성균관대학교 스마트팩토리융합학과

본문 바로가기
주메뉴 바로가기
서브메뉴 바로가기

일반대학원 스마트팩토리융합학과
(석사 30명, 박사 5명)

홈페이지 방문을 환영합니다.

Read More

2016년 세계최초 스마트팩토리융합학과 신설

글로벌 선도 미래인재 양성, 지역수요 맞춤형 전문인력 양성, 산학협력 친화형 인재양성

Read More

지산학 연계·협력을 통한 선순환 체계 구축

기업수요기반 캡스톤디자인, 현장실습 운영

Read More

미래성장동력 육성을 통한 글로벌 미래변화 선도

2025 英QS 세계 대학순위 국내 톱5

Read More

제조분야 R&D 활성화로 기술혁신 선도

국내 최고수준 연구실적, 글로벌 연구역량 확보

Read More

Notice

News

석사과정 공석현, SCIE 논문지(MDPI applied sciences/Q1) 게재
2025-05-07
석사과정 공석현 학생(지도교수: 정종필)의 연구(SPT-AD: Self-Supervised Pyramidal Transformer Network-Based Anomaly Detection of Time Series Vibration Data)가 MDPI applied sciences(Impact Factor: 2.5 (2023); 5-Year Impact Factor: 2.7 (2023))에 게재됐다. https://www.mdpi.com/2076-3417/15/9/5185 / https://doi.org/10.3390/app15095185 논문요약 - Bearing fault diagnosis is a key factor in maintaining the stability and performance of mechanical systems, necessitating reliable methods for anomaly detection and prediction. Unlike traditional conservative maintenance approaches, the importance of predictive maintenance where real-time condition monitoring enables proactive preventive measures has been growing steadily. In this study, we propose a deep learning method that effectively discriminates between normal and abnormal bearing conditions, while predicting potential faults in advance. To achieve this, we develop a time series anomaly detection model based on a supervised learning transformer architecture. Our proposed model tackles the data imbalance issue by generating four types of synthetic anomalies from normal vibration data and incorporates a pyramid-structured attention module to reduce computational costs and enhance the handling of long-term dependencies. Experimental results on real bearing vibration datasets demonstrate improved F1-scores over 6%p compared to existing models and demonstrate a significant reduction in computational costs in specific experimental environments. By reliably identifying and predicting bearing faults at an early stage, this research contributes to reducing maintenance costs and improving system stability. Furthermore, it is expected to have wide applicability for state monitoring and anomaly detection in various rotating machinery systems.

