현대 사회에서는 짧은 길이의 문장으로 이루어진 문서가 증가하고 있어, 이를 효과적으로 관리하고자 카테고리별로 분류하는 작업이 중요한 과제로 부각 되고 있으며, 이에 따라 효율적이고 성능이 좋은 분류시스템의 필요성이 대두되고 있다. 본 연구에서는 기존에 발표된 연구에서 주로 대상으로 삼았던 문서들보다 훨씬 짧은 길이의 1~2문장으로 구성된 문서를 대상으로 하며, 이러한 문서들은 다양한 주제와 형식으로 구성되어 있다. 이러한 문서들은 문맥의 부족, 데이터 불균형 등의 특성이 있기에 발생하는 분류의 어려움이 존재한다. 따라서 해당 특성을 고려하여 다양한 기계학습 알고리즘을 조사하고, 다양한 기계학습 알고리즘에 대한 학습을 진행하여 분류성능을 비교한다. 본 연구에서는 로지스틱 회귀, Support Vector Machine, Random Forest, XGBoost, LSTM, BERT 기법을 사용하였다. 이후 분류성능이 뛰어난 알고리즘을 바탕으로 앙상블 기법을 적용하여 단문 분류에서의 정확도를 5~6% 향상했다.

사물인터넷(IoT: Internet of Things) 기술이 발전하며 각종 센서와 IoT 시스템을 이용하여 다양한 정보를 수집 및 활용하는 스마트팜, 스마트 시티, 스마트 팩토리 등과 같은 자동화시스템이 적극 연구되고 있다. 기존 스마트팜 연구에서는 데이터 수집에만 연구가 집중되어 있고, 수집한 데이터를 바탕으로 최적 관리하는 방법에 관해서는 관련 연구가 많지 않다. 본 논문에서는 IoT 시스템을 이용하여 스마트팜의 환경 데이터를 수집하고, 최적 관리를 위해 드론의 이동 경로 최적화 방법을 제안한다. 연구내용을 검증하기 위해, 구축한 IoT 시스템으로 얻어진 환경 데이터를 바탕으로 관리해야 할 지역을 식별한 후, 드론으로 해당 지역으로 이동하기 위한 최적 경로를 도출한다. 제안한 시스템을 적용하여 스마트팜에서의 드론 경로를 최적화한 결과, 순차 탐색 방법과 비교해 보았을 때, 드론 비행 거리를 평균 44.54% 단축시켰으며, 단순 반복 기반 경로 탐색 알고리즘에 비해 소요 시간을 평균 61.76% 단축시켰다.

본 논문은 지표 투과 레이다(Ground Penetrating Radar, GPR)에서 반사 신호의 불규칙한 변화로 인해 기존 상관 시간 지연 추정기술의 정확도가 저하되는 한계를 해결하기 위해 비상관 시간 지연 추정기법을 제안한다. 공동을 포함한 건물 붕괴 모델을 gprMax를 활용해 구현하고, A-scan 결과를 분석하여 매질의 전파전송시간을 추정하였다. 제안된 교차피크 신호검출방식을 이용한 시간 지연 추정기술은 기존 시간 지연 추정기법보다 정확도 측면에서 백분율 오차율이 대략 90 % 이상의 개선율을 확보할 수 있었다.

도시 내 물자와 사람의 이동 증가로 발생할 수 있는 교통 혼잡 문제를 해결하기 위한 신기술 중 하나인 도심 항공 모빌리티(urban air mobility)에 관한 연구를 다룬다. 도심 항공 모빌리티는 항공을 통해 물품 배송과 승객 운송을 진행해 도시 혼잡을 줄일 수 있다. 본 논문에서는 성공적인 기술 도입과 합리적인 도심 항공 모빌리티 운영을 위해 고려해야 할 결정인 수직이착륙장(vertiport)의 위치와 운영 노선을 결정하는 문제를 다룬 수리적 모형을 제시한다. 본 수리적 모형은 혼합 정수 계획법(mixed integer programming) 형식으로 표현되며, 수직이착륙장과 이에 따른 운영 노선의 수가 증가함에 따라 계산 복잡도가 기하급수적으로 증가하는 NP-난해 문제이다. 이를 해결하기 위해 본 연구에서는 최적화 모형을 활용한 벤더스 분해 알고리즘(Benders' decomposition algorithm)을 이용하여 빠른 시간 내 최적의 의사결정을 찾는 문제 해결 방법론을 제안하고자 한다. 더 나아가, 수치 실험을 통해 본 연구에서 제안한 알고리즘의 우수성을 확인한다.

스마트 팩토리에서 운영되는 여러 센서들을 원활히 사용하기 위해서는 센서의 상태를 지속적으로 모니터링하는 것이 중요하다. 최근, 심층학습 기술의 발달로, 여러 센서들에서 수집되는 다변량 시계열 데이터에 대하여 그래프 신경망 기반의 이상 탐지 모델이 활발히 연구되고 있다. 하지만, 기존 모델들은 주로 단일 스케일에서 도출한 그래프 구조에 의존하여 이상을 탐지하였기에, 모델이 특정 주기에 편향되어 다양한 시간 주기에서 나타나는 이상치를 탐지하기 어려웠다. 이에 본 논문에서는 여러 개의 스케일을 이용하여 시게열 데이터의 장기적 및 단기적 시간 특성을 분석하고, 이러한 특성을 센서 간 상관관계를 학습하는 과정에 반영하는 그래프 신경망 기반의 다변량 시계열 이상 탐지 기법을 제안한다. 공개 공장 센서 데이터셋을 활용한 실험 결과, 여러 개의 스케일을 이용하여 다양한 시간 주기를 반영하는 것이 이상 탐지 성능 개선에 기여할 수 있음을 확인하였다.

