발전기금
-
- [연구] 석사과정 공석현, SCIE 논문지(MDPI applied sciences/Q1) 게재
- 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.
-
- 작성일 2025-05-07
- 조회수 281
-
- [교수] 'AI 에이전트경제' 시대가 온다
- 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.
-
- 작성일 2025-03-27
- 조회수 334
-
- [기업] 코스메카코리아, 성균관대와 스마트팩토리 인재 양성 협약 체결
- 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)
-
- 작성일 2025-03-04
- 조회수 103
-
- [연구] 박사과정 최항서, SCIE 논문지(MDPI Processes/Q2) 게재
- 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.
-
- 작성일 2025-02-27
- 조회수 359
-
- [연구] 석사과정 이윤정, SCIE 논문지(MDPI Energies/Q1) 게재
- 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.
-
- 작성일 2025-02-07
- 조회수 432
-
- [연구] 박사과정 최항서, SCIE 논문지(MDPI machines/Q2) 게재
- 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.
-
- 작성일 2025-01-25
- 조회수 401
-
- [교수] 25년 트랜드는 '인공지능 에이전트 경제 시대' - 스마트팩토리융합학과 박정수 교수
- 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.
-
- 작성일 2025-01-23
- 조회수 121
-
- 석사과정 김태용, SCIE 논문지(MDPI machines/Q2) 게재
- 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.
-
- 작성일 2025-01-02
- 조회수 501
-
- [교수] '개방형 혁신' 시대의 생존전략 - 스마트팩토리융합학과 박정수 교수
- 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.
-
- 작성일 2024-11-26
- 조회수 161
-
- [연구] 석사과정 정민준, SCIE 논문지(MDPI Electronics/Q2) 게재
- 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.
-
- 작성일 2024-11-21
- 조회수 560
-
- [학생] 2024 캡스톤디자인 경진대회 수상 - 이지은, 김태용, 공석현 연구원
- 성균관대학교 스마트팩토리융합학과, 2024년 캡스톤디자인 경진대회 성료 성균관대학교 LINC 3.0 사업단은 '2024년도 캡스톤디자인(Capstone Design) 경진대회'를 열고 우수 작품에 대한 시상식을 개최했다. LINC 3.0 사업단은 창의적 종합설계 능력을 갖춘 우수한 현장 전문가를 양성할 취지로 재학생을 대상으로 'LINC3.0 2024년도 캡스톤디자인(Capstone Design) 경진대회'를 열었다. 이 날 창의적인 작품을 출품하여 스마트팩토리융합학과 AI Factory팀이 입상했다. 학과에서는 학생들이 창의력, 팀워크, 리더십을 더욱 키울 수 있도록 캡스톤디자인 성과 확산과 교육 활성화, 우수사례 공유 등을 추진해 나갈 방침이다. ▲ 성균관대학교 AI Factory팀 수상 내역
-
- 작성일 2024-11-12
- 조회수 760
-
- [연구] 석사과정 조예창, SCIE 논문지(MDPI machines/Q2) 게재
- 석사과정 조예창 학생(지도교수: 노상도)의 연구(Design and Implementation of Digital Twin Factory Synchronized in Real-Time Using MQTT)가 MDPI machines(Impact Factor: 2.1 (2023); 5-Year Impact Factor: 2.2 (2023))에 게재됐다. https://www.mdpi.com/2075-1702/12/11/759 / https://doi.org/10.3390/machines12110759 논문요약 - As information technology progresses, the need for digital transformation within the industrial sector has become increasingly apparent, and digital twin technology has emerged as a significant trend in manufacturing. Digital twins synchronize physical and digital environments, overcoming spatial and temporal limitations to create various added values that are unattainable in reality. This paper presents a model that integrates digital twin technology with production and operational technologies at manufacturing sites, enabling remote, centrally controlled manufacturing services that transcend physical constraints. Specifically, by utilizing Message Queuing Telemetry Transport (MQTT) for real-time synchronization, this approach ensures efficient and timely data transfer between physical and digital environments. While traditional approaches often encounter challenges due to high investment costs and design complexities, this paper proposes a cost-effective and practical solution that reflects actual factory conditions.
-
- 작성일 2024-10-29
- 조회수 762
-
- [교수] 인간처럼 사고하는 인공지능은 가능한가 - 스마트팩토리융합학과 박정수 교수
- 이미 세계는 인공지능이 정복했거나 지배할 것이다. 강한 인공지능(Strong AI)은 어떤 문제를 실제로 사고하고 해결할 수 있는 컴퓨터 기반의 인공적인 지능을 만들어 내는 것에 관한 영역이다. 즉, 인공지능의 강한 형태는 지각력이 있고, 자동화를 넘어 자율 주행 로봇(Autonomous Mobile Robot)처럼 스스로를 인식하는 것이라고 말할 수 있다. 인공지능이 노벨상을 수상했다. 1982년 '타임즈(Times)'가 올해의 인물로 사람이 아닌 컴퓨터(PC)를 선정한 이후 42년만에 인공지능이 인류사회에 공헌한 공로를 인정받은 셈이다. 2024년 노벨상은 인공지능 연구자들이 휩쓸고 있다. 노벨물리학상에는 인공 신경망 연구의 기초를 닦은 석학 존 홉필드(John J. Hopfield) 프린스턴대 명예교수와 제프리 힌튼(Geoffrey Hinton) 토론토대 교수가 선정되었고, 노벨화학상 역시 데이비드 베이커(David Baker) 워싱턴대 교수, 데미스 허사비스(Sir Demis Hassabis) 구글 딥마인드 최고경영자, 존 점퍼(John M. Jumper) 딥마인드 수석연구원 등 인공지능 융합연구자들에게 수여되었다. 특히 스웨덴 왕립과학원 노벨위원회는 노벨물리학 수상자들에 대하여 “물리학에서 신소재 개발 등 광범위한 분야에서 인공 신경망을 사용한다”는 점에서 이들의 노력은 인류에게 큰 혜택을 주었다고 평가했다. 