'AI 에이전트경제' 시대가 온다
2025-03-27
2024년이 인공지능(AI) 도입의 해였다면 2025년은 피지컬(Physical) AI 기반 인공지능 혁신의 해이다. 인공지능 기반 혁신은 사물인터넷(IoT)의 스마트화, 생각과 사고의 새로운 디자인 역량, 모든 시스템의 지능화, 생산활동의 수행 및 서비스에서의 점진적 혹은 급진적인 변화를 일컫는 말이다. 이러한 혁신 결과를 새로운 경험과 발명이라고 한다. 따라서 AI는 모든 조직의 경쟁력을 생성해주는 핵심 역량이자 자동화의 새로운 재정의, 더 나아가 자율 제조 활동부터 의료 서비스 혁신에 이르기까지 산업 전반에 걸쳐 큰 도약을 거듭하고 있다. 목표달성 위한 최적 조치 스스로 선택 AI 에이전트는 모든 산업에서 인공지능을 활용할 때 반드시 주목해야 할 트렌드로 떠오르고 있다. 인공지능 에이전트는 환경과 상호 작용하고, 데이터를 수집하고, 데이터를 사용하여 사전 결정된 목표를 달성하기 위해 필요한 작업을 스스로 결정해서 수행할 수 있는 소프트웨어 프로그램이다. 사람이 목표를 설정하면 AI 에이전트는 목표를 달성하기 위해 필요한 최적의 조치를 독립적으로 선택한다. 예를 들어 고객 문의를 해결해야 하는 상담 센터 AI 상담원을 생각해 보자. 상담원은 자동으로 고객에게 여러 질문을 하고, 내부 문서의 정보를 조회하고, 해결책을 찾아 대응한다. 고객의 대답에 따라 고객 문의 자체를 해결할 수 있는지 아니면 사람에게 전달해야 하는지 결정한다. 기업의 새로운 혁신 관점에서 데이터를 처리하고, 의사 결정을 내리고, 지속적으로 학습하는 AI 에이전트의 능력은 조직의 효율성과 혁신에 대한 접근 방식을 변화시키고 있다. 따라서 AI 에이전트는 응용 AI의 차세대 진화이자 혁신의 시작이다. 동시에 지식 기반 도구에서 복잡한 다단계 워크플로를 실행할 수 있는 시스템으로 전환하는 생성형 AI의 차세대 개척자이다. 또한 가트너는 2025년까지 AI 에이전트가 사람의 안내 없이 기업 관련 업무를 수행하는 최고의 기술 트렌드가 될 것으로 전망했다. 뿐만 아니라 IBM은 AI 에이전트가 환경과 더욱 풍부하게 상호작용하도록 진화하고 있으며, 이를 통해 기업이 비즈니스 목표를 보다 효과적으로 달성할 수 있다고 강조한다. 더 나아가 포레스터(Forrester)는 AI 에이전트를 AI 혁신의 새로운 단계로 설명하고 있으며 2025년까지 AI의 가장 떠오르는 애플리케이션으로 꼽았다. 플랫폼 경제와 AI 에이전트 경제의 가장 큰 차이점은 연결 방식과 주도권에 있다. 플랫폼 경제에서는 플랫폼이 중심이 되어 정보와 서비스를 제공하고, 사용자들은 플랫폼이 설정한 규칙과 알고리즘에 따라 상호 작용한다. 또한 플랫폼은 사용자들을 연결하고 정보와 서비스를 제공하지만, 플랫폼이 설정한 규칙과 알고리즘에 따라 사용자 활동이 제한될 수 있다. 예를 들어, 택시 호출 플랫폼에서는 사용자가 직접 택시 기사를 선택하거나 협상할 수 없고, 플랫폼이 제공하는 정보와 알고리즘에 의존해야 한다. 그 밖에 플랫폼 경제의 아마존, 쿠팡, 이베이, 당근마켓, 인스타그램과 같은 플랫폼이 중앙 집중식 연결을 제공하는 대표적 예이다. 신뢰성·안전성 확보돼야 성공적 안착 AI 에이전트 경제에서는 개인이 AI 에이전트를 통해 정보와 서비스에 접근하며, 에이전트가 사용자의 목표 달성을 위해 주도적으로 활동한다. 예를 들어, 쇼핑 AI 에이전트는 사용자의 취향과 예산에 맞는 상품을 찾아 추천하고, 최적의 가격으로 협상하여 구매를 대행할 수 있다. 또한 AI 에이전트는 사용자를 대신하여 투자하거나 콘텐츠를 제작하여 수익을 창출할 수도 있다. AI 에이전트 경제는 플랫폼 경제의 문제점, 즉 플랫폼의 독점과 정보 비대칭 문제를 해결하고, 개인에게 더 많은 선택권과 권한을 부여할 수 있는 잠재력을 가지고 있다. AI 에이전트 경제가 성공적으로 안착하기 위해서는 몇 가지 과제를 해결해야 한다. 이를 위해 AI 에이전트의 신뢰성과 안전성이 확보되어야 한다. AI 에이전트가 사용자의 이익을 위해 책임감 있게 행동하도록 윤리적인 개발과 규제도 필요하다. 특히 데이터 프라이버시 보호 관점에서 AI 에이전트가 사용자 데이터를 안전하게 관리하고 개인 정보를 침해하지 않도록 하는 기술적, 제도적 장치도 중요하다. 또 다른 측면은 새로운 비즈니스 모델 개발이다. AI 에이전트 개발 및 운영 비용을 감당하고 지속 가능한 수익을 창출할 수 있는 새로운 비즈니스 모델을 개발해야 한다.

