본 연구는 디지털 플랫폼 환경에서 음악교육 콘텐츠의 품질관리와 신뢰성 확보를 ICT 기반 교육적 관점에서 탐색하는 것을 목적으로 한다. 유튜브 기반 음악교육 콘텐츠를 사례로, 교수·교사·전문 연주인 7인을 대상으로 반구조화된 포커스그룹 인터뷰(FGI)를 실시하고, 주제분석 방법을 적용하였다. 분석 결과, 콘텐츠의 음질, 메타데이터 결함, 알고리즘 불투명성, 저작권 인식 부족 등이 신뢰성 저하의 주요 요인으로 확인되었으며, 단순한 교육 효과를 넘어, 기술적 품질관리의 필요성이 제기되었다. 이를 토대로 품질관리(메타데이터 표준화·알고리즘 투명성), 정보윤리(저작권·보안), 디지털 리터러시를 통합한 ICT 기반 관리체계의 방법론적 틀을 제시하였다. 또한 EU 「Digital Services Act」와 영국 「Online Safety Act」의 사례를 비교하여, 국내 교육용 디지털 콘텐츠의 공적 인증제 도입과 기술 표준화 방향을 논의하였다.

물리정보신경망(PINN)은 편미분방정식의 물리 제약을 손실에 통합함으로써 데이터가 희소한 환경에서도 신뢰성 있는 근사를 제공한다. 그러나 동일한 지배방정식에 대해 다양한 매개변수 값으로 반복 계산해야 하는 파라메트릭 문제에서는 매 인스턴스마다 네트워크를 재학습해야 하므로 비용이 급증한다. 본 연구의 목적은 이러한 반복 계산 비용 문제를 해결하기 위해, 소스매개변수에서 사전학습한 후 타깃 매개변수로 미세조정하는 연구 방법론인 Transfer Learning-Enhanced PINN(TLE-PINN)을 제안하고, 1차원 열 방정식에서 그 효율성을 실증한다. 실험 결과 소스 과제 𝛼=0.1로 학습한 가중치를 타깃 과제 𝛼=0.3으로 전이한 결과, 스크래치 학습 대비 총 학습시간이 1589.50초에서 795.68초로 절반 수준으로 감소했고 상대 L2 오차가 5.1227×10^-3에서 3.3725×10^-3로 34.17% 줄었다. 수렴 곡선과 공간-시간 오차 맵은 전이가 초기 손실을 크게 낮추고 수렴을 가속할 뿐 아니라 오차를 도메인 전반에 균일하게 분산시킴을 보여준다. 열 방정식의 해석해를 이용해 매개변수 변화에 따른 해 차이의 L2 상계를 도출하여 전이의 이론적 타당성을 논한다. 결론적으로 본 연구는 파라메트릭 PINN에서 단순한 미세조정만으로도 정확도와 효율을 동시에 향상할 수 있음을 정량적으로 입증한다.

본 연구는 metalWave 기술을 적용한 metalVox 기반 함내 무선통신 체계에서 채널 접근을 모델링하고 성능을 분석한다. 이를 위해 metalVox의 데이터 전송 모델을 적용하여 사용자 수와 전송 확률에 따른 충돌, 지연, 처리량 특성을 분석하였다. 또한 백오프 윈도우를 고려한 확률적 MAC(Media Access Control) 모델을 수식으로 정립하고, metalVox 전송 구조를 반영한 End-to-End 성능을 수치적으로 평가하였다. 분석 결과, 사용자 수가 증가할수록 전송 시도가 빠르게 누적되어 성공 확률이 감소하며, 단일 채널 환경에서는 시스템 처리율이 급격히 제한됨을 확인하였다. 본 연구는 metalVox 기반 함내 통신체계의 병목 요인을 규명하고, 향후 멀티 채널 확장 및 MAC 개선 방안의 근거를 제공한다.