노벨화학상 수상자들에 대하여 “신약 후보 물질 발굴의 강력한 게임체인저로 떠오른 단백질 3차원 구조를 예측하는 인공지능을 개발하였다”고 그 공로를 설명했다. 노벨상 수상자들에게 공통적으로 보여지는 중요한 특징은, 무엇보다도 인공지능을 활용한 기존 시스템과의 접목과 융합연구로 인류에게 혜택을 제공하고 있다는 점이다. 데이비드 베이커가 뉴턴의 명언을 인용해서 말했듯이 “거인들의 어깨 위에 올라서 있었기 때문에” 노벨상을 받았다는 그의 소감은 단지 겸양의 미덕만은 아닐 것이다. 앞선 선각자들과 과학자들로부터 지식과 경험과 지혜를 얻고 이어가는데 특정 학문과 경계에 대한 집착이 무슨 소용이 있을까? 모든 경계를 뛰어넘어 오로지 잘 계승하고 융합하는 것이 중요할 것이다. 그런 점에서 2024년 인공지능 관련한 노벨상 수상자들 역시 경계를 초월한 ‘초융합의 달인’이라고 하겠다. (대학에서 공부하여 딴 학위를 넘어서) 좁은 학문의 경계를 허물고 현실의 문제해결을 위해 학제적·초융합의 방법으로 임하고 있다는 점, 또 인류가 직면한 현실적인 문제해결을 위한 인공지능을 필수적으로 사용하거나 개발하고 있다는 점에서 찬사를 받고 있다. 젠슨 황 엔비디아 창업자 겸 최고경영자(CEO)가 인공지능(AI)이 5년 내로 인간이 치르는 모든 시험을 통과할 수 있을 것으로 전망했다(24.03). 그는 “목표를 어떻게 정의하느냐에 따라 답이 크게 달라진다”면서 “'인간처럼 생각하는 것'을 ‘인간의 시험을 통과할 수 있는 능력’으로 정의하면 인간 수준의 인식을 가진 ‘범용 인공지능(AGI: Artificial General Intelligence)이 곧 등장할 것”이라고 말했다. 따라서 범용 인공지능(AGI)가 바로 강한 인공지능(Strong AI)이다. 더 나아가 AGI(범용 인공지능)를 이해하기 위해서는 특정 목적 인공지능(Narrow AI)에 대한 이해가 우선 필요하다. 특정 목적만을 수행하기 위해 개발된 특정 목적 인공지능(Narrow AI)은 주어진 특정 분야나 한정된 작업에 대해 인간 수준 혹은 그 이상의 성능을 보여주는 인공지능을 일컫는다. 즉 인간의 역량으로 수행하기 어려운 방대한 양의 데이터 분석, 반복적이고 복잡한 수학적인 연산 등을 컴퓨터 파워를 활용하기 위해 인공지능 모델을 만들어내는 것이 '특정 목적 인공지능(Narrow AI)'의 일반적인 생각이다. 반면 '범용 인공지능(AGI)'는 다양한 분야에서 인간과 유사한 학습, 이해, 추론 능력을 지닌 지능의 형태를 지향(志向)한다. 이런 의미에서 범용 인공지능(AGI)는 Full AI 혹은 'Strong AI'라고도 불린다. 인간은 언어 학습, 예술 창작, 문제 해결 등 다양한 분야에서 일정 수준의 능력을 발휘할 수 있는데, 범용 인공지능(AGI)의 목표는 이러한 인간의 일반적인 지능을 컴퓨터에서 재현하는 것이다. 궁극적으로 컴퓨터 파워가 인간과 동등한 수준의 창의적 사고와 문제 해결 능력을 유연하게 가지게 하는 것을 포함한다. 이처럼 인공지능은 경쟁 구도를 바꾸는 빅데이터의 힘을 증명하고 있다. 특히 합성생물학 분야, 즉 미래 화장품과 제약 산업 뿐만 아니라 산업 전반에 새로운 '게임 체인저'로 등장해서 그 실력을 입증한 셈이다. 따라서 기존에 하던 걸 인공지능으로 대체하는 범용 인공지능(AGI) 시대를 준비해야 한다. 왜냐하면 그것이 지속가능한 '경험 기반의 기능 가치(MX-based Design)'이기 때문이다. 박정수 성균관대학교 스마트팩토리 융합학과 교수 ※ 외부 인사 원고는 본지의 편집 방향과 일치하지 않을 수 있습니다.
-
- 작성일 2024-10-29
- 조회수 163
-
- [연구] 석사과정 위태욱, SCIE 논문지(MDPI applied sciences/Q1) 게재
- 석사과정 위태욱 학생(지도교수: 정종필)의 연구(D2-SPDM: Faster R-CNN-Based Defect Detection and Surface Pixel Defect Mapping with Label Enhancement in Steel Manufacturing Processes)가 MDPI applied sciences(Impact Factor: 2.5 (2023); 5-Year Impact Factor: 2.7 (2023))에 게재됐다. https://www.mdpi.com/2076-3417/14/21/9836 / https://doi.org/10.3390/app14219836 논문요약 - The steel manufacturing process is inherently continuous, meaning that if defects are not effectively detected in the initial stages, they may propagate through subsequent stages, resulting in high costs for corrections in the final product. Therefore, detecting surface defects and obtaining segmentation information is critical in the steel manufacturing industry to ensure product quality and enhance production efficiency. Specifically, segmentation information is essential for accurately understanding the shape and extent of defects, providing the necessary details for subsequent processes to address these defects. However, the time-consuming and costly process of generating segmentation annotations poses a significant barrier to practical industrial applications. This paper proposes a cost-efficient segmentation labeling framework that combines deep learning-based anomaly detection and label enhancement to address these challenges in the steel manufacturing process. Using ResNet-50, defects are classified, and faster region convolutional neural networks (faster R-CNNs) are employed to identify defect types and generate bounding boxes indicating the defect locations. Subsequently, recursive learning is performed using the GrabCut algorithm and the DeepLabv3+ model based on the generated bounding boxes, significantly reducing annotation costs by generating segmentation labels. The proposed framework effectively detects defects and accurately defines them, even in randomly collected images from the steel manufacturing process, contributing to both quality control and cost reduction. This study presents a novel approach for improving the quality of the steel manufacturing process and is expected to enhance overall efficiency in the steel manufacturing industry.
