• 한국방송∙미디어공학회:학술대회논문집
• /
• 한국방송∙미디어공학회 2021년도 추계학술대회
• /
• pp.235-237
• /
• 2021

코로나 19로 대학교 강의들이 비대면 방식으로 전환되고 있는데, 기존의 교수학습 지원센터는 웹 환경만을 제공한다. 따라서 본 논문에서는 모바일 애플리케이션을 통해 수강생들이 교수학습 지원센터에 쉽게 접근할 수 있도록 도와주는 시스템을 개발하였다. 애플리케이션에서 학생들의 강의 시간 및 시험, 과제 등의 일정을 관리해주고, 푸시 알림을 제공해주는 학습 도우미의 역할을 수행한다. 뿐만 아니라 직관적인 인터페이스, 다크 모드, scroll-to-top 버튼 등을 고려한 디자인으로 사용자의 편리함을 도모한다. 학습 도우미 애플리케이션의 가장 핵심기능 중 하나는 머신러닝 기법 중 비선형 회귀(Non-Linear Regression)을 이용해 성적 데이터를 분석해주는 차별화된 기능이다. 이를 위해 최종적인 성적을 종속변수, 일정 기간까지의 성적을 독립변수로 설정하여 기존의 성적 데이터를 바탕으로 종속변수인 최종성적을 랜덤 포레스트 비선형 회귀분석으로 예측하는 알고리즘을 제시하고자 한다.

• 한국항해항만학회:학술대회논문집
• /
• 한국항해항만학회 2023년도 추계학술대회
• /
• pp.185-187
• /
• 2023

고장 진단은 IoT 장비의 안전성과 효율성을 유지하는데 필요한 기술 중 하나이다. 따라서, 본 연구는 IoT 센서 데이터를 기반한 고장 진단 알고리즘을 개발하는데 목적이 있다. 본 연구는 알고리즘의 효율성을 개선하기 위해 기술통계량을 기반하여 데이터 차원을 축소하였으며, 이를 바탕으로 고장 진단 알고리즘의 정확도 및 연산시간을 개선하였다. 본 연구는 다양한 후보 알고리즘을 활용하여 고장진단을 수행하였으며, 정확도를 기반으로 가장 우수한 알고리즘을 선정하였다. 연구 결과, Isolation Forest 알고리즘이 가장 뛰어난 분류 결과를 나타내었다. 본 연구결과를 통해 IoT 센서의 안전성과 신뢰성을 향상시키는 데 도움을 줄 수 있다.

• 한국정보처리학회:학술대회논문집
• /
• 한국정보처리학회 2021년도 추계학술발표대회
• /
• pp.434-436
• /
• 2021

의료산업은 진단 및 치료 위주의 기술개발이 진행되어왔다. 최근 의료 빅데이터를 기반으로 진단, 치료 및 재활뿐만 아니라 예방과 예후관리까지 지원하는 의료서비스에 대한 패러다임이 변화되고 있다. 특히, 여러 의료 중심의 플랫폼 기술 가운데 객관적인 진단지표를 가지고 있는 의료영상을 기반으로 인공지능 학습에 적용하여 진단 및 예측을 중심으로 한 플랫폼 개발이 진행되고 있다. 하지만, 인공지능 연구에는 많은 학습 데이터가 요구될 뿐만 아니라 학습에 적용하기 위해서는 데이터 특성에 따른 전처리 기술과 분류 작업에 많은 시간 소요되어 이와 같은 문제점을 해결할 수 있는 방법들이 요구되고 있다. 따라서, 본 논문은 인공지능 학습까지 적용하기 위한 의료영상 데이터에 대한 확장 모델을 개발하여 공통적인 조건에 따라 의료영상 데이터가 표준화되어 변환하며, 자동화 시스템 구조에 따라 데이터가 분류·저장되어 인공지능 학습까지 지원할 수 있는 플랫폼을 제안하고자 한다. 그리고 근감소증 학습데이터 관리 및 적용 결과를 통해 플랫폼의 수행성을 검증하였다. 향후 제안한 플랫폼을 통해 의료데이터에 대한 전처리, 분류, 관리까지 지원함으로써 CDM 확장 표준 의료데이터 플랫폼으로 활용 가능성을 보였다.

