• 지식경영연구
• /
• 제22권2호
• /
• pp.209-225
• /
• 2021

제품수명주기관리(Product Lifecycle Management)는 8개의 지식영역으로 구성된 잘 정의된 관리방법이다. 4차 산업혁명이 스마트 팩토리와 밀접한 관련이 있기 때문에 궁극적으로 제품의 아이디어 생성에서 폐기까지의 전 과정을 효과적으로 관리하는 제품수명주기관리의 중요성이 부각되고 있다. 본 연구는 제품수명주기관리 분야의 전문가를 대상으로 제품수명주기관리의 지식영역의 현재와 향후 적용정도를 4차 산업혁명의 관점에서 분석하였다. 제품수명주기관리의 지식영역이 현장에서 어느 정도 적용되고 있는지를 현재의 관점과 가까운 미래의 관점에서 전문가 인식을 분석하였다. 제품수명주기관리의 지식영역의 현재 및 미래의 적용정도를 분석하고, 적용정도의 관점에서 지식영역 간의 차이가 있는지를 분석하였다. 분석된 결과를 중심으로 그 의미와 향후 흐름을 제시하였다.

• 디지털융복합연구
• /
• 제16권7호
• /
• pp.55-62
• /
• 2018

미국의 차터스쿨은 규제로부터 자유로우나 결과에 대해 책임지는 선택권 기반의 독립적 공립학교이다. 차터스쿨은 2017년에 출범 25주년을 맞았고 미국 공교육 지평의 하나로 그 위상이 자리를 잡았다. 그러나 단위 차터스쿨에 대한 연구는 아직 미흡한 실정이다. 이 연구의 목적은 성공적인 차터스쿨의 주요 성공요인을 분석하는데 있었다. 이러한 연구 목적을 달성하기 위해 질적연구 접근방법을 선택하여 7차례의 심층면담을 실시하였다. 4명의 교사가 참여하였으며 반구조화된 질문지를 활용하였다. 중요한 연구결과는 다음과 같다. 첫째, 데이튼 차터스쿨의 주요 성공요인으로는 구조적인 요인과 문화적인 요인의 조화를 꼽을 수 있었다. 둘째, 게이트웨이와 어드바이저리는 구조적인 요인의 쌍둥이 시스템으로 작동하였다. 이러한 연구결과는 한국의 교육적 상황에 시사하는 바가 크며, 교육정책적 발전을 위해 활용될 수 있을 것이다.

• 정보과학회 컴퓨팅의 실제 논문지
• /
• 제21권1호
• /
• pp.46-51
• /
• 2015

폭발적으로 증가하는 데이터와 급변하는 기술적 발전은 과거와 현재를 넘어 미래를 예견하고 대응할 수 있는 새로운 분석 패러다임을 요구한다. 지시적 분석은 목표를 설정하고 이를 달성하기 전략을 수립함으로써 분석 결과의 제시에 그치는 게 아니라 사용자에게 목표 달성을 위한 구체적 행동과 그 결과를 요구한다는 점에서 기존의 기술적 분석, 예측적 분석과 근본적인 차이점을 보여준다. 그렇지만, 아직까지 구체적인 구현 방안이 널리 연구되고 있지 않고 있다. 본 연구에서는 연구 역량 강화를 목적으로 개발되고 있는 InSciTe Advisory 사례를 통해 고려할 사항과 어떤 개발 요소들이 필요한 지를 살펴봄으로써 해당 연구 분야의 기반을 제시하고자 한다. InSciTe Advisory 시스템은 5W1H 방법론을 중심으로 연구자가 롤 모델 그룹에 도달하기 위한 전략을 수립할 수 있음을 보이며, 평가 모델을 통해 Elsevier SciVal과 비교하여 126.5%라는 비교 우위적 평가 결과를 얻었다.

• 지능정보연구
• /
• 제26권1호
• /
• pp.135-149
• /
• 2020

인공지능을 기반으로 한 다양한 연구들이 현대사회에 많은 변화를 불러일으키고 있다. 금융시장 역시 예외는 아니다. 로보어드바이저 개발이 활발하게 진행되고 있으며 전통적 방식의 단점을 보완하고 사람이 분석하기 어려운 부분을 대체하고 있다. 로보어드바이저는 인공지능 알고리즘으로 자동화된 투자 결정을 내려 다양한 자산배분 모형과 함께 활용되고 있다. 자산배분 모형 중 리스크패리티는 대표적인 위험 기반 자산배분 모형의 하나로 큰 자산을 운용하는 데 있어 안정성을 나타내고 현업에서 역시 널리 쓰이고 있다. 그리고 XGBoost 모형은 병렬화된 트리 부스팅 기법으로 제한된 메모리 환경에서도 수십억 가지의 예제로 확장이 가능할 뿐만 아니라 기존의 부스팅에 비해 학습속도가 매우 빨라 많은 분야에서 널리 활용되고 있다. 이에 본 연구에서 리스크패리티와 XGBoost를 장점을 결합한 모형을 제안하고자 한다. 기존에 널리 사용되는 최적화 자산배분 모형은 과거 데이터를 기반으로 투자 비중을 추정하기 때문에 과거와 실투자 기간 사이의 추정 오차가 발생하게 된다. 최적화 자산배분 모형은 추정 오차로 인해 포트폴리오 성과에서 악영향을 받게 된다. 본 연구는 XGBoost를 통해 실투자 기간의 변동성을 예측하여 최적화 자산배분 모형의 추정 오차를 줄여 모형의 안정성과 포트폴리오 성과를 개선하고자 한다. 본 연구에서 제시한 모형의 실증 검증을 위해 한국 주식시장의 10개 업종 지수 데이터를 활용하여 2003년부터 2019년까지 총 17년간 주가 자료를 활용하였으며 in-sample 1,000개, out-of-sample 20개씩 Moving-window 방식으로 예측 결과값을 누적하여 총 154회의 리밸런싱이 이루어진 백테스팅 결과를 도출하였다. 본 연구에서 제안한 자산배분 모형은 기계학습을 사용하지 않은 기존의 리스크패리티와 비교하였을 때 누적수익률 및 추정 오차에서 모두 개선된 성과를 보여주었다. 총 누적수익률은 45.748%로 리스크패리티 대비 약 5% 높은 결과를 보였고 추정오차 역시 10개 업종 중 9개에서 감소한 결과를 보였다. 실험 결과를 통해 최적화 자산배분 모형의 추정 오차를 감소시킴으로써 포트폴리오 성과를 개선하였다. 포트폴리오의 추정 오차를 줄이기 위해 모수 추정 방법에 관한 다양한 연구 사례들이 존재한다. 본 연구는 추정 오차를 줄이기 위한 새로운 추정방법으로 기계학습을 제시하여 최근 빠른 속도로 발전하는 금융시장에 맞는 진보된 인공지능형 자산배분 모형을 제시한 점에서 의의가 있다.