-
- 작성일 2024-10-28
- 조회수 589
-
- [연구] 석사과정 정수현, SCIE 논문지(MDPI applied sciences/Q1) 게재
- 석사과정 정수현 학생(논문지도: 정종필)의 연구(BAT-Transformer: Prediction of Bus Arrival Time with Transformer Encoder for Smart Public Transportation System)가 MDPI applied sciences(Impact Factor: 2.5 (2023); 5-Year Impact Factor: 2.7 (2023))에 게재됐다. https://www.mdpi.com/2076-3417/14/20/9488 / https://doi.org/10.3390/app14209488 논문요약 - In urban public transportation systems, the accuracy of bus arrival time prediction is crucial to reduce passenger waiting time, increase satisfaction, and ensure efficient transportation operations. However, traditional bus information systems (BISs) rely on neural network models, which have limited prediction accuracy, and some public transportation systems have non-fixed or irregular arrival times, making it difficult to directly apply traditional prediction models. Therefore, we used a Transformer Encoder model to effectively learn the long-term dependencies of time series data, and a multi-headed attentional mechanism to reduce the root mean square error (RMSE) and lower the mean absolute percentage error (MAPE) compared to other models to improve prediction performance. The model was trained on real bus-operation data collected from a public data portal covering the Gangnam-gu area of Seoul, Korea, and data preprocessing included missing value handling, normalization and one-hot encoding, and resampling techniques. A linear projection process, learnable location-encoding technique, and a fully connected layer were applied to the transformer-encoder model to capture the time series data more precisely. Therefore, we propose BAT-Transformer, a method that applies a linear projection process, learnable location-encoding technique, and a fully connected layer using bus data. It is expected to help optimize public transportation systems and show its applicability in various urban environments.
-
- 작성일 2024-10-17
- 조회수 751
-
- [일반] 제6회 스마트공장구축 및 생산자동화전 SMATEC 2024 전시회 부스 참가 안내 - 스마트팩토리융합학과
- 안녕하세요, 성균관대학교 스마트팩토리융합학과 입니다. 제6회 스마트공장구축 및 생산자동화전 SMATEC 2024 전시회 참가 안내드립니다. 학과에서도 부스를 운영 중이오니 관심있는 분들은 방문하시어 많은 참여부탁드립니다. 홈페이지를 통해 사전신청(무료입장)을 할 수 있습니다. 행사명 SMATEC 2024 기 간 2024년 11월 6일(수) ~ 11월 8일(금), 3일간 장 소 경기도 수원시 영통구 광교중앙로 140(하동) 수원컨벤션센터 예상규모 130업체 320부스 전시구성 컨퍼런스,참가업체세미나,전시장 관람 (자동화설비관,공장자동화관,스마트공장솔루션관) 등 자세한 사항 홈페이지(http://www.smatec.or.kr/) 및 붙임의 온라인초청장 참고부탁드립니다. 감사합니다.
-
- 작성일 2024-10-13
- 조회수 881
-
- [연구] 석사과정 이지원, SCIE 논문지(MDPI applied sciences/Q1) 게재
- 석사과정 이지원 학생(논문지도: 정종필, 박천수)의 연구(Distributed Fire Classification and Localization Model Based on Federated Learning with Image Clustering)가 MDPI applied sciences(Impact Factor: 2.5 (2023); 5-Year Impact Factor: 2.7 (2023))에 게재됐다. https://www.mdpi.com/2076-3417/14/20/9162 / https://doi.org/10.3390/app14209162 논문요약 - In this study, we propose a fire classification system using image clustering based on a federated learning (FL) structure. This system enables fire detection in various industries, including manufacturing. The accurate classification of fire, smoke, and normal conditions is an important element of fire prevention and response systems in industrial sites. The server in the proposed system extracts data features using a pretrained vision transformer model and clusters the data using the bisecting K-means algorithm to obtain weights. The clients utilize these weights to cluster local data with the K-means algorithm and measure the difference in data distribution using the Kullback–Leibler divergence. Experimental results show that the proposed model achieves nearly 99% accuracy on the server, and the clustering accuracy on the clients remains high. In addition, the normalized mutual information value remains above 0.6 and the silhouette score reaches 0.9 as the rounds progress, indicating improved clustering quality. This study shows that the accuracy of fire classification is enhanced by using FL and clustering techniques and has a high potential for real-time detection.
-
- 작성일 2024-10-13
- 조회수 769
-
- [연구] 석사과정 신윤경, SCIE 논문지(MDPI Water/Q2) 게재
- 석사과정 신윤경 학생(지도교수 : 정종필)의 연구(LSTM-Autoencoder Based Detection of Time-Series Noise Signals for Water Supply and Sewer Pipe Leakages)가 MDPI Water(Impact Factor: 3.0 (2023); 5-Year Impact Factor: 3.3 (2023))에 게재됐다. https://www.mdpi.com/2073-4441/16/18/2631 or https://doi.org/10.3390/w16182631 논문요약 - The efficient management of urban water distribution networks is crucial for public health and urban development. One of the major challenges is the quick and accurate detection of leaks, which can lead to water loss, infrastructure damage, and environmental hazards. Many existing leak detection methods are ineffective, especially in complex and aging pipeline networks. If these limitations are not overcome, it can result in a chain of infrastructure failures, exacerbating damage, increasing repair costs, and causing water shortages and public health risks. The leak issue is further complicated by increasing urban water demand, climate change, and population growth. Therefore, there is an urgent need for intelligent systems that can overcome the limitations of traditional methodologies and leverage sophisticated data analysis and machine learning technologies. In this study, we propose a reliable and advanced method for detecting leaks in water pipes using a framework based on Long Short-Term Memory (LSTM) networks combined with autoencoders. The framework is designed to manage the temporal dimension of time-series data and is enhanced with ensemble learning techniques, making it sensitive to subtle signals indicating leaks while robustly dealing with noise signals. Through the integration of signal processing and pattern recognition, the machine learning-based model addresses the leak detection problem, providing an intelligent system that enhances environmental protection and resource management. The proposed approach greatly enhances the accuracy and precision of leak detection, making essential contributions in the field and offering promising prospects for the future of sustainable water management strategies.