• 한국수자원학회논문집
• /
• 제54권spc1호
• /
• pp.1183-1193
• /
• 2021

Low flow는 하천수의 공급관리 및 계획, 관개용수 등 다양한 분야에 영향을 미친다. 이러한 유황곡선을 산정하기 위해서는 30년 이상의 충분한 기간의 유량자료의 확보가 필수적이다. 하지만 국가하천 단위 이하의 하천의 경우 장기간의 유량자료가 없거나 중간에 일정기간 동안 결측된 관측소가 있어 하천별 유황 곡선을 산정하기에 한계가 있다. 이에 과거에는 미계측 유역의 유황을 예측하기 위해 다중회귀분석(Multiple Regression Analysis), ARIMA 모형 등 통계학적 기반의 기법들을 사용하였지만, 최근에는 머신러닝, 딥러닝 모형의 수요가 증가하고 있다. 이에 본 연구에서는 최신 패러다임에 맞는 머신러닝 기법인 DNN기법을 제시한다. DNN기법은 ANN기법의 단점인 학습과정에서 최적 매개변수 값을 찾기 어렵고, 학습시간이 느린 단점을 보완한 방법이다. 따라서 본연구에서는 DNN 모형을 이용하여 미계측 유역에 적용 가능한 유황곡선을 산정하고자 한다. 먼저, 유황곡선에 영향을 미치는 인자들을 수집하고 인자들 간의 다중공선성 분석을 통해 통계적으로 유의한 변수를 선정하여, 머신러닝 모형에 입력자료를 구축하였다. 통계적 검증을 통해 머신러닝 기법의 효용성을 검토하였다.

• 정보처리학회논문지:컴퓨터 및 통신 시스템
• /
• 제9권12호
• /
• pp.291-306
• /
• 2020

오늘날 데이터 네트워크 AI (DNA) 기반 지능형 서비스 및 애플리케이션은 비즈니스의 삶의 질과 생산성을 향상시키는 새로운 차원의 서비스를 제공하는 것이 현실이 되었다. 인공지능(AI)은 IoT 데이터(IoT 장치에서 수집한 데이터)의 가치를 높이며, 사물 인터넷(IoT)은 AI의 학습 및 지능 기능을 촉진한다. 딥러닝을 사용하여 대량의 IoT 데이터에서 실시간으로 인사이트를 추출하려면 데이터가 생성되는 IoT 단말 장치에서의 처리능력이 필요하다. 그러나 딥러닝에는 IoT 최종 장치에서 사용할 수 없는 상당 수의 컴퓨팅 리소스가 필요하다. 이러한 문제는 처리를 위해 IoT 최종 장치에서 클라우드 데이터 센터로 대량의 데이터를 전송함으로써 해결되었다. 그러나 IoT 빅 데이터를 클라우드로 전송하면 엄청나게 높은 전송 지연과 주요 관심사인 개인 정보 보호 문제가 발생한다. 분산 컴퓨팅 노드가 IoT 최종 장치 가까이에 배치되는 엣지 컴퓨팅은 높은 계산 및 짧은 지연 시간 요구 사항을 충족하고 사용자의 개인 정보를 보호하는 실행 가능한 솔루션이다. 본 논문에서는 엣지 컴퓨팅 내에서 딥러닝을 활용하여 IoT 최종 장치에서 생성된 IoT 빅 데이터의 잠재력을 발휘하는 현재 상태에 대한 포괄적인 검토를 제공한다. 우리는 이것이 DNA 기반 지능형 서비스 및 애플리케이션 개발에 기여할 것이라고 본다. 엣지 컴퓨팅 플랫폼의 여러 노드에서 딥러닝 모델의 다양한 분산 교육 및 추론 아키텍처를 설명하고 엣지 컴퓨팅 환경과 네트워크 엣지에서 딥러닝이 유용할 수 있는 다양한 애플리케이션 도메인에서 딥러닝의 다양한 개인 정보 보호 접근 방식을 제공한다. 마지막으로 엣지 컴퓨팅 내에서 딥러닝을 활용하는 열린 문제와 과제에 대해 설명한다.