현대 해상 전장 환경에서 전술 네트워크는 적대적 재밍(Jamming) 공격과 아군의 은밀성을 위한 침묵 구역(Silent Zone) 운용으로 인해 통신 신뢰성 확보에 치명적인 제약을 받는다. 기존의 AODV 및 OLSR과 같은 토폴로지 기반 라우팅 프로토콜은 재밍 및 무선 침묵 운용이 동시에 발생하는 전술 환경 변화에 신속히 적응하지 못하여 경로 재설정 지연과 높은 패킷 손실률을 발생시키는 한계를 가진다. 이를 해결하기 위해 본 논문에서는 베이지안 최적화(Bayesian Optimization)가 결합된 강화학습 기반의 라우팅 기법인 'Naval-QL'을 제안한다. Naval-QL은 다목적 보상 함수를 통해 신뢰성(PDR), 보안성(Security), 은밀성(Stealth) 간의 최적 균형을 자율적으로 학습하며, 베이지안 기법을 통해 학습 파라미터를 실시간으로 최적화한다. 시뮬레이션 결과, 제안 기법은 기존 AODV 대비 패킷 전달률(PDR)을 62.3%에서 91.2%로 획기적으로 향상시켰으며, 종단 간 지연시간(E2E Delay)을 428ms에서 142ms로 67% 단축했다. 특히, 30dB 이상의 고강도 재밍 환경(JSR) 하에서도 92.4%의 위협 회피 성공률을 달성하며 네트워크의 생존성을 입증하였다. 본 연구는 미래 해군 유·무인 복합 체계(MUM-T)의 항재밍 전술 통신을 위한 핵심 기술로 활용될 수 있다.

디지털 전환의 가속화로 기업 정보시스템은 높은 확장성과 유연성을 요구한다. 이를 위해 컨테이너와 마이크로 서비스(MSA), DevOps를 기반으로 하는 클라우드 네이티브 환경이 빠르게 확산되고 있다. 그러나 로그 기반 네트워크 이상 탐지 연구는 주로 통계 분석 또는 시퀀스 기반 딥러닝 모델에 의존하고 있어 단일 이벤트 중심의 분석 구조로 인해 공격자의 행위 흐름을 충분히 반영하지 못한다. 본 논문에서는 네트워크 로그 데이터를 자연어 기반 서사로 변환하고, 대규모 언어 모델의 문맥 이해 능력을 활용하여 이상 행위를 탐지하는 서사 기반 네트워크 이상 탐지 프레임워크 L-NAD(Language-based Network Anomaly Detection)를 제안한다. 제안하는 방식은 온프레미스 환경에서의 설명 가능한 보안 관제 기술로 활용도가 높으며 기존 연구와 비교한 결과 향후 RAG 기반 정책 연동 및 실시간 추론 최적화를 통해 지속적 개선이 가능할 것으로 판단된다.

본 연구에서는 지도상의 특정된 지역의 면적을 구하기 위해 지적도상의 불연속점을 기준으로 이산 GPS 좌표 배열을 구하고, 칼만 필터를 이용하여 동적으로 추적하여 오차가 누적되지 않는 새로운 동적 GPS를 구하였다. 이 GPS 좌표는 비선형적으로 자율비행하는 드론이 비행경로를 이산적으로 추적하도록 하여 5×5m² 크기의 블록으로 구해진 면적들을 이산 적분하여 원하는 특정 지역의 면적을 구할 수 있었다. 지적도상에서 구한 GPS 좌표는 실제 드론의 동작 구간에서 정확한 동작을 하도록 하기 위해 VDOP로 오차보정을 수행하였다. 또한 예측단계와 갱신단계를 이용하여 시변환속에서 오차 누적이 축소되도록 하는 칼만 필터를 이용하여 먼저 구한 오차 보정된 GPS 좌표값으로 실제 드론이 동작할 때, 정확한 GPS 좌표값을 기준으로 면적을 추적할 수 있도록 하였다. 이 방법으로 지적도상에서 총 면적이 3.136m²인 실험대상을 상대로 10회 이상 타깃 면적을 이산 적분한 결과 3.125m²의 면적을 구할 수 있었으며 이는 지적도에 나와 있는 면적과의 오차가 0.35% 이내에 들어와 있는 우수한 이산 적분 방법임을 확인할 수 있었다.

본 연구는 CLIP(Contrastive Language-Image Pre-training) 기반 제로샷 차량 분류에서 발생하는 프롬프트 민감도와 승용차/트럭 경계 사례 오분류 문제를 해결하기 위해 Semantic Clustered Matching(SCM) 프레임워크를 제안한다. SCM은 클래스별 기본 키워드에 하위 속성 키워드를 조합한 규칙 기반 확장 프롬프트 세트를 구성한 뒤, 이를 텍스트 임베딩 공간에서 클러스터링하고 중심성 기반 Softmax 가중치를 적용하여 의미적 대표성을 강화한다. 다중 영역 크롭 기반 TTA(Test-Time Augmentation)를 적용해 이미지 임베딩의 안정성을 높였다. 다양한 주간 환경 및 차량 방향을 포함한 5,124장의 자체 수집 승용차/트럭 데이터셋에서 실험한 결과, ViT-L/14+SCM은 정확도 97%, F1-score 0.92를 달성하여 CLIP Baseline과 YOLO 계열 모델보다 우수한 성능을 보였다. 제안된 SCM은 추가 학습 없이도 일관된 제로샷 분류를 제공하는 효과적인 후처리 기법임을 확인하였다.