코스메카코리아, 성균관대와 스마트팩토리 인재 양성 협약 체결
2025-03-04
뷰티 산업의 디지털 혁신(DX) 기반 마련…글로벌 시장 경쟁력 강화 AI · 데이터 기반 스마트팩토리 구축…산학 협력 통해 전문 인력 양성 [팜뉴스=김태일 기자] 코스메카코리아(대표이사 조임래)가 성균관대학교와 협력해 스마트팩토리 구축을 위한 핵심 인재 양성에 나선다. 코스메카코리아는 지난 달 28일 성균관대학교와 협약을 체결하고, AI 및 데이터 기반 제조 혁신을 주도할 전문 인력 양성에 협력하기로 했다. 이번 협약을 통해 산업 현장에서 요구되는 첨단 기술 역량을 갖춘 인재를 배출하고, 스마트팩토리 기술 도입을 가속화함으로써 글로벌 경쟁력을 한층 강화할 계획이다. 특히, 이번 협약의 핵심인 채용조건형 석사 과정은 기업 실무와 학업을 병행할 수 있도록 설계됐다. 코스메카코리아는 해당 과정에 참여하는 학생들에게 졸업 후 기업에서 DX(디지털 전환) 관련 실무 경험을 쌓을 수 있는 기회를 제공한다. 코스메카코리아는 이번 협약을 계기로 △생산 공정 자동화 △빅데이터 기반 분석 △AI를 활용한 생산 최적화 등 첨단 기술을 접목해 생산성과 품질을 극대화하고, 글로벌 시장에서의 입지를 더욱 공고히 할 방침이다. 코스메카코리아 관계자는 “AI 기반 제조 혁신을 이끌 차세대 인재를 확보함으로써 스마트팩토리 기술력을 한층 고도화하고, 이를 통해 글로벌 시장에서의 도약을 가속화 할 것”이라며 “코스메카코리아는 미래형 제조 기술과 지속가능한 생산방식을 결합해 글로벌 뷰티 산업을 선도하는 기업으로 자리매김하겠다”고 말했다. 출처 : 팜뉴스(https://www.pharmnews.com)

박사과정 최항서, SCIE 논문지(MDPI Processes/Q2) 게재
2025-02-27
박사과정 최항서 학생(지도교수 : 정종필)의 연구(Domain-Specific Manufacturing Analytics Framework: An Integrated Architecture with Retrieval-Augmented Generation and Ollama-Based Models for Manufacturing Execution Systems Environments)가 MDPI Processes(Impact Factor: 2.8 (2023); 5-Year Impact Factor: 3.0 (2023))에 게재됐다. https://www.mdpi.com/2227-9717/13/3/670 or https://doi.org/10.3390/pr13030670 논문요약 - To support data-driven decision-making in a Manufacturing Execution System (MES) environment, a system that can quickly and accurately analyze a wide range of production, quality, asset, and material information must be deployed. However, existing MES data management approaches rely on predefined queries or report templates that lack flexibility and limit real-time decision support. In this paper, we proposes a domain-specific Retrieval-Augmented Generation (RAG) architecture that extends LangChain’s capabilities with Manufacturing Execution System (MES)-specific components and the Ollama-based Local Large Language Model (LLM). The proposed architecture addresses unique MES requirements including real-time sensor data processing, complex manufacturing workflows, and domain-specific knowledge integration. It implements a three-layer structure: an application layer using FastAPI for high-performance asynchronous processing, an LLM layer for natural language understanding, and a data storage layer combining MariaDB, Redis, and Weaviate for efficient data management. The system effectively handles MES-specific challenges such as schema relationships, temporal data processing, and security concerns without exposing sensitive factory data. This is an industry-specific, customized approach focusing on problem-solving in manufacturing sites, going beyond simple text-based RAG. The proposed architecture considers the specificity of data sources, real-time and high-availability requirements, the reflection of domain knowledge and workflows, compliance with security and quality control regulations, and direct interoperability with MES systems. The architecture can be further enhanced through integration with various manufacturing systems, an advanced LLM, and distributed processing frameworks while maintaining its core focus on MES domain specialization.

석사과정 이윤정, SCIE 논문지(MDPI Energies/Q1) 게재
2025-02-07
석사과정 이윤정 학생(지도교수 : 정종필)의 연구(TSMixer- and Transfer Learning-Based Highly Reliable Prediction with Short-Term Time Series Data in Small-Scale Solar Power Generation Systems)가 MDPI Energies(Impact Factor: 3.0 (2023); 5-Year Impact Factor: 3.0 (2023))에 게재됐다. https://www.mdpi.com/1996-1073/18/4/765 or https://doi.org/10.3390/en18040765 논문요약 - With the surge in energy demand worldwide, renewable energy is becoming increasingly important. Solar power, in particular, is positioning itself as a sustainable and environmentally friendly alternative, and is increasingly playing a role not only in large-scale power plants but also in small-scale home power generation systems. However, small-scale power generation systems face challenges in the development of efficient prediction models because of the lack of data and variability in power generation owing to weather conditions. In this study, we propose a novel forecasting framework that combines transfer learning and dynamic time warping (DTW) to address these issues. We present a transfer learning-based prediction system design that can maintain high prediction performance even in data-poor environments. In the process of developing a prediction model suitable for the target domain by utilizing multi-source data, we propose a data similarity evaluation method using DTW, which demonstrates excellent performance with low error rates in the MSE and MAE metrics compared with conventional long short-term memory (LSTM) and Transformer models. This research not only contributes to maximizing the energy efficiency of small-scale PV power generation systems and improving energy independence but also provides a methodology that can maintain high reliability in data-poor environments.