• 한국엔터테인먼트산업학회논문지
• /
• 제15권4호
• /
• pp.349-357
• /
• 2021

최근 급속히 보편화되고 확대되는 드론의 비행 데이터가 엔터테인먼트 기술 분석 자료로 활용이 가능한지의 검증이 매우 필요하다. 특히, 자율화, 지능화의 방법으로 발전하는 엔터테인먼트 드론의 비행과 운용과정을 데이터 분석과 기계학습을 통해서 분석 및 활용할 수 있는지를 확인해야 한다. 본 논문에서는 엔터테인먼트용 드론의 평가에 FC의 데이터를 이용하여 머신러닝 기법으로 활용할 수 있는지를 확인하였다. 그 결과 매빅2나 아나피와 같은 DJI나 Parrot의 FC 데이터는 엔터테인먼트를 위한 머신러닝 분석이 불가능하였다. 이는 데이터가 0.1초 이상의 간격으로 수집됨으로써 GCS와의 다른 데이터들과의 상관성을 찾기 불가능하기 때문이다. 이에 반하여 ARM 프로세서를 채용하여 Nuttx 운영체제로 작동하는 픽스호크의 경우에는 머신러닝 기법의 적용이 가능함을 알 수 있었다. 앞으로 고정익과 회전익 비행 정보들을 구분하여 엔터테인먼트의 특성 분석이 가능한 기술들을 발전시켜야 한다. 이를 위해서는 모델을 개발하고 체계적인 데이터 수집과 연구가 진행되어야 할 것이다.

• 한국ITS학회 논문지
• /
• 제22권4호
• /
• pp.1-13
• /
• 2023

본 연구는 이동통신 로그 데이터를 통해 산출된 교통량 정보를 활용하여 기존 검지기에 준하는 교통량 정보를 추정하기 위해, 머신러닝의 앙상블 기법을 기반으로 하는 최적의 이동통신 기반 교통량 추정 모형을 개발하는 것이다. 이동통신 데이터를 통해 계측된 교통량 등의 정보와 VDS 실측 데이터를 활용하여 머신러닝 모형들을 통해 비교·분석한 결과, LightGBM 모형이 교통량 추정의 최적모형으로 선정되었다. 국도 1, 3, 6호선 검지영역 96개소를 대상으로 교통량 추정 모형의 성능을 평가한 결과, 전체 검지영역의 경우 MAPE 8.49로 교통량 추정 정확도가 91.51%로 분석되었다. VDS가 설치되지 않은 구간의 경우 교통량 추정 정확도는 92.6%로, VDS 설치가 어려운 구간에서도 LightGBM 교통량 추정 모형이 적용 가능하였다.

• 문화기술의 융합
• /
• 제4권2호
• /
• pp.197-204
• /
• 2018

현재 우리가 사는 21세기에서 가장 핫한 이슈중 하나는 AI이다. 농경사회에서 산업혁명을 통해 육체노동의 자동화를 이루었듯이 정보사회에서 SW혁명을 통해 지능정보사회가 도래햇다. Google '알파고'의 등장으로 인해 컴퓨터가 스스로 학습하고 예측하는 machine learning (머신러닝) 사례를 보면서 이제 바둑의 세계 까지 인간이 컴퓨터를 이길 수 없는, 다시 말하면 컴퓨터가 인간을 뛰어넘는 시대가 왔다. 기계학습ML(machine learning)은 인공 지능 분야로, 인공지능 컴퓨터가 인간을 뛰어넘는 시대가 도래했다. 기계학습ML(machine learning)은 인공지능의 분야로, 인공지능 컴퓨터가 혼자 학습 하도록 알고리즘 기술 개발을 하는 뜻을 의미하는데, 많은 기업들이 머신러닝을 바둑의 세계까지 인간이 컴퓨터를 이길 수 없는, 다시 말하면 컴퓨터가 인간을 뛰어넘는 시대가 왔다. 많은 기업들이 머신러닝을 용하는데 그 예로는 Facebook에서 이미지를 계속 학습하여 나중에 그 이미지가 누구인지 알려주는 것도 머신러닝의 한 사례이다. 또한 구글의 데이터 센터 최적화를 위해서 효율적인 에너지 사용 모델 구축을 위해 neural network(신경망)을 활용하였다. 또 다른 사례로 마이크로소프트의 실시간 통역 모델은 번역 학습을 통해 언어관련 인풋 데이터가 증가할수록 더 정교한 번역을 해주는 모델이다. 이처럼 많은 분야에 머신러닝이 점차 쓰이면서 이제 우리 21세기 사회에서 앞으로 나아가려면 AI산업으로 뛰어들어야 한다.