4차 산업혁명과 함께 제조업의 디지털 전환이 가속화되고 있음에도 불구하고, 중소 제조 기업의 발주 처리 및 공급망 관리는 여전히 수작업에 의존하는 비중이 높아 효율성이 낮고 잠재적 리스크 관리에 취약하다. 특히 제조 클러스터 내 기업들은 텍스트, 표, 도면이 혼재된 비정형 발주 문서의 처리와 생산 능력 간의 불일치로 인해 납기 지연이나 생산 차질 등의 문제에 직면하고 있다. 본 연구에서는 이러한 문제를 해결하기 위해 비정형 발주 문서의 자동 분석과 공급망 리스크 예측을 통합한 인공지능 기반 시스템을 제안한다. 제안하는 시스템은 ViT(Vision Transformer)와 BERT를 결합한 멀티모달 딥러닝 모델을 통해 복잡한 레이아웃을 가진 문서에서 핵심 정보를 정확하게 추출하고(F1-Score 0.955), 추출된 데이터를 바탕으로 XGBoost 알고리즘을 적용하여 납기 지연 리스크를 사전에 예측한다(정확도 91.4%). 본 연구 결과는 기존 단일 모달 방식 대비 우수한 성능을 보였으며, 실제 제조 현장의 데이터 기반 의사결정을 효과적으로 지원할 수 있음을 시사한다.

본 연구는 2010-2023년 국민건강보험공단 진료데이터를 활용하여 COVID-19 팬데믹이 우울증 의료 이용에 미친 영향을 분석하였다. 단절적 시계열 분석 결과, 2020년 팬데믹 시점에 약 10만 명의 우울증 환자가 추가로 증가하는 구조적 단절이 확인되었다. 또한, 사회경제적 지위에 따른 격차 분석에서 의료급여 수급권자의 1인당 진료비가 건강보험 가입자보다 약 1.7배 높아 저소득층의 중증도 부담이 큰 것으로 나타났다. F32보다 F33 환자 증가 폭이 뚜렷하여 우울증의 만성화 경향도 확인되었다. 본 연구는 전수 데이터 기반의 장기추세 분석을 통해 팬데믹이 정신건강 악화의 기폭제였음을 실증하였으며, 향후 취약계층 중심의 정신건강 정책 필요성을 제언한다.

낙상 사고는 고령자 및 취약군에서 주요 손상 원인임에도 불구하고, 의무기록에 주진단코드만 기록될 경우 낙상 관련 외인코드(W00-W19)가 누락되는 사례가 빈번하다. 본 연구는 이러한 코딩 누락 문제를 개선하기 위해 최근 3년간 수집된 손상 환자 39,289건의 자료를 활용하여 낙상 관련 상해 외인코드 예측 모형을 개발하였다. 환자의 성별, 연령, 발생장소, 손상부위 등 특성을 독립변수로 투입하여 낙상 발생 여부에 영향을 미치는 요인을 다변량 로지스틱 회귀분석으로 통계적으로 규명하였다. 모형 평가 결과, 예측 정확도는 약 90.9%였으며 수신자 조작 특성(ROC) 곡선 아래 면적 (AUC)은 0.95으로 양호한 예측 성능을 보였다. 또한 발생장소, 손상부위, 진단명 등이 주요 예측 요인으로 도출되어 낙상 외인코드 예측에 유의한 영향을 미치는 것으로 확인되었다. 본 연구 결과는 상해 외인코드 누락 문제의 개선을 통해 환자 안전과 의료 서비스의 질 향상에 기여할 수 있음을 시사한다.