박사과정 최항서, SCIE 논문지(MDPI machines/Q2) 게재
2025-01-25
박사과정 최항서 학생(지도교수: 정종필)의 연구(A Conceptual Framework for a Latest Information-Maintaining Method Using Retrieval-Augmented Generation and a Large Language Model in Smart Manufacturing: Theoretical Approach and Performance Analysis)가 MDPI machines(Impact Factor: 2.1 (2023); 5-Year Impact Factor: 2.2 (2023))에 게재됐다. https://doi.org/10.3390/machines13020094 or https://www.mdpi.com/2075-1702/13/2/94 논문요약 - In the modern manufacturing environment, the ability to collect and refine data in real time to deliver high-quality data is increasingly important in maintaining a competitive advantage and operational efficiency. This paper proposes a conceptual architectural framework for the continuous knowledge updating of Retrieval-Augmented Generation-Large Language Model-based systems in a smart factory environment. The proposed framework provides theoretical models and validation methodologies, laying the groundwork for future practical implementations. Existing Retrieval-Augmented Generation-Large Language Model systems rely on static knowledge bases that are not able to effectively reflect new information in a real-time, changing manufacturing environment. The proposed framework design uses a data stream processing layer, a data integration layer, and a continuous learning layer as core components; in particular, the knowledge integration layer provides a mechanism for the efficient processing of real-time data and continuous learning. This study is significant in that it presents a mathematical model and a systematic verification methodology that can quantitatively predict the performance and scalability of the proposed architecture, thus providing practical design guidance for the implementation of Retrieval-Augmented Generation-Large Language Model systems in smart factory environments. This paper is organized as follows: Materials and Methods provides a detailed description of the architecture and methodology. Theoretical Analysis and Discussion covers the theoretical analysis and discussion, including performance prediction models, validation methodologies, and their practical implications. Finally, Conclusions summarizes the research findings and outlines directions for future work.