-
- 작성일 2024-10-13
- 조회수 849
-
- [교수] 2024 화순국제백신·면역치료포럼 개최 -스마트팩토리융합학과 박정수 교수(연사)
- 2024 화순국제백신•면역치료포럼 Hwasun International Vaccine and Immunotherapy Forum 2024 사전등록 및 자세한 사항 홈페이지 참조 (hivif.org) 10월 24일(목) | DAY 1 시간 프로그램 연사 09:40~10:10 30' 개회식 10:10~10:30 20' 휴식 [글로벌 전문가 포럼] 미래지향적 백신과 면역치료 기술 10:30~12:00 90' 새롭게 부상하는 바이러스 당단백질: 바이러스의 침입과 조립, 그리고 백신과 항바이러스제 개발까지 헥터 아길라르 카레노 미국 바이러스학회 회장 / 코넬대학교 수의과대학 미생물 및 면역학과 교수 재생의학 분야의 개발현황 및 성과 하디 TS 카기모토 Healios 대표 AI기반 면역치료기술 연구: RNA 백신과 RNA 치료제 중심으로 남진우 한양대학교 생명과학과 교수/ 한국연구재단 국책연구본부 차세대바이오단 단장 새로운 팬데믹을 대비하기 위해 나아갈 길: 100일 미션 신가이 마칭아이즈 IPPS 과학기술 전문가 그룹 공동 의장 12:00-13:30 90' 오찬 [산업체 전문가 포럼] 백신과 면역치료 기업 혁신 사례 13:30~16:00 150' 세포•유전자 치료의 폐쇄형 모듈식(Closed Modular) GMP 제조를 통한 면역치료 발전 송포륭 써모 피셔 사이언티픽 세포유전자치료제팀 아시아태평양지역기술지원팀 리더 AI기술을 적용한 백신공정 설계 최적화 김혜미 SK바이오사이언스 디지털혁신실 DX팀장 바이러스 유사입자 플랫폼을 활용한 바이오 의약품 개발 김홍진 ㈜포스백스 대표이사 바이러스 산업의 지능형 자율제조를 위한 AX(Artificial Intelligence Transformation) 기반 Smart Factory 구축 전략 박정수 성균관대학교 소프트웨어융합 대학 스마트팩토리융합학과 교수 항암 면역 세포 치료제 개발회사 박셀바이오의 현재와 미래 신의철 박셀바이오 전략기획 본부장 16:00~16:20 20' 휴식 16:20~17:10 50' [패널 토의] 백신과 면역치료 발전 토론회 17:10~17:30 20' 폐회식
-
- 작성일 2024-10-11
- 조회수 501
-
- [교수] '생성형 AI로 기업 경쟁력 키워야'-스마트팩토리융합학과 박정수 교수
- 계산과 연산은 모두 수학적인 작업을 처리하는 것이지만, 그 방법과 목적에 차이가 있다. 먼저, 계산은 숫자나 수식을 이용하여 값을 계산하는 작업을 말한다. 예를 들어, 사칙연산이나, 제곱근, 로그 함수 등의 수학 함수를 이용하여 값을 계산할 수 있다. 계산은 주로 값을 구하거나, 값을 비교하거나, 변화를 추적하기 위해 사용된다. 반면, 연산은 컴퓨터가 수행하는 작업을 말한다. 연산은 주로 데이터를 처리하거나, 문제를 해결하기 위한 알고리즘을 적용하기 위해 사용된다. 연산은 주로 논리 연산, 비교 연산, 비트 연산 등을 수행한다. 따라서 계산과 연산의 공통점은 모두 수학적인 작업으로, 정확한 값을 계산하거나, 문제를 해결하기 위해 사용된다는 점이다. 또한, 계산과 연산은 모두 컴퓨터에서 자동화되어 처리될 수 있다. 이를 위해 메모리 반도체와 시스템 로직 반도체 칩이 필요했고 최근 들어 인공지능 반도체 수요가 폭발적이다. 패러다임(Paradigm)이란 한 시대의 보편적 사고의 틀이나 인식의 체계를 말한다. 예를 들어 지구를 중심으로 우주가 돌고 있다는 천동설도 케플러의 법칙(Kepler's laws)과 뉴턴의 물리학이 근대 과학을 이끌면서 지동설이라는 새로운 패러다임으로 전환되었다.이렇게 하나의 패러다임이 새로운 패러다임으로 바뀔 때는 이를 유발하는 요인이 나타나기 마련인데, 이를 흔히 특이점(singularity)이라고 부른다. 이 특이점은 새로이 발견되는 자연법칙 혹은 물리법칙일수도 있고, 새 발명품이거나 획기적인 아이디어일 수도 있다. 이런 특이점의 예로, 개인용 컴퓨터와 인터넷, 스마트폰, 생성형 인공지능(Generative AI) 등이 있다. 인공지능은 기호주의와 연결주의로 나눠 생각해 볼 수 있다. 기호주의(Symbolism)는 컴퓨터 작동 방식에 맞게 기호와 규칙을 사용하는 규칙 기반 (Rule-based) 인공지능으로 오래전부터 지금까지 지속적으로 사용되고 있는 방식이며, 연결주의(Connectivism)는 인간 뇌의 정보 처리 과정에서 영감을 받은 AI 연구 방식이다. 이는 인공지능이 연산과 계산의 패러다임 전환을 야기하는 까닭이다. 1956년 냇 로체스터, 마빈 민스키, 존 메카시, 클로드 새넌 등이 다트머스 대학 워크샵에서 인공지능이란 용어를 처음 사용했으며 기호주의(Symbolism)는 인공지능을 규칙과 논리중심으로, 즉 인간의 사고로부터 접근하는 것이다. 그리고 연결주의(Connectivism)은 1년 뒤(1957년) 프랭크 로젠블라트가 뇌의 학습 기능을 모델화한 퍼셉트론(Perceptron)을 제안했다. 퍼셉트론은 인공신경망의 아주 초기의 형태이다. 뉴런의 연결과 데이터로부터 문제를 풀겠다는 접근방식이다. 이 두 접근방식이 경쟁적으로 비슷한 시기에 시작을 했다. 초반 30년은 기호주의의 전성기였다. 특히 인공지능 분야를 개척한 과학자(기호주의) 마빈 민스키는 퍼셉트론은 입력변환에서 A,B를 생각하였을 경우 A가 참인 경우, B는 거짓이거나 A가 거짓인 경우 B가 참이 아니면 안된다. 즉 A,B가 서로 상반하고 있는 조건일 때에만 결과를 참으로 하는 논리를 배타적 논리합(Exclusive OR)과 같은 단순한 계산도 못한다고 주장하였다. 