• 한국농림기상학회지
• /
• 제25권2호
• /
• pp.80-98
• /
• 2023

본 연구에서는 계절내-계절(Subseasonal to seasonal, S2S) 기후예측의 주별 예측 성능을 개선하기 위해서 딥러닝 기반의 후보정(post processing) 기술을 개발하였다. 그 첫 단계로, 일 최고, 최저기온과 일 강수를 목표 변수로, 자료의 특성과 분포에 적합한 자료 변환 및 특성 공학 기법을 규명하고자 하였다. 먼저, 6개 개별 기후모델의 S2S 예측 자료를 딥러닝 모델에 입력하기 위한 훈련자료로 변환하고, 이로부터 다중모델앙상블(Multi-Model Ensemble, MME) 기반 훈련자료를 구축하였다. 참값(label)으로는 ECMWF의 ERA5 재분석 자료를 사용하였다. 자료 변환 알고리즘은 최고 및 최저 차이를 계산하여 입력자료의 범위를 변형시키는 MinMax 및 MaxAbs 변환, 표준편차를 이용하는 Standard 변환 및 분위수를 지정하여 변형하는 Robust와 Quantile 변환으로 구성된 전처리 파이프라인을 구축하였으며, 변환된 훈련자료와 예측 변수와의 상관관계를 계산하여 순위에 따라 훈련자료의 특성을 선택하는 특성 선택 기법을 추가하였다. 본 연구는 U-Net 모델에 TimeDistributed wrapper를 모든 합성곱 층(convolutional layer)에 적용하여 활용하였다. 5개 알고리즘으로부터 변환된 6개 개별 기후모델 및 MME S2S 훈련자료(일 최고 및 최저기온, 강수)에 훈련 모델을 적용한 결과와 훈련 모델을 적용하지 않은 결과를 ERA5와의 공간상관계수(spatial Pattern Correlation Coefficient)를 계산하고 그 개선율인 기술 점수(skill score)를 평가한 결과, 일 강수의 PCC 기술 점수는 Standard 및 Robust 변환으로 처리된 것에서 전체 예측선행(1~4주)에 대해 모두 높았고, 일 최고 및 최저기온에서는 예측 선행시간 3~4주에서만 높게 나타났다. 또한, 일 강수에서 특성 선택에 따른 훈련자료의 차원 감소가 예측 성능 변화에 영향을 미치지 않는 것으로 나타났다. 일 최고 및 최저기온의 경우에는 특성 선택에 의한 훈련자료의 특성 정보 감소가 오히려 예측 성능을 저하시킬 수 있는 것으로 확인되었으며, 원시자료에서 예측성이 높은 1~2주 기온 예측 개선을 위한 적합한 전처리 변환 알고리즘이나 특성 선택을 찾을 수 없었다. 후속 연구에서는 원시 예측 성능이 강수에 비해 높으나 딥러닝 훈련 모델에 의한 후보정 효과가 미미한 예측 선행 1~2주 기온 예측의 저조 원인에 대해 탐색하고, 다양한 딥러닝 훈련 모델로의 적용 및 초매개변수 조정 등 학습 과정의 최적화를 통해 S2S 기후 예측 성능을 개선하고자 한다.

• 대한원격탐사학회지
• /
• 제36권6_2호
• /
• pp.1591-1604
• /
• 2020

본 연구는 고해상도 위성영상을 딥러닝 알고리즘에 적용하여 토지피복을 분류하고 공간객체별 알고리즘의 성능 검증에 대한 연구이다. 이를 Fully Convolutional Network계열의 알고리즘을 선정하였으며, Kompasat-3 위성영상, 토지피복지도 및 임상도를 활용하여 데이터셋을 구축하였다. 구축된 데이터셋을 알고리즘에 적용하여 각각 최적 하이퍼파라미터를 산출하였다. 하이퍼파라미터 최적화 이후 최종 분류를 시행하였으며, 전체 정확도는 DeeplabV3+가 81.7%로 가장 높게 산정되었다. 그러나 분류 항목별로 정확도를 살펴보면, 도로 및 건물에서 SegNet이 가장 우수한 성능을 나타내었으며, 활엽수, 논의 항목에서 U-Net이 가장 높은 정확도를 보였다. DeeplabV3+의 경우 밭과 시설재배지, 초지 등에서 다른 두 모델보다 우수한 성능을 나타내었다. 결과를 통해 토지피복 분류를 위해 하나의 알고리즘 적용에 대한 한계점을 확인하였으며, 향후 공간객체별로 적합한 알고리즘을 적용한다면, 높은 품질의 토지피복분류 결과를 산출할 수 있을 것으로 기대된다.