25년 트랜드는 '인공지능 에이전트 경제 시대' - 스마트팩토리융합학과 박정수 교수
2025-01-23
지난해가 AI 도입의 해였다면 올해는 AI 혁신의 해라 할 수있다. 인공지능 기반 혁신(AI based innovation)은 △사물(IoT)의 스마트화 △생각과 사고의 새로운 디자인(Thinking Design) 역량 △모든 시스템 지능화, 생산활동 수행·서비스 점진적 혹은 급진적 변화를 일컫는다. 이러한 혁신의 결과를 새로운 경험과 발명이라 한다. AI는 조직 경쟁력을 생성해주는 핵심 역량이자 자동화의 새로운 재정의, 자율 제조 활동부터 의료 서비스 혁신까지 산업 전반에 걸쳐 도약을 거듭하고 있다. 인공지능 에이전트(AI Agent)는 모든 산업에서 인공지능을 활용할 때 개념(PoC)에서 실행(PoW)으로 전환함에 있어 2025년 주목해야 할 트렌드로 떠오르고 있다. 환경과 상호 작용하고 데이터를 수집하고 데이터를 사용하고 사전 결정된 목표를 달성하기 위해 필요한 작업을 스스로 결정해 수행할 수 있는 소프트웨어 프로그램이다. 사람이 목표를 설정하면 AI 에이전트는 목표를 달성하기 위해 필요한 최적의 조치를 독립적으로 선택한다. 고객 문의를 해결해야 하는 상담센터 AI 상담원을 생각해 보자. 상담원은 자동으로 고객에게 질문을 하고 내부 문서 정보를 조회하고 해결책을 찾아 대응한다. 고객의 대답에 따라 고객 문의 자체를 해결할 수 있는지 아니면 사람에게 전달해야 하는지 결정한다. 소프트웨어, 개발자 결정작업 자율적 완료 AI 에이전트를 정의하는 주요 원칙은 모든 소프트웨어는 소프트웨어 개발자가 결정한 작업을 자율적으로 완료한다. AI 또는 지능형 에이전트가 특별한 이유는 무엇일까. AI 에이전트는 합리적인 에이전트다. AI 에이전트는 자신이 인지한 내용과 데이터를 기반으로 합리적인 결정을 내려 최적의 성과와 결과를 도출한다. AI 에이전트는 물리적 또는 소프트웨어 인터페이스로 환경을 감지한다. 예를 들어 로봇 에이전트가 센서 데이터를 수집하고 챗봇은 고객 쿼리를 입력으로 사용한다. 그 후 AI 에이전트가 이러한 데이터를 적용해 정보에 입각한 결정을 내린다. AI 에이전트는 수집된 데이터를 분석해 사전 결정된 목표를 뒷받침하는 최상의 결과를 예측한다. AI 에이전트 구축 관점에서 사용자 지정 자율 에이전트를 어떻게 만들 것인가. 이러한 시스템은 단순한 자동화에 그치지 않고 복잡한 다단계 작업을 자율적으로 처리할 수 있어야 한다. 기업들은 운영을 간소화하고 고객 경험을 개선하며 개개인이나 팀이 전략적 업무에 집중할 수 있도록 AI 에이전트를 도입하고 있다. 플랫폼 경제와 AI 에이전트 경제의 가장 큰 차이점은 연결 방식과 주도권에 있다. 플랫폼 경제는 플랫폼이 중심이 돼 정보와 서비스를 제공하고 사용자들은 플랫폼이 설정한 규칙과 알고리즘에 따라 상호 작용한다. 플랫폼은 사용자들을 연결하고 정보와 서비스를 제공하지만 플랫폼이 설정한 규칙과 알고리즘에 따라 사용자 활동이 제한될 수 있다. 택시 호출 플랫폼에서 사용자가 택시 기사를 선택하거나 협상할 수 없고 플랫폼이 제공하는 정보와 알고리즘에 의존해야 한다. 그 밖에 플랫폼 경제의 아마존, 쿠팡, 이베이, 당근마켓, 인스타그램과 같은 플랫폼이 중앙 집중식 연결을 제공하는 대표적인 예다. AI에이전트, 사용자 대신 콘텐츠 제작 수익 창출 반면 AI 에이전트 경제에서는 분산화된 연결, 개인 중심의 주도권으로 개인이 AI 에이전트를 통해 정보와 서비스에 접근하고, 에이전트가 사용자의 목표 달성을 위해 주도적으로 활동한다. AI 에이전트 경제는 개인이 AI 에이전트를 통해 정보와 서비스에 접근하며 에이전트가 사용자의 목표 달성을 위해 주도적으로 활동한다. 사용자는 자신의 목표와 선호도에 따라 AI 에이전트를 선택하고 활용할 수 있으며 에이전트는 사용자를 대신해 정보를 수집하고 분석하고 협상하며 거래를 생성할 수 있다. 쇼핑 AI 에이전트는 사용자 취향과 예산에 맞는 상품을 찾아 추천하고 최적 가격으로 협상해 구매를 대행할 수 있다. AI 에이전트는 사용자를 대신해 투자 하거나 콘텐츠를 제작해 수익을 창출할 수 있다. 그러나 AI 에이전트 경제로 전환을 위해서는 기회와 과제가 상존한다. AI 에이전트 경제는 플랫폼 경제의 문제점, 즉 플랫폼의 독점과 정보 비대칭 문제를 해결하고 개인에게 더 많은 선택권과 권한을 부여할 수 있는 잠재력을 가지고 있다. 하지만 AI 에이전트 경제가 성공적으로 안착하기 위해 몇 가지 과제를 해결해야 한다. AI 에이전트 신뢰성과 안전성이 확보되어야 한다. AI 에이전트가 사용자의 이익을 위해 책임감 있게 행동하도록 윤리적인 개발과 규제도 필요하다. 결론적으로 AI 에이전트 경제는 정보와 서비스에 대한 접근 방식과 주도권을 변화시키며 새로운 경제 패러다임을 제시한다. AI 에이전트 경제의 성공 여부는 앞서 언급된 과제들을 해결하고 인간과 AI 에이전트의 협력을 통해 새로운 가치를 창출하는 데 있다. 초개인화 시대에 따른 개별적인 맞춤형 AI 에이전트, 개인 맞춤형 영업 지원, 개인 맞춤형 AI 쇼핑객은 이제 기업이 개인의 요구를 충족하는 몇 가지 방법일 뿐이다. 초개인화는 차세대 차별화 요소다. 위탁생산과 유통, 의료, 금융 등의 업계에서는 고객 참여를 강화하고 충성도를 구축하기 위해 초개인화를 도입해야 한다. 개인화된 쇼핑 여정부터 맞춤형 금융 조언까지 모든 디지털 상호 작용은 고유한 기능을 갖추게 됐다. AI 발전이 개인화된 고객 경험으로 이어지고 있으며 기업들은 AI를 활용해 개인의 선호도에 맞게 상호작용해 서비스를 맞춤화하고 있다. 2025년에는 더 많은 기업이 AI에 투자함에 따라 이러한 개인화 기능은 더욱 확대될 것으로 전망된다.

