Current Researches
디지털 트윈 적용 연구
디지털 트윈(Digital Twin)은 물리적(Physical) 세계와 동일한 디지털 (Digital) 쌍둥이 (Twin)를 가상모델(Virtual Model)로 만드는 것
생산성 개선, 사회문제 해결, 새로운 지식의 적용 등 전반적인 문제들을 해결할 것으로 기대되면서 제조, 소매, 교통, 의료, 국방등 적용분야가 확대되고 있음
가상 모델은 물리적 모델의 이론 및 도메인 지식과 프로세스를 분석하여 시뮬레이션 모델링 형태의 M&S 기술과 데이터를 분석하는 머신러닝 기술을 조합하여 만들 수 있음
- M&S의 기술을 이용하여 물리적 모델의 인과관계를 White box형태의 가상모델로 생성할 수 있음
- 머신러닝 기술을 이용하여 상관관계를 Black box 형태의 가상모델로 생성할 수 있음. 디지털 트윈은 이 두가지의 방법을 결합하여 제품의 방향과 서비스를 새롭게 제시함
디지털 트윈의 적용으로 M&S와 머신러닝 기술의 조합을 통해 비용감소와 새롭고 정확한 통찰력을 제시받을 수 있음
- 머신러닝을 이용하여 시뮬레이션 모델을 튜닝, 모델 축소를 통한 온라인 실시간 시뮬레이션 가능
- 시뮬레이션을 통해 획득된 데이터를 이용하여 머신러닝을 적용함으로써 새로운 데이터 모델을 생성
- 모델링 대상의 불충분한 지식을 머신러닝을 통해 보완하여 더욱 정확한 시뮬레이션 모델을 제시할 수 있음
딥러닝 기반의 비식별 데이터 생성연구
빅데이터, IoT등 IT융합기술 발전으로 데이터 이용 수요가 급증함에 따라 선진국들은 데이터 산업 활성화를 위한 정책 추진중인 가운데, 빅데이터 활용에 필요한 비식별 조치, 기준, 절차, 방법들에 대한 구체적인 해결방안이 필요
- 비식별 데이터 제공을 위한 적대적 생성 네트워크 기반 프레임 워크 개발
-
- 비식별 데이터를 제공하기 위해서는 사람이 식별이 불가능할 정도의 데이터를 생성해야함
- 하지만 현재까지의 비식별 데이터의 제공방법은 사람이 관여하여 특정한 규칙에 의해 생성되기 때문에 지식적 접근이나 기술적 분석을 이용하여 원 데이터를 알아낼 수 있음
- 사람의 관여가 아닌 A.I가 적대적 생성 네트워크를 이용하여 스스로 데이터를 생성하는 것을 목적으로 함
- 비식별 데이터 생성과 데이터 전송을 위한 식별 연구
-
- 도메인과 데이터의 특성에 따라 네트워크에 입력할 수 있는 데이터 전처리가 필요
- 비식별 데이터를 원본 데이터로 식별 할 수 있는 방법이 요구됨
- 데이터의 제공자 입장에서는 비식별 데이터를 이용하여 실제 데이터를 유추할 수 있는 전송기술에 대해 연결함
- 비식별 데이터의 성능 고도화를 위한 적대적 생성 네트워크의 분산처리 연구
-
- 적대적 생성 네트워크의 성능 향상을 위해서 여러 개의 네트워크를 조합하여 오류개선과 분산처리를 목적으로 하여 실제데이터와 비식별 데이터 사이의 오류를 최소화 하는 것을 목표로 함
딥 러닝을 활용한 예측모델 연구
딥 러닝은 인공지능 기술과 머신러닝의 일종으로서, 데이터를 학습하여 새로운 패턴, 분류 예측, 연관성, 군집화, 이상치 탐지 등 여러 가지 기술을 활용하여 사람 대신 업무를 처리하는 방법임
딥 러닝은 지도학습, 비지도학습, 강화학습 방법으로 구현이 되며, 기술에 따라 Convolution Neural Network (CNN), Recurrent Neural Network (RNN), Deep Belief Network (DBN)등으로 구분이 됨
딥 러닝의 원할한 학습과 활용을 하기 위해서는 데이터의 이해와 데이터 전처리, 모델 학습, 시각화, 최적화 등 많은 기술요건이 필요하기 때문에 데이터에 대한 전반적인 이해가 필요함
딥 러닝을 활용하여 의료 암 진단 예측, 반도체 제조공정에서 불량패턴 분석, 심혈관 질환 예후 예측 등 많은 업무에 활용할 수 있으며, 의사결정 지원에 도움을 줄 수 있음