급변하는 시장 환경 속에서 고객의 기대치가 높아지고 시장이 성숙기에 접어들면서, 대부분의 기업들은 신규 고객 확보보다 기존 고객을 유지하고 이탈을 방지하는 데 집중하고 있다. 이러한 변화는 서비스 산업에서도 두드러지며, 특히 자동차 정비 서비스 산업은 차량 수 증가와 함께 안정적인 수요를 유지하고 있지만, 차량 보증 만료 이후 고객 이탈이 빈번히 발생하는 문제가 대두되고 있다. 따라서 본 연구는 자동차 정비 서비스 산업에서 고객 이탈을 예측하기 위해 머신러닝 알고리즘을 적용하여 최적의 예측 모델을 구축하고 주요 요인을 분석했다. A기업의 36,010대 실제 차량 데이터를 활용하였으며, 이탈은 고객 방문 주기의 통계적 분석을 통해 정의했다. 연구 결과, XGBoost 모델이 94.2%의 Weighted F1-Score로 가장 우수한 성능을 보였다. 변수 중요도 분석에서는 내부처리건수가 이탈 예측에 가장 중요한 변수로 나타났으며, Confusion Matrix 분석을 통해 이탈 고객을 97%의 정확도로 예측할 수 있음을 확인하였다. 이는 사전에 이탈 가능성이 높은 고객을 식별하고 맞춤형 유지 전략을 설계할 수 있는 가능성을 시사한다. 본 연구는 고객 이탈 정의와 예측 모델 구축에 새로운 접근법을 제시하며, 자동차 정비 서비스 산업에서 효과적인 고객 관리와 유지 전략 수립에 기여할 것으로 기대된다.

본 연구는 국내 언론의 뉴스기사를 바탕으로, 디지털 기술확산 기반의 환자보호 및 리스크 대응 전략을 제안하는 데 목적이 있다. 본 연구는 2018년 1월부터 2024년 12월까지 국내 주요 뉴스 매체에서 제공하는 1,476개의 뉴스기사를 분석 대상으로 선정하였다(검색일: 2025년 1월 21일 기준). 대표적인 키워드로 "의료" OR "의료산업" AND ("인공지능" OR "AI" OR "디지털") AND ("윤리" OR "개인정보" OR "환자보호") 등을 활용하여 뉴스기사 데이터를 수집하였다. 텍스트 네트워크 분석 결과, '규제', '혁신', '기술', '정부' 등의 키워드가 중심성이 높게 나타났다. 에고 네트워크 분석결과, 디지털 혁신기술의 확산은 의료산업의 발전과 환자 보호를 강화할 가능성이 있는 것으로 나타났다. 토픽모델링 분석결과, 디지털 기술은 의료서비스 품질과 효율성을 높이며, 데이터 활용이 환자보호와 건강 관리의 핵심 요소임을 나타냈다. 본 연구 결과는 의료산업에서 디지털 기술 확산으로 인해 초래되는 환자보호와 리스크 대응 전략을 학문적·실무적 관점에서 이해하는 데 활용될 수 있다. 특히, 정부의 정책적 차원에서 환자보호와 리스크 대응 전략의 방향성을 수립할 때, 정책입안자와 헬스케어 관련 디지털 기기/기술 개발자에게 유용한 자료로 활용될 수 있을 것이다.

코로나 19 팬데믹과 함께 ESG 활동이 필수적 영역으로 자리 잡고 있지만 카페와 대학생을 대상으로 한 연구는 부족한 실정이다. 이에 카페의 ESG 활동이 대학생 소비자를 대상으로 소비가치, 기업이미지, 재방문의도에 미치는 관계를 분석하였다. 이를 위해 선행연구를 바탕으로 가설을 제시하고, 온라인 구글 폼을 활용하여 설문지를 수집하였다. 총 230부를 회수하여 27부를 제외한 203부를 연구에 활용하였다. 연구 결과 ESG 활동은 기업이미지에 바로 영향을 미치기보다는 소비가치를 통해 영향을 미치는 것으로 나타났다. 본 연구는 ESG 연구의 대상을 확장했다는 점과 소비가치 개념을 자기지향적 가치와 타인지향적 가치의 하위차원으로 설명할 수 있음을 확인했다는 점에서 의의를 가진다.

기업 파산의 원인은 다양하고 복잡한데, 이를 예측하기 위해 일반적으로 재무 정보가 중요한 지표나 단서로 사용된다. 기업 파산 예측을 위한 모형 개발에 관한 과거 연구는 재무 비율을 활용하거나 예측 정확도 향상을 위해 동태적 접근과 통계적 기법을 활용하였으며, 최근에는 AI와 머신러닝 기법을 도입하여 모델의 발전을 도모하고 있다. 그러나 변수 간 상호작용이나 중요도를 명확히 분석하는 데 부족하거나 체계적으로 규명되지 않은 면이 있다. 이에 본 연구는 기업 파산 예측에 영향력이 높은 재무 비율을 탐색하고 영향력의 정도에 따라 우선 순위를 부여하여 파산 예측 모델의 정확도를 높일 수 있는 요인을 파악하였다. 이를 위해 대만 기업의 파산 정보가 담긴 데이터를 수집하고, R과 Python을 활용한 통계 기법과 NCA를 적용하였다. 연구 결과, '총비용 대비 총수익', '주당 순자산가치', '납입자본 대비 세전순이익', '순자산 성장률' 등의 지표가 파산에 높은 영향력을 가진 변수로 파악되었다.