석사과정 김태용, SCIE 논문지(MDPI machines/Q2) 게재
2025-01-02
석사과정 김태용 학생(지도교수: 정종필)의 연구(A Novel FS-GAN-Based Anomaly Detection Approach for Smart Manufacturing)가 MDPI machines(Impact Factor: 2.1 (2023); 5-Year Impact Factor: 2.2 (2023))에 게재됐다. https://doi.org/10.3390/machines13010021 or https://www.mdpi.com/2075-1702/13/1/21 논문요약 - In this study, we present the few-shot generative adversarial network (FS-GAN) model, which integrates few-shot learning and a generative adversarial network with an unsupervised learning approach (AnoGAN) to address the challenges of anomaly detection in smart-factory manufacturing environments. Manufacturing processes often encounter malfunctions or defective parts that disrupt production and compromise product quality. However, collecting and labeling sufficient data to detect anomalies is time-intensive, and abnormal data are rare, leading to data imbalances. The FS-GAN model leverages few-shot learning to enable accurate predictions with minimal data and uses the generative capabilities of AnoGAN to mitigate the scarcity of abnormal data by generating synthetic normal data. Experimental results demonstrate that FS-GAN outperforms existing models in terms of accuracy and learning speed, even with limited datasets, effectively addressing the data imbalance problem inherent in manufacturing. The model reduces dependency on extensive data collection and labeling efforts, making it suitable for real-world applications. Through reliable and efficient anomaly detection, FS-GAN contributes to production reliability, product quality, and operational efficiency in smart factories. This study highlights the potential of FS-GAN to provide a cost-effective and high-performance solution to the challenges of anomaly detection in the manufacturing industry.