본 연구는 서울 지역 PM10·PM2.5 예측 향상을 위해 Prophet의 구조적 패턴 학습 능력과 LSTM의 비선형 변동 포착 능력을 결합한 잔차 기반 Prophet-LSTM 하이브리드 모델을 제안한다. 2009~2023년 AirKorea 미세먼지와 KMA 기상자료를 활용해 Prophet, LSTM, XGBoost 단일 모델을 동일 조건에서 비교한 결과, Prophet은 추세·계절성 예측에, LSTM은 단기 비선형 변동 학습에 강점을 보였으나 각각 구조적 제약이 존재하였다. 기존 Prophet-LSTM 연구가 예측값과 잔차를 병렬·단변량 방식으로 처리해 외생변수를 활용한 다변량 보정에 한계가 있었던 점을 고려하여, 본 연구는 Prophet 예측값에서 발생한 잔차와 기상 변수를 LSTM의 입력으로 활용하는 잔차 기반 직렬 보정 하이브리드 구조를 설계하였다. 실험 결과 제안 모델은 RMSE·MAE 등 주요 지표에서 단일 모델 대비 우수한 성능을 보였으며, 구조적 패턴과 비선형 정보를 통합한 직렬 기반 결합 방식이 미세먼지 시계열 예측에 효과적임을 확인하였다.

본 연구에서는 기존 CutMix 기법이 패치를 무작위로 선택하기 때문에 문자 이미지에서 핵심 문자 영역이 충분히 반영되지 않는 문제를 해결하고자, 문자 중심 영역을 활용한 Character-Region CutMix(CR-CutMix)를 제안한다. 제안 기법은 임계값 기반 문자 영역 검출을 통해 패치 중심 좌표를 산출하고, 해당 영역을 우선적으로 활용하여 이미지 혼합을 수행한다. 이를 통해 모델이 문자 형태와 구조적 특징에 집중하면서도 다양한 시각적 변화를 학습할 수 있도록 하여 배경 의존성을 줄여 모델의 예측 안정성을 높인다. EMNIST Balanced 데이터셋 실험에서 CR-CutMix는 ResNet-18 기준 Rank-1 Accuracy 90.97%를 기록하였으며, 기존 CutMix 대비 대부분의 백본 모델에서 주요 지표가 전반적으로 향상되는 경향을 보여 제안 기법의 효과성을 확인하였다.

본 논문에서는 24GHz RF 레이더 모듈 OPS243-C를 이용하여 보행자의 보폭 변화가 실제 위치 변화에 반영된 결과를 도시화하고, 이를 이미지 기반으로 표현하는 기법을 구현하였다. OPS243-C는 수 mm 수준의 거리 해상도와 안정적인 비접촉 측정 성능을 갖추고 있어, 보행 중 발생하는 미세한 거리 변화를 연속 신호 형태로 얻기에 적합하다. 본 연구에서는 보폭이 달라질 때 레이더가 관측한 반사 신호의 거리 패턴, 펄스 발생 간격, 기울기 변화를 중심으로 위치 변화를 시각적으로 표현하였다. 실험은 두 가지 시나리오(case 1, case 2)로 구성되었으며, 분석 결과 보폭이 작은 조건에서 동일 거리 기준 약 8개의 펄스가 추가로 발생하였고, 동일 펄스 수 기준으로는 편도 이동 횟수가 약 2.1회 감소하는 특성이 나타났다. 이러한 차이를 2차원 및 3차원 이미지로 도시화한 결과, 보폭의 변화가 각각의 위치 이동 신호에 어떻게 반영되는지 뚜렷하게 확인되었다. 본 연구는 RF 거리 측정 기술이 단순한 거리 산출을 넘어서 보행자의 위치 변화 패턴을 직관적인 이미지, 그래프 형태로 구현할 수 있으며, 실내 움직임 분석, 보행 모니터링, 개인별 이동 특성 파악 등 다양한 응용 가능성을 제시한다.

본 연구는 2026년 시행 예정인 「인공지능 발전과 신뢰 기반 조성 등에 관한 기본법」의 시행 및 시행령 제정 이전에 AI 생성물 라벨링의 제도적 방향과 사용자 인터페이스(UI) 설계 원칙을 선제적으로 제시한다. 방송통신위원회의 「생성형 인공지능 서비스 이용자 보호 가이드라인」 및 글로벌 플랫폼 사례를 분석하여, 자율 도입-부분 의무화-전 주기형으로 이어지는 단계적 도입 시나리오와 UI 기반의 신뢰 설계 원칙을 제안하였다. 특히 라벨을 단순한 표시가 아닌 '신뢰의 인터페이스(Interface of Trust)'로 정의하고, 정책-기술-디자인이 결합된 평가 프레임워크를 통해 실무적 적용 방안을 제시하였다. 이 프레임워크는 '암묵적 진실 효과' 및 '신뢰 피로' 등의 위험을 최소화할 수 있도록 설계된 정확도 및 커버리지 지표에 기반하며, 신뢰도 변화율, 재확산 의도 감소율 등 신뢰 경험 중심의 정량적 평가 지표를 제시한다. 이 지표들은 후속 실증 연구를 통해 확보 및 검증될 예정이며, 이를 통해 디자인의 실제 사회적 효과를 측정하는 방안을 제시한다. 본 연구는 AI 투명성 정책을 이용자 경험 관점에서 재구성함으로써, 향후 국내 서비스의 설계 및 가이드라인 수립에 참고할 수 있는 실질적 방향을 제공한다.