그러나 1980년대 인공지능 분야를 개척한 과학자(연결주의) 제프리 힌턴이 역전파 알고리즘의 개량 버전을 내놓으면서 연결주의의 부할을 하게되는 듯 했으나 우여곡절은 지속되었다. 그러나 2012년 알렉스넷(Alexnet)이라는 프로그렘으로 이미지넷(ImageNet)이라는 화상 인식 대회에서 충격적인 수준의 품질로 우승을 하게된다. 이는 연결주의의 부활을 알리는 신호였다. 그 후 2015년에 ResNet, MS, 2016년 알파고, DeepMind, 그 결과 2018년 제프리 힌턴 교수는 컴퓨터 노벨상이라는 튜링상을 수상한다. 그리고 5년 정도 지나 구글브레인에서 논문을 발표한다. 그 내용은 대규모 언어 모델(LLM)이다. 이를 뜯어보면 트랜스포머(Transformer) 구조로 되어 있고 그 핵심은 어텐션(Attention:집중/주의)이라는 기술이며, 논문 제목은 당신이 필요한 것은 집중이다(Attention is all you need). 이는 챗 GPT의 원형이 된 논문이며, 이후로 어텐션(뉴진스 - Attention 아님) 구조는 최초에 제안되었던 자연어 처리(NLP) 분야는 물론 Computer Vision 분야와 Time Series 분야까지 다양한 분야에서 적용되고 있다. 또한 그해 말에 구글 딥마인드에서 유전자 변이를 찾는 인공지능을 개발했고, 천년의 도전이라는 단백질 3차원 구조를 거의 정복한 아주 인상적인 산출물을 내놓았다. 2021년에 구글의 LaMDA가 나오고, 2022년말에 챗GPT가 서비스를 시작했다. 2023년과 2024년에 구글에서 바드와 제미나이를 연속적으로 출시했다. 이와 같은 인공지능의 전반적인 공통 기반 기술이 “트랜스포머 어텐션”이며, 따라서 연산과 계산의 패러다임 전환은 트랜스포머 어텐션(Transformer Attention)으로 인해서 나온 것이다. 인공지능 기반 지능화는 비즈니스 혁신을 위한 발판이다. 생성형 AI는 많은 양의 데이터를 학습하고, 그 데이터를 바탕으로 새로운 콘텐츠를 만들어내는 기술이다. 어떤 데이터를 사용하느냐는 생성형 AI 답변의 품질과 직결되기 때문에 인공지능 구축 시, 믿을 수 있는 고품질 데이터를 사용하는 것이 매우 중요하다. 또한 생성형 AI는 소프트웨어 배포부터 네트워크 구성, 용량 관리에 이르기까지 IT가 매일 수행하는 작업을 간소화한다. 생성형 AI의 작동 원리는 크게 데이터 수집, 모델 학습, 훈련, 생성을 포함한 네 가지 단계로 이루어진다. 먼저 데이터 수집 단계에서는 생성형 AI를 훈련에 기본이 되는 학습 데이터를 대규모로 수집한다. 텍스트 기반의 생성형 AI 구축을 예로 들면, 책이나 기사, 웹사이트 등 다양한 텍스트 기반 데이터를 수집하는 것이 이 단계에 포함된다. 두 번째 단계는 모델 학습이다. 모델 학습 단계에서는 생성형 AI가 첫 번째 단계에서 수집한 데이터를 기반으로 데이터의 패턴과 규칙을 학습한다. 예로 들면, AI가 책이나 기사에서 수집한 데이터를 사용해 문장의 구조나 문법 등을 학습한다. 세 번째는 훈련 단계로, AI가 입력 데이터와 출력 데이터의 관계를 학습한다. 예를 들어, 텍스트 생성 모델은 문장의 앞부분을 입력받고 뒷부분을 예측하는 훈련을 하게 된다. 마지막 단계는 생성이다. 모든 훈련이 끝난 AI는 스스로 새로운 콘텐츠를 생성해 낸다. 이때, AI는 스스로 만들어 낼 수 있는 다양한 답변 중 가장 적절한 최적의 결과값을 출력하도록 하는 것이 중요하다. 이미 생성형 인공지능(Genarative AI)와 최적화 인공지능(Optimized AI)을 고도화하기 위해 연산과 계산의 패러다임이 전환되었는데 아직도 낡은 기술과 과거 성공과 경험의 가늠자로 머무르고 있으면 스피드와 지능화로 무장한 경쟁 시장에서 살아남을 수 없다. 현재를 살기 위해 미래를 저당 잡히고 있다는 사실마저도 인식하지 못할 수 있다. 이를 극복하기 위해 현재 사용하고 있는 시스템의 지능화가 필수적이다. 인공지능을 기업이 운영을 유지하기 위해 치러야 하는 비용 중심적인 접근으로 보는 대신, 인공지능 기술이 ROI를 더 잘 높일 수 있는 방법을 재고해야 한다. 이는 빠른 생산성 향상을 제공하는 단순한 작업 이상을 자동화하는 것을 의미한다. 따라서 모든 기업은 과거와 다른 전략적인 접근이 요구되고 있다. 전체 워크플로우를 평가하여 자동화와 증강의 조합, 그리고 지속 가능한 지능화 프로세스를 개선할 방법을 찾아야 한다. 왜냐하면 기존 시스템은 수익성을 약화시키고, 자원을 고갈시키며, 성장을 저해하고, 창의성을 억압하기 때문이다. 이를 해결하기 위해서는 빅데이터 관리 기술과 인공지능 플랫폼을 주목해야 한다. 아래 그림은 국내 최초로 조달 우수제품으로 등록된 T3Q의 인공지능 빅데이터 관련 기업의 이슈와 해결 방안을 지속가능하게 해결하는 솔루션이다. 그러므로 연산과 계산의 패러다임 전환 시대에는 인공지능 빅데이터 플랫폼이 미들웨어로서 필수적이다. AI 빅데이터 플랫폼(국내 최초로 조달 우수제품으로 등록된 T3Q.ai)은 인간의 전문성과 AI 역량 간의 격차를 효과적으로 메워 고객을 지원하고 도메인별 지식을 유지하면서 생성형 인공지능(Generative AI)와 최적화 인공지능(Optimized AI)의 지속가능한 잠재력을 생성하고 최적화하는 플랫폼 기능이 요구되고 있다. 또한 산업 및 인공지능 전문가와 빅데이터, 다양한 인력 및 AI 모델을 연결하여 공통 플랫폼(T3Q.ai)에 통합함으로써 기업은 시너지 효과를 최대한 활용할 수 있다. 이렇게 다양한 통합을 수용하는 기업은 생성형 인공지능 시대에 그 누구보다 빠르게 경쟁 우위를 선점할 수 있을 것이다.
