• 지능정보연구
• /
• 제21권3호
• /
• pp.53-77
• /
• 2015

국내에서 출원되는 특허건수는 매년 증가하고 있으나, 이러한 특허들 중 상당수는 활용되지 못하고 사장되고 있다. 2012년 국정감사 자료에 따르면, 우리나라 대학 및 공공연구기관이 보유한 특허의 약 73%가 사회적 가치창출로 연결되지 못하는 휴면특허라고 한다. 즉, 대학/연구소 또는 사업화가 어려운 개인이 소유하고 있는 특허가, 이를 필요로 하는 수요기업에 성공적으로 기술 이전되지 못하는 것을 휴면특허 증가의 주요 문제점으로 생각할 수 있다. 본 연구는 급격히 축적되는 방대한 특허 자원들 속에서, 기업의 관심분야에 적합한 지식재산을, 보다 쉽고, 효과적으로 선별할 수 있도록 하는 소셜태깅 기반의 특허 추천플랫폼을 제안한다. 제안된 시스템은 기존 특허들로부터 핵심적인 내용 및 기술 분야를 추출하여 초기 추천을 수행하고, 이후 사용자들의 태그정보가 축적되면, 사회적 지식 (social knowledge)을 추천에 함께 반영하게 된다. 이러한 연구에는 특허청에서 운영하고 있는 KIPRIS(Korea Industrial Property Rights Information Service) 시스템에서 실제 특허자료 총 1638건을 수집한 후, 현재 특허 데이터에는 존재하지 않는 가상의 태그 정보를 추가한 반가상(semi-virtual) 데이터를 구성하여 활용하였다. 제안된 시스템은 프로그래밍 언어 JAVA를 활용하여 핵심 알고리즘을 구현하였으며, 그래픽사용자 인터페이스(Graphic User Interface)에 대한 프로토타입의 설계를 수행하였다. 또한, 시나리오테스트 방식으로 시스템의 운영타당성 및 추천 효과성을 확인하였다.

• 공연문화연구
• /
• 제43호
• /
• pp.293-322
• /
• 2021

<지구용사 벡터맨>은 한국 특촬물 시리즈를 대표하는 작품이자 특촬물 시리즈 중 가장 큰 성공을 거둔 작품이다. 이 작품이 등장할 수 있었던 것은 80년대 중반부터 계속된 일본 특촬물의 인기와 로봇 애니메이션의 유행이 있었기 때문이다. 한국의 텔레비전 방송에서는 어린이 프로그램의 고질적인 문제인 수입프로그램의 범람과 거듭된 재방송으로 인해 국산 어린이 프로그램에 대한 필요성이 꾸준히 대두되고 있었다. 그러나 90년대 중반 한국 애니메이션의 인기가 줄어들면서 애니메이션 제작에 대한 부담감 또한 증가할 수밖에 없었다. 그로 인해 <지구용사 벡터맨>은 애니메이션이 아닌 특촬물로 제작되었는데, 이때 특수효과기술을 방송국에서도 사용할 수 있는 환경이 조성되던 시기적 특성과 맞물려 컴퓨터 시각효과가 적극적으로 사용되었다. <지구용사 벡터맨>이라는 새로운 국산 특촬물 시리즈의 등장에 대한 반응은 폭발적이었다. 벡터맨 시리즈는 이제 우주의 과학기술이라는 모호한 단어 대신 DNA 합성, 뇌세포 변이, 특수심리조종장치 등 구체적인 과학적 용어들을 활용해 우주적 존재들의 능력을 설명한다. 비록 그 과정과 원인에 대해서 상세하게 말할 수는 없으나 공상과학이 아닌 구체적 용어들로 정의되는 모습은, 이제 한국사회에 과학적 상상력이 구체적인 형태로 발현되고 있음을 보여 준다. 그리고 벡터맨과 우주인들의 동등한 관계는 지구의 과학 용어로 설명되는 우주의 과학은 지구로 대변되는 한국 과학 기술 발전에 대한 자신감의 표현이기도 하다. 그러나 여성캐릭터들은 과학의 영역으로 진출하지 못하고 여전히 비과학적 존재로 묘사되며 과학적 인식에 대한 한계를 드러낸다.

• 지능정보연구
• /
• 제28권2호
• /
• pp.127-146
• /
• 2022

최근 워드 임베딩이 딥러닝 기반 자연어 처리를 다루는 다양한 업무에서 우수한 성능을 나타내면서, 단어, 문장, 그리고 문서 임베딩의 고도화 및 활용에 대한 연구가 활발하게 이루어지고 있다. 예를 들어 교차 언어 전이는 서로 다른 언어 간의 의미적 교환을 가능하게 하는 분야로, 임베딩 모델의 발전과 동시에 성장하고 있다. 또한 핵심 기술인 벡터 정렬(Vector Alignment)은 임베딩 기반 다양한 분석에 적용될 수 있다는 기대에 힘입어 학계의 관심이 더욱 높아지고 있다. 특히 벡터 정렬은 최근 수요가 높아지고 있는 분야간 매핑, 즉 대용량의 범용 문서로 학습된 사전학습 언어모델의 공간에 R&D, 의료, 법률 등 전문 분야의 어휘를 매핑하거나 이들 전문 분야간의 어휘를 매핑하기 위한 실마리를 제공할 수 있을 것으로 기대된다. 하지만 학계에서 주로 연구되어 온 선형 기반 벡터 정렬은 기본적으로 통계적 선형성을 가정하기 때문에, 본질적으로 상이한 형태의 벡터 공간을 기하학적으로 유사한 것으로 간주하는 가정으로 인해 정렬 과정에서 필연적인 왜곡을 야기한다는 한계를 갖는다. 본 연구에서는 이러한 한계를 극복하기 위해 데이터의 비선형성을 효과적으로 학습하는 딥러닝 기반 벡터 정렬 방법론을 제안한다. 제안 방법론은 서로 다른 공간에서 벡터로 표현된 전문어 임베딩을 범용어 임베딩 공간에 정렬하는 스킵연결 오토인코더와 회귀 모델의 순차별 학습으로 구성되며, 학습된 두 모델의 추론을 통해 전문 어휘를 범용어 공간에 정렬할 수 있다. 제안 방법론의 성능을 검증하기 위해 2011년부터 2020년까지 수행된 국가 R&D 과제 중 '보건의료' 분야의 문서 총 77,578건에 대한 실험을 수행한 결과, 제안 방법론이 기존의 선형 벡터 정렬에 비해 코사인 유사도 측면에서 우수한 성능을 나타냄을 확인하였다.