본 연구는 근전도(Electromyography, EMG) 신호를 활용하여 근피로 지표인 중앙주파수(Median Frequency, MDF) 변화율을 예측하는 딥러닝 회귀 모델의 가능성을 탐색했다. 이를 위해 CNN2D, CNN-LSTM, LSTM1D 세 가지 모델을 동일한 조건에서 구축하고 성능을 비교했다. 모든 모델에서 R²가 음수로 나타나 전반적인 회귀 성능은 제한적이었으나, CNN2D 모델은 테스트 데이터셋 기준 RMSE 0.21, MAE 0.14, R² -0.02의 성능을 보여 세 모델 중 가장 우수한 예측 성능을 기록했다. CNN-LSTM 모델은 RMSE와 R²에서 CNN2D에 근접한 성능을 보여 시공간적 특징을 통합적으로 학습하는 구조가 근피로 예측에 유리할 수 있음을 시사하였으며, LSTM1D 모델은 MAE는 가장 낮았으나 R²가 가장 낮은 음수값을 보여 예측 안정성은 떨어지는 것으로 나타났다. 이러한 결과는 근전도 신호의 시공간적 패턴을 반영한 하이브리드 학습 구조가 근피로 예측에 일정 부분 유리할 수 있음을 시사하며, 향후 대규모 데이터 확보 및 SHAP 기반 설명 가능한 AI와 멀티모달 학습 구조를 통해 실시간 근피로 모니터링 시스템 개발로 확장될 수 있을 것으로 기대된다.

본 연구에서는 상용 정전용량 기반 식용유 열화 측정 시스템을 이용하여, 세척 조건, 식품 종류 및 가열 시간 변화가 센서 응답의 신뢰성과 선형성에 미치는 영향을 평가하였다. 세척 방법 비교 결과, 센서 표면의 잔류 오일이 측정 변동을 유발함을 확인하였으며, 물 세척 후 티슈로 닦는 방법이 가장 재현성이 높은 결과를 제공하였다. 식품 종류에 따른 실험에서는 동물성 재료(생닭)를 튀겼을 때 식물성 재료(감자칩)에 비해 센서 출력이 상대적으로 급격히 증가하였다. 이는 오일의 유전율 및 전도도 변화에 기인한 것으로 분석되었다. 또한 가열 시간에 따라 총 극성 화합물(TPM)과 산가 (AV)가 선형적으로 증가하였고, 센서가 이를 정밀하게 추적함을 확인하였다. 두 지표 간 높은 상관관계(R² = 0.93)는 정전용량형 센서가 화학적 분석 결과를 효과적으로 대체할 수 있음을 보여준다. 본 연구는 정전용량형 계측 기반의 식용유 열화 모니터링 기술의 신뢰성 확보 방안을 제시하고, 산업용 스마트 프라이 공정으로의 적용 가능성을 검증하였다.

본 연구는 50[Kw]급 풍력발전시스템 구조물의 안정성에 향상 시키기 위해서 ANSYS 유동해석 시뮬레이션을 이용하여 실시 하였다. 50[Kw]급 풍력터빈은 TSR을 0.2에서 06까지 변화 주면서 출력을 시뮬레이션 한 결과, TSR이 0.4 일때 65.14[kW], 효율은 29.3[%]으로 가장 좋은 조건이 되었다. 로터 직경 17[m], 터빈 높이 11[m], 주 블레이드 길이 70[cm], 보조 블레이드 길이 13[cm], 풍속 12[m/s]의 조건으로 풍력발전시스템 구조물의 안정성을 위해 수직 응력을 시뮬레이션한 결과, 로터와 블레이드를 연결해 주는 빔과 로터 중심부에 응력에 의해 비틀림 현상을 발견하였다. 구조물의 안전을 위해 안전계수를 확인한 결과, 블레이드를 연결해주는 빔과 중심부에 응력이 집중되어 구조물이 안전하지 않음을 알 수 있었다. 외력과 내력의 에너지를 나타내는 변형 포텐셜을 확인한 결과, 주 블레이드와 연결부에서 변형이 이루어졌다. 2차 보강작업을 통하여 실시한 결과 구조물의 안정성을 확보할 수 있었다.