-
- 작성일 2024-10-10
- 조회수 400
-
- [교수] 'AI시대엔 통합 능력이 경쟁력' - 스마트팩토리융합학과 박정수 교수
- 패러다임(Paradigm)이란 한 시대의 보편적 사고의 틀이나 인식의 체계를 말한다. 예를 들어 지구를 중심으로 우주가 돌고 있다는 천동설도 케플러의 법칙(Kepler’s laws)과 뉴턴의 물리학이 근대 과학을 이끌면서 지동설이라는 새로운 패러다임으로 전환되었다. 이렇게 하나의 패러다임이 새로운 패러다임으로 바뀔 때는 이를 유발하는 요인이 나타나기 마련인데, 이를 흔히 특이점(singularity)이라고 부른다. 이 특이점은 새로이 발견되는 자연법칙 혹은 물리법칙일 수도 있고, 새 발명품이거나 획기적인 아이디어일 수도 있다. 이런 특이점의 예로, 개인용 컴퓨터와 인터넷, 스마트폰, 생성형 인공지능(Generative AI) 등이 있다. 이를 위해 메모리 반도체와 시스템 로직 반도체 칩이 필요했다. 최근 들어 인공지능 반도체 수요가 폭발적이다. 계산과 연산의 패러다임 전환 인공지능은 기호주의와 연결주의로 나눠 생각해 볼 수 있다. 기호주의(Symbolism)는 컴퓨터 작동 방식에 맞게 기호와 규칙을 사용하는 규칙 기반(Rule-based) 인공지능으로 오래전부터 지금까지 지속적으로 사용되고 있는 방식이다. 연결주의(Connectivism)는 인간 뇌의 정보 처리 과정에서 영감을 받은 AI 연구 방식이다. 이는 인공지능이 연산과 계산의 패러다임 전환을 야기하는 까닭이다. 계산과 연산은 모두 수학적 작업을 처리하는 것이지만, 그 방법과 목적에 차이가 있다. 계산은 숫자나 수식을 이용하여 값을 계산하는 작업을 말한다. 예를 들어, 사칙연산이나, 제곱근, 로그 함수 등의 수학 함수를 이용하여 값을 계산할 수 있다. 반면, 연산은 컴퓨터가 수행하는 작업을 말한다. 연산은 주로 데이터를 처리하거나, 문제를 해결하기 위한 알고리즘을 적용하기 위해 사용된다. 인공지능 기반 지능화 구축과정은 비즈니스 혁신을 위한 발판이다. 생성형 AI의 작동 원리는 크게 데이터 수집, 모델 학습, 훈련, 생성을 포함한 네 가지 단계로 이루어진다. 모든 훈련이 끝난 AI는 스스로 새로운 콘텐츠를 생성해 낸다. 이때, AI는 스스로 만들어 낼 수 있는 다양한 답변 중 가장 적절한 최적의 결과값을 출력하도록 하는 것이 중요하다. 그러나 이미 생성형 인공지능과 최적화 인공지능(Optimized AI)을 고도화하기 위해 연산과 계산의 패러다임이 전환되었는데 아직도 낡은 기술과 과거 성공과 경험의 가늠자에 머무르고 있으면 스피드와 지능화로 무장한 경쟁 시장에서 살아남을 수 없다. 현재를 살기 위해 미래를 저당 잡히고 있다는 사실마저도 인식하지 못할 수 있다. 이를 극복하기 위해 현재 사용하고 있는 시스템의 지능화가 필수적이다. 인공지능에 대해 기업이 운영을 유지하기 위해 치러야 하는 비용 중심적인 접근으로 보는 대신, 인공지능 기술이 투자수익률(ROI)을 더 잘 높일 수 있는 방법으로 생각을 다시 해야 한다. 이는 빠른 생산성 향상을 제공하는 단순한 작업 이상을 자동화하는 것을 의미한다. 따라서 모든 기업은 과거와 다른 전략적인 접근이 요구되고 있다. 전체 워크플로를 평가하여 자동화와 증강의 조합, 그리고 지속 가능한 지능화 프로세스를 개선할 방법을 찾아야 한다. 왜냐하면 기존 시스템은 수익성을 약화시키고, 자원을 고갈시키며, 성장을 저해하고, 창의성을 억압하기 때문이다. 공통플랫폼에 통합해 시너지 발휘 연산과 계산의 패러다임 전환 시대에는 인공지능 빅데이터 플랫폼이 미들웨어로서 필수적이다. AI 빅데이터 플랫폼(T3Q.ai)은 인간의 전문성과 AI 역량 간의 격차를 효과적으로 메워 고객을 지원하고 도메인별 지식을 유지하면서 생성형 인공지능과 최적화 인공지능의 지속가능한 잠재력을 생성하고 최적화하는 플랫폼 기능이 요구되고 있다. 또한 산업 및 인공지능 전문가와 빅데이터, 다양한 인력 및 AI 모델을 연결하여 공통 플랫폼(T3Q.ai)에 통합함으로써 기업은 시너지 효과를 최대한 활용할 수 있다. 이렇게 다양한 통합을 수용하는 기업은 생성형 인공지능 시대에 그 누구보다 빠르게 경쟁 우위를 선점할 수 있을 것이다.
