였다. 이러한 연구 결과는 초미세먼지 관리와 도시 계획의 측면에서 중요한 시사점을 제공하며, 미래의 도시 지속 가능성을 고려할 때 참고 자료 및 향후 연구가 지속적으로 필요 할 것으로 예측 된다.

바이오의약품 위탁생산 사업(CMO)에서 다양한 고객의 주문에 대해 납기를 만족시키는 생산 일정계획을 수립하는 것은 사업이 경쟁력 측면에서 매우 중요하다. CMO 공정에서 각 주문은 다수의 배치로 구성되어 있으며 복수 개의 생산라인에 소량의 배치 단위로 할당되어 병렬 생산할 수 있다. 본 연구는 동종 병렬설비를 보유하고 있는 CMO 공정에서 주문의 총 납기 지연을 최소화하는 일정계획을 수립하기 위한 메타휴리스틱 알고리즘을 제안한다. 제안된 알고리즘은 생물학적 진화에서 영감을 받아 염색체와 같은 데이터 구조를 무작위로 생성하여 특정 문제를 해결하며, 교차 및 돌연변이와 같은 작업을 사용하여 다양한 솔루션을 효과적으로 탐색한다. 국내 CMO 기업체에서 제공한 현업 데이터를 기반으로 컴퓨터 실험을 진행하여 제안한 알고리즘이 기업체에서 사용하고 있는 전문가 알고리즘과 상용 최적화 패키지보다 우수한 일정계획을 적절한 계산시간 내에 도출하는 것을 확인하였다.

여름철 냉동기가 건물의 주 에너지 소비자로 고려됨에 따라 효율적인 냉동기 운영은 매우 중요한 문제로 고려된다. 그러나, 건물의 냉방수요가 건물 내외부 환경, 건물 재실자의 행동 등의 여러 요인에 의해 변동하고 냉동기의 가동제약조건으로 인해 현재 시점의 운영이 미래 시점의 운영에 제약을 발생시킴에 따라 건물의 냉방수요를 정확하게 만족하도록 냉동기를 운영하는 것은 어렵다. 본 연구에서는 이러한 문제를 해결하기 위해 냉동기의 최소가동시간을 고려한 심층 강화학습 기반의 다중 냉동기 운영 모델을 제안한다. 제안한 모델은 외기 정보와 냉방시스템 내부 정보로 구성된 상태에 따른 냉동기 운영 조합이 갖는 가치를 학습하고 실현 가능한 냉동기 운영 중 건물의 냉방수요와 냉동기에 의한 공급 부하 간의 차이를 최소화할 수 있는 냉동기 운영 조합을 결정한다. 냉동기의 최소가동시간 제약을 고려한 훈련 알고리즘을 적용하여 제안한 모델의 현실 적용 가능성을 높였으며 실제 국내 A대학교의 데이터를 바탕으로 실험한 결과, 제안한 다중 냉동기 운영 모델이 최소가동시간을 준수함과 동시에 건물 냉방 부하와의 차이 측면에서 A대학교의 기존 냉동기 운영 로직보다 우수한 성능을 보임을 확인하였다.

본 연구는 중소기업의 AI 도입 확대를 위한 수용요인을 분석하고 실무적, 정책적 시사점을 도출하는 것이다. 이를 위해 전국에 소재한 제조, 서비스, 정보통신 분야 등 다양한 업종의 중소기업 315명을 대상으로 AI 수용요인을 실증 분석하였다. UTAUT를 기반으로 의사결정 신뢰성, 지각된 인식, 정책지원, 교육훈련, 인지된 비용, 지각된 위험성, 시스템 복잡성의 영향력을 검증한 결과, 의사결정 신뢰성은 성과기대와 사회적 영향에 긍정적인 영향을, 지각된 인식은 성과기대와 노력기대에 긍정적인 영향을, 정책지원은 사회적 영향과 촉진조건에 긍정적 영향을 교육훈련은 노력기대 및 촉진조건에 긍정적인 영향을 미치는 것으로 나타났다. 인지된 비용은 사회적 영향과 촉진조건에 부정적 영향을 미치며 지각된 위험성은 성과기대와 사회적 영향에 부정적인 영향을 미쳤다. 시스템 복잡성은 노력기대에 부정적인 영향을 미쳤으나 촉진조건에는 영향을 미치지 않는 것으로 나타났다. 이러한 결과는 산업계의 AI 확산을 위한 기초 연구로 폭넓게 활용되고, 중소기업의 AI 도입을 촉진할 수 있도록 실무적, 정책적 시사점을 제공하기를 기대한다.

본 연구에서는 수어의 좌표를 압축하여 학습 시간을 획기적으로 단축시킬 수 있는 DNN (Deep Neural Network) 기반 수어 번역 모델을 제안하고 수어 좌표 압축 유무에 따른 정확도와 모델 학습 시간을 비교 분석하였다. 제안한 모델을 사용하여 수어를 번역한 결과, 수어 영상을 압축하기 전과 후의 정확도는 약 5.9% 감소한 반면, 학습 시간은 56.57% 감소하여 수어 번역 정확도 손실 대비 학습 시간에서 많은 이득을 얻는 것을 확인하였다.

오늘날 대학에서 소속 교원을 종합적으로 평가하기 위해 실시하고 있는 교원업적평가는 제도의 취지와는 달리 정량적 평가 중심 시스템으로 인해 제도의 취지와 다른 결과가 나타나고 있다. 특히 연극예술분야는 다른 학문분야에 비해 성과물의 주관적인 성격이 강해 기존의 정량적 평가 방법으로는 연구 및 창작업적의 성과를 공정하고 객관적으로 측정하기 어렵다는 특성이 있다. 이에 본 연구에서는 연극예술분야 연구 및 창작업적평가 개선을 위해 빅데이터 활용 방안을 제안하였다. 먼저 국내 주요 대학의 연극예술 관련 학과에서 시행 중인 연구 및 창작업적평가 기준과 방법을 조사하고, 현재 국내 연극예술분야 연구 및 창작업적평가 시스템과 관련한 주요 쟁점을 분석한 다음, 공연예술통합전산망(KOPIS)의 빅데이터를 활용한 연극예술분야 연구 및 창작업적평가 시스템의 개선 방안을 제시하였다. 본 연구를 통해 연극예술분야 교원들의 연구와 창작활동을 보다 효과적으로 지원하고, 대학 경쟁력을 강화할 수 있는 방안이 마련될 수 있기를 기대한다.