'개방형 혁신' 시대의 생존전략 - 스마트팩토리융합학과 박정수 교수
2024-11-26
정보통신 발달로 세상이 초연결 사회가 되고 4차 산업혁명 영향으로 산업 사이의 경계가 허물어지고 있다. 산업과 업종의 구분이 모호해지는 것을 ‘빅블러(Big Blur) 현상’이라고 한다. 산업과 업종이 명확했던 전통적 비즈니스 모델이 수명을 다하고 경계없는 비즈니스가 개방형 혁신을 통해 자리를 채워나가고 있다. 빅블러는 생산자 역할, 소비자 역할, 기업 관심사, 서비스 역할, 비즈니스 모델, 산업 장벽, 경쟁 범위 등 다양한 측면에서 사용자와 소비자의 경험 디자인(UX-Design)에 의해서 작용하는 동시다발적 새로운 힘을 나타내고 있다. 산업·업종 구분 모호한 ‘빅블러’ 가속화 사람과 사물(공간·생물·정보·비즈니스 등)이 물리·가상공간의 경계 없이 서로 유기적으로 연결되어 소통하고 상호작용하는 만물인터넷(Internet of Everything)이 보편화되는 사회를 ‘초연결사회’라고 한다. 이런 시대를 배경으로 사물인터넷(IoT), 핀테크, 생성형·적응형 인공지능(AI)이 등장했다. 빅블러 현상의 핵심은 업(業)의 확장이다. 빅블러 현상에서 사물인터넷, 핀테크, 생성형·적응형 AI는 대표적 예시다. 핀테크는 금융 기술 혁신으로, 금융 서비스와 기술의 융합으로 경계가 모호해지며 송금, 대출, 투자 등에서 변화가 발생하고 융합되는 서비스이다. 더 나아가 핀테크를 앞세운 스타트업은 전통적 금융 서비스의 경계를 무너뜨린다. 첫째, 온라인으로 도서를 팔던 아마존의 변신은 빅블러 시대의 대표적 사례다. 아마존은 정보기술을 기반으로 전자상거래는 물론, 미디어 유통기업을 넘어 세계 1위 클라우드 기업으로 떠오르고 있다. 여기에 더해서 금융사로의 확장도 이뤄지고 있다. 전자상거래 플랫폼에서 지급결제, 은행 계좌, 대출보험 등 경계를 넘는 서비스를 제공하며 축적한 1억4000만 명의 고객은 아마존이 언제든 금융사로 변신할 수 있는 기반으로 평가받는다. 둘째, 커피전문점으로 78개국에 진출해 있는 스타벅스도 빅블러 사례를 보여준다. 스타벅스 모바일 결제 시스템 ‘사이렌 오더(Siren Order)’ 이용자 수는 미국에서만 2340만 명을 돌파했다. 이들이 사이렌 오더에 충전한 금액은 약 20억 달러(한화 약 2조8000억 원)를 넘어선 것으로 추정된다. 스타벅스는 이 예치금으로 아르헨티나 은행 방코 갈리시아와 파트너 계약을 맺었고, 실제 오프라인 은행지점을 오픈하며 글로벌 핀테크 기업으로 거듭나고 있다. 셋째, 전기차 제조사인 테슬라는 미국에서 자동차 보험사업을 기존 보험사와 다른 차별화로 보험사업을 키우고 있다. 여기에 AI 기술로 차량의 주행데이터를 분석, 개별 운전자의 사고 위험을 계산해 보험료를 책정한다. 사고율을 낮추는 보험 서비스를 제공하면서 테슬라 자동차 판매 충성도까지 높이고 있다. ‘AI 전환’으로 산업 주도권 선점해야 끝으로, 애플은 온라인동영상서비스(OTT)인 애플TV+를 출시했을 뿐만 아니라 전 세계적으로 재생 에너지 활용 범위를 확장하겠다는 새로운 발전 계획을 발표했다. 애플은 미국과 유럽에서 태양광 에너지 부문에 새로 투자해 소비자가 애플 기기를 충전하고 켜는 데 사용하는 전력을 재생 에너지로 대체하고자 한다. 스마트폰 제조사의 친환경 투자로 성과에 박차를 가하는 에너지 정책(RE100)은 지속가능한 고객만족 경영의 새로운 ESG(환경·사회·지배구조) 경영이다. 기업들이 적극적으로 디지털 전환을 넘어 인공지능 전환을 추진해 빅블러 생존전략으로 글로벌 산업 주도권을 선점해야 한다는 목소리가 나오는 까닭이다.

석사과정 정민준, SCIE 논문지(MDPI Electronics/Q2) 게재
2024-11-21
석사과정 정민준 학생(지도교수 : 정종필)의 연구(Hybrid-DC: A Hybrid Framework Using ResNet-50 and Vision Transformer for Steel Surface Defect Classification in the Rolling Process)가 MDPI Electronics(Impact Factor: 2.6 (2023); 5-Year Impact Factor: 2.6 (2023))에 게재됐다. https://www.mdpi.com/2079-9292/13/22/4467 / https://doi.org/10.3390/electronics13224467 논문요약 - This study introduces Hybrid-DC, a hybrid deep-learning model integrating ResNet-50 and Vision Transformer (ViT) for high-accuracy steel surface defect classification. Hybrid-DC leverages ResNet-50 for efficient feature extraction at both low and high levels and utilizes ViT’s global context learning to enhance classification precision. A unique hybrid attention layer and an attention fusion mechanism enable Hybrid-DC to adapt to the complex, variable patterns typical of steel surface defects. Experimental evaluations demonstrate that Hybrid-DC achieves substantial accuracy improvements and significantly reduced loss compared to traditional models like MobileNetV2 and ResNet, with a validation accuracy reaching 0.9944. The results suggest that this model, characterized by rapid convergence and stable learning, can be applied for real-time quality control in steel manufacturing and other high-precision industries, enhancing automated defect detection efficiency.

prev next

Schedule

오늘의 행사 이달의 행사

Read More

read more

SKKU Movie

SKKU News & Notice

News
Notice
Press
Research

Link