-
- 작성일 2024-09-16
- 조회수 494
-
- [교수] 경쟁 구도를 바꾸는 데이터의 힘 - 스마트팩토리융합학과 박정수 교수
- 글로벌 미래사회는 챗GPT로 대변되는 슈퍼 인공지능(AI)의 등장, 빅 블러(Big Blur)로 일컫는 기술의 초융합 현상으로 과거와 다른 뉴노멀(New Normal) 산업 확산을 마주하고 있다. 무한경쟁을 필연적으로 수반하는 이 같은 변화로 개인은 물론 기업과 사회, 국가는 완전히 새롭게 대응할 것을 요구받고 있다. 또한 AI와 산업 간 경계가 사라진 빅 블러 시대에 필요한 인재개발, 산업과 금융의 재편과 생태계 조성이 시급하게 대두되고 있다. 따라서 새로운 가치를 창출하는 뉴노멀 프로세스에 주목해야 한다. 기존 기술에 AI 접목해 새 가치 창출 인공지능 알고리즘이 우리 삶 곳곳에 원하든 원하지 않든 파고들고 있고, 인터넷에서 원하는 것을 검색할 때에도, 원하는 사진을 찾을 때도, 내비게이션을 통해 최적의 길을 찾을 때도 문제를 해결하기 위해 정해진 일련의 절차나 방법에 따라 우리는 알게 모르게 짜인 순서와 절차를 담아낸 알고리즘을 매일 활용하고 이를 통해 수많은 의사결정과 지능화를 경험하고 있다. 이와 같은 지능화 사회는 산업계와 학계뿐만 아니라 모든 영역을 어리둥절하게 만들고 있으며, 기업들은 시장과 고객의 변화에 대응하고 적응하기 위해 과거와 전혀 다른 전략을 준비해야 한다. 소비자가 공급자보다 똑똑해지고 있기 때문에 소비자 만족(CS)을 통해 매출을 늘리고 지속가능한 고객서비스를 유지하기 위해서는 소비자경험디자인(CX-Design)과 디지털 경험 디자인(DX-Design)을 융합하고 접목하여야 한다. 이를 위해 인공지능 기술을 기존 기술(아날로그 또는 디지털)들과 접목해 새로운 가치를 창출해야 한다. 그것이 미래 제조산업을 준비하는 첫 단추다.지능화 수단으로서 인공지능 기술은 제조업의 스마트팩토리 구현과 지능화에 필수적인 수단이다. 또한, 비즈니스 기회 창출을 위한 AI 알고리즘의 활용 및 접목도 중요하다. 기업들은 정교하게 설계된 AI 알고리즘을 통해 자사의 경쟁력을 강화하려 노력하고 있다. 기업 자체적으로 알고리즘을 개발하는 방법도 있지만, 최근 다른 기술 기업이 출시한 AI 엔진과 솔루션을 활용해 미래의 수요, 가격 변화, 소비자의 행동 패턴, 선호의 변화 등을 예측하는 기업도 적지 않다. 과거에는 임직원의 경험 혹은 암묵적 지식(Tacit Knowledge)에 의존하여 의사결정을 했으나 데이터를 근거로 기업에 최적화된 알고리즘을 활용할 경우, 시장 환경에 더욱 민첩하게 대응하고 전체적인 비즈니스 프로세스를 개선할 수 있다. 푸드테크 산업이 인공지능, 사물인터넷, 로봇공학 등 다양한 기술을 활용하여 식품 생산, 유통, 소비 등의 과정을 혁신하고 있듯이, 기업의 경우 고정비를 낮추고 거래비용을 줄이며 ‘실시간 피드백 기능’을 통해 고객에게 지속적으로 개인화된 맞춤을 실현해 보여야 한다. 그것이 과거와 다른 인공지능 기반 스피드 경영이다. 이처럼 인공지능 알고리즘에 기반을 둔 거래는 공급자와 소비자 간 정보의 비대칭성 문제를 해결하여 투명하고 효율적인 시장의 기능을 가능케 한다. AI기반 스피드 경영, ‘고객 맞춤’ 가능 페드로 도밍고스는 저서 ‘마스터 알고리즘’에서 인공지능의 기계학습이 신기술이라 채택하는 것이 아니라, 대변혁의 길에서 인공지능을 채택하지 않으면 기업은 더 이상 생존할 수 없는 시대가 올 것이라고 예견했다. “기계에 쉬운 일은 인간에게 어렵고, 인간에게 쉬운 일은 기계에 어렵다”는 ‘모라벡의 역설’(Moravec‘s Paradox)처럼 인공지능과 같은 복잡하고 방대한 데이터 처리 등을 컴퓨터는 쉽게 처리한다. 그러나 우리 인간에게 쉬운 일, 개와 고양이 구분은 컴퓨터는 어렵게 처리한다. 이렇듯 답이 있는 문제는 지도학습, 답이 없는 문제는 비지도학습, 답이 있었지만 알기 힘든 문제는 강화학습시켜야 하듯이 데이터도 훈련(trained data)시켜야 한다. 그것이 지능화의 시작이다. 개인이나 기업이나 지식을 잘 활용하기 위해 인공지능 기술을 사용하는 방법을 알아야 한다. 인공지능은 사람의 행동이나 생각을 컴퓨터가 모방해 기업이나 개인의 목표를 달성할 수 있도록 도와주는 기술이다. 동시에 경쟁 구도를 원천적으로 바꿔주는 ‘데이터의 힘’이기도 하다.
-
- 작성일 2024-08-29
- 조회수 181
-
- [교수] 습관 분석해 맞춤정보 제공한다 - 스마트팩토리융합학과 박정수 교수
- 박정수 성균관대 스마트팩토리융합학과 겸임교수 사람들의 습관까지 파악해 특정 행동을 예측하고 유도할 수 있는 ‘행동인터넷(IoB: Internet of Behaviors)’이 떠오르고 있다. 행동인터넷은 ‘사물인터넷(IoT: Internet of Thing)’에서 파생된 신조어다. 사물인터넷은 사물에 센서를 설치하여 사용자의 음성이나 행동 등을 분석한다. AI 로봇, AI 공기청정기 등을 예로 들 수 있다. 이에 비해 행동인터넷은 센서가 아닌 사람의 행동 패턴을 분석해 디지털화하는 것을 뜻한다. 사람이 어떤 사이트 또는 어떤 매장을 주로 이용하고 어떤 상품을 구매했는지, 최근에 SNS에서 즐겨보는 상품은 어떤 것인지 등의 정보를 수집하고 분석해 그 데이터를 기반으로 최적의 선택지를 추천해 준다. 예를 들어, 사용자가 인터넷에서 자동차에 관련된 상품들을 주로 검색하고 구매했다면 자동차에 대한 관심이 많다고 분석하여 그 정보를 바탕으로 자동차 관련 용품과 정보를 개인화하여 개인 맞춤 정보를 제공한다. 사물인터넷의 신버전 행동인터넷 최근 빅데이터 분석 분야에서 많이 적용되고 있으며, 우리 일상생활에서 가장 흔히 사용되는 행동인터넷 활용 사례는 바로 웨어러블 기기다. 그중 가장 흔히 사용하는 스마트워치는 심박수, 스트레스 지수, 수면의 질 등 다양한 정보를 파악할 수 있다. 스마트워치를 착용하고 수면을 취하게 되면 수면의 질을 파악하고, 스마트폰 앱과 연동되어 수면 패턴을 분석해준다. 그리고 더욱 질 높은 수면을 취하기 위한 여러 가지 조언을 해주기도 한다. 이처럼 사물인터넷(IoT)과 행동인터넷(IoB)은 디자인 프로세스 관점에서 아날로그 프로세스와 디지털 프로세스의 상호작용과 유사성을 갖고 있다. 즉 서로 다른 형태의 프로세스이지만 상호작용하면서 다양한 분야에서 활용되고 있다. 아날로그 프로세스는 연속적인 값을 다루는 프로세스로, 주로 연속적인 데이터를 처리하고 분석한다. 예를 들어, 아날로그 프로세스는 음향, 영상, 물리량 등의 연속적인 데이터를 처리하는 데 사용된다. 디지털 프로세스는 아날로그 프로세스를 제어하고 모니터링하는 데 사용되며, 아날로그 프로세스는 디지털 프로세스를 통해 데이터를 수집하고 분석하는 데 사용된다. 또한, 행동인터넷은 운전자의 운전 성향, 선호하는 주행 패턴 등 다양한 정보와 수많은 운전자의 개인 데이터와 결합하여 활용될 수 있다. 이 정보를 기반으로 자동차의 성능을 개인화하여 최적화하고 단점은 보완하여 고객 취향에 맞는 자동차를 사용자 경험 디자인(UX-Design) 관점에서 설계할 수 있다. 특히 자동차 안에서의 다양한 제스처 데이터를 수집하여 편리하게 적용시킬 수 있다. 이를테면 전화를 걸고 싶을 때 하는 제스처와 내비게이션 지도를 확대할 때 하는 제스처 등을 분석하여 필요한 상황에 인식하여 서비스를 제공한다. 이러한 방식으로 운전자가 더욱 편리하게, 안전하게 운행할 수 있도록 돕는다. 더 나아가 차량 속도, 운전 거리, 운전 시간 등을 측정하고 운전습관을 분석해 안전운전 여부를 판단해서 이를 보험료 산정에 반영하는 운전습관 연계보험(UBI)도 출시되고 있다. 운전습관 연계보험을 통해 보험사는 사고 위험이 적은 고객을 유치해 손해율을 줄일 수 있고, 운전자는 보험료 할인을 받기 위해 특정 내비게이션 앱이나 운행기록 자기진단 장치를 사용하면서 안전운행을 위해 다방면으로 노력하게 되는 것이다. 운전자와 보험사 양측에 상호작용된 윈윈 상품이 출시되고 있듯이 다른 산업에서도 이를 적용하여 경쟁우위 전략을 새롭게 구상해야 한다. 왜냐하면 그것이 지능화의 출발이기 때문이다. 사물인터넷과 행동인터넷의 관점과 인공지능 전환(Artificial Intelligence Transformation, AX)과 디지털 전환(Digital Transformation, DX)은 서로 다른 개념이지만, 밀접한 관련이 있다. 인공지능·디지털전환 새로운 가치 창출 인공지능 전환은 인공지능 기술을 조직의 전략과 목표에 맞게 적용하여 비즈니스 프로세스, 제품, 서비스 등을 혁신하고 가치를 창출하는 것이다. 인공지능 기술을 활용하여 데이터를 분석하고 예측하여, 자동화와 개인화를 통해 경쟁력을 강화하는 것이 주요 목표다. 디지털 전환은 조직이 디지털 기술을 활용하여 비즈니스 모델, 프로세스, 고객 경험 등을 혁신하는 것이다. 데이터를 수집하고 분석하여, 디지털 플랫폼을 구축하고 디지털 서비스를 제공하는 것이 주요 목표다. 따라서 인공지능 전환과 디지털 전환은 상호 작용하면서 조직의 경쟁력을 강화할 수 있다. 인공지능 기술을 디지털 전환에 적용하면, 데이터를 더욱 효과적으로 분석하고 예측하여, 비즈니스 프로세스를 최적화하고 개인화된 서비스를 제공할 수 있다.