본 연구에서는 고양이 얼굴 간의 높은 시각적 유사성으로 인해 개체 식별이 어려운 문제를 해결하기 위해, 분별력 있는 임베딩 벡터를 안정적으로 학습하는 딥러닝 기반 Cat Facial Embedding Network(CFENet)를 제안한다. CFENet은 Siamese 구조와 추가 합성곱 모듈을 통해 얼굴 특징을 정교하게 표현하고, CutMix 기반 데이터 증강과 조건부 손실 전략을 결합하여 CutMix 비활성 배치에서는 Contrastive Loss와 FM-ArcFace Loss를, CutMix 활성 배치에서는 CutMix Loss만을 최적화한다. 80개체 3,811장으로 구성된 반려묘 얼굴 데이터셋 실험 결과, CFENet은 Accuracy, Precision, Recall, F1-score에서 기존 모델 대비 우수한 성능을 보였다. 이는 제안 모델이 반려묘 얼굴 데이터에서 안정적인 개체 식별 성능을 달성하였음을 입증한다.

본 논문은 제조 및 건설 현장의 안전사고 예방을 위해 라즈베리파이 기반의 AI 작업자 안전 및 위험상황 검출 시스템을 제안한다. 기존 시스템의 낮은 범용성과 작업자/비작업자 구분 불가능 문제를 해결하기 위해 '엣지-서버-웹'의 3-Tier 아키텍처를 설계하고, 작업복 및 안전모 착용 여부에 따른 다중 객체 탐지 모델을 연구하였다. 실험 결과, PC 환경에서는 YOLOv8-l이 가장 높은 정확도(mAP50-95 0.694)를 보였으나, 라즈베리파이 4 환경에서는 YOLOv8-n 모델이 720.74ms의 추론 속도를 기록하며 실시간 운영에 가장 적합한 모델로 선정되었다. 시스템 구현 결과, 관리자가 설정한 동적 위험 구역에 비작업자가 50% 이상 침범 시 즉각 경고를 전송하는 현장 맞춤형 기능을 확인하였다. 본 연구는 임베디드 환경에서의 정확도와 속도 간의 현실적인 절충안을 제시하였으며, 저비용 기기로 실용적인 스마트 안전 관리 시스템 구축이 가능함을 입증하였다.

디지털 기술의 발전은 개인과 기업, 그리고 정부에 무한한 기회를 제공하고 있지만, 동시에 심각한 위협도 초래하고 있으며, 사이버 보안은 이러한 위협에 대응하기 위한 필수적인 요소로 인식되고 있다. 이러한 사이버 보안은 단순히 기술적인 문제를 넘어서 개인의 삶, 기업의 성장, 국가의 지속 가능성을 지키는 데 필수적인 요소이며, 지속적으로 발전하는 사이버 위협에 대응하기 위해선 강력한 보안 취약사항에 대한 평가를 통한 보안 시스템 구축이 필요하다. CVSS(Common Vulnerability Scoring System)는 미국 국립표준기술연구소(NIST)가 지원하는 MITRE의 보안 취약점 관리 체계인 CVE(Common Vulnerabilities and Exposure)의 요소 중 하나로, 소프트웨어 보안 취약점의 위험성을 평가하는 시스템이다. CVSS의 점수산정 방식은 공격자가 미치는 영향을 수치로 표현하여 보안 위험의 기본적인 평가 지표로 활용할 수 있지만, 기존 CVSS 기반 평가 방법의 한계를 보완하기 위해 생성형 AI 취약점 탐지 및 정량·시각화 기술을 제안한다. 본 논문에서는 CVSS V4.0의 지표별 세부 요소값을 사용자가 직관적으로 이해할 수 있도록 데이터 시각화와 명확한 정보 계층 구조, 상호작용성을 중심으로 설계안을 제시하여, 사이버 보안 및 표준화 평가 시뮬레이터를 위한 대시보드 형태의 사용자 친화적인 UI/UX를 설계하여 사용자의 사용성과 만족도를 향상시킨다.