-
- 작성일 2024-08-05
- 조회수 210
-
- [연구] 석사과정 이대희(AIFactoryLab), SCIE 논문지(MDPI Sensors/Q2) 게재
- 석사과정 이대희 학생(지도교수 : 정종필)의 연구(GCN-Based LSTM Autoencoder with Self-Attention for Bearing Fault Diagnosis)가 MDPI Sensors(Impact Factor: 3.4 (2023); 5-Year Impact Factor: 3.7 (2023))에 게재됐다. https://www.mdpi.com/1424-8220/24/15/4855 or https://doi.org/10.3390/s24154855 논문요약 - The manufacturing industry has been operating within a constantly evolving technological environment, underscoring the importance of maintaining the efficiency and reliability of manufacturing processes. Motor-related failures, especially bearing defects, are common and serious issues in manufacturing processes. Bearings provide accurate and smooth movements and play essential roles in mechanical equipment with shafts. Given their importance, bearing failure diagnosis has been extensively studied. However, the imbalance in failure data and the complexity of time series data make diagnosis challenging. Conventional AI models (convolutional neural networks (CNNs), long short-term memory (LSTM), support vector machine (SVM), and extreme gradient boosting (XGBoost)) face limitations in diagnosing such failures. To address this problem, this paper proposes a bearing failure diagnosis model using a graph convolution network (GCN)-based LSTM autoencoder with self-attention. The model was trained on data extracted from the Case Western Reserve University (CWRU) dataset and a fault simulator testbed. The proposed model achieved 97.3% accuracy on the CWRU dataset and 99.9% accuracy on the fault simulator dataset.
-
- 작성일 2024-07-26
- 조회수 1033
-
- [연구] 석사과정 문예은, SCIE 논문지(MDPI Energies/Q1) 게재
- 석사과정 문예은 학생(지도교수 : 정종필)의 연구(Long Short-Term Memory Autoencoder and Extreme Gradient Boosting-Based Factory Energy Management Framework for Power Consumption Forecasting)가 MDPI Energies(Impact Factor: 3.0 (2023); 5-Year Impact Factor: 3.0 (2023))에 게재됐다. https://www.mdpi.com/1996-1073/17/15/3666 or https://doi.org/10.3390/en17153666 논문요약 - Electricity consumption prediction is crucial for the operation, strategic planning, and maintenance of power grid infrastructure. The effective management of power systems depends on accurately predicting electricity usage patterns and intensity. This study aims to enhance the operational efficiency of power systems and minimize environmental impact by predicting mid to long-term electricity consumption in industrial facilities, particularly in forging processes, and detecting anomalies in energy consumption. We propose an ensemble model combining Extreme Gradient Boosting (XGBoost) and a Long Short-Term Memory Autoencoder (LSTM-AE) to accurately forecast power consumption. This approach leverages the strengths of both models to improve prediction accuracy and responsiveness. The dataset includes power consumption data from forging processes in manufacturing plants, as well as system load and System Marginal Price data. During data preprocessing, Expectation Maximization Principal Component Analysis was applied to address missing values and select significant features, optimizing the model. The proposed method achieved a Mean Absolute Error of 0.020, a Mean Squared Error of 0.021, a Coefficient of Determination of 0.99, and a Symmetric Mean Absolute Percentage Error of 4.24, highlighting its superior predictive performance and low relative error. These findings underscore the model’s reliability and accuracy for integration into Energy Management Systems for real-time data processing and mid to long-term energy planning, facilitating sustainable energy use and informed decision making in industrial settings.
-
- 작성일 2024-07-25
- 조회수 853