인공 신경망 기술로 살펴보는 인성 교육의 함의점 모색

권오성 한국정보교육학회 2021 정보교육학회논문지 Vol.25 No.1

인공 신경망 기술은 인간의 감각 처리와 내적인 변화를 기계적으로 실현하려는 컴퓨터 기술 분야로서 신경과 학, 인성 및 도덕 교육과도 충분한 관련성을 갖는다. 인성 교육이 인간의 내면을 바람직한 방향으로 유도하는 노 력이라고 할 때 인공신경망은 그러한 사고 과정과 특성을 설명하는 실험 도구로서 손색이 없다. 이에 본 연구는 AI 인공신경망 기술의 동작 원리를 기본으로 인성 교육과 관련된 함의 요소를 찾고 그 현상을 설명하고자 한다. 최근 AI 연구는 전통적인 기호주의보다는 심층신경망 등 연결주의 지능 분야에 집중되는 경향이 있다. 본 논문 역시도 이러한 시대적 흐름에 따라 심층 신경망의 독특한 동작 특성을 인성 교육의 중요 요소와 관련지어 설명 하고자 한다. 구체적인 함의 요소로 “오버피팅 : 편중된 학습능력의 해소”, “활성화 함수 ; 학습자의 개별성과 다 양성 확보”, “아날로그 연산 : 학습자의 이성과 감성의 균형”을 제시한다. 본 논문과 같이 AI 인공신경망 관점에 서 인성 교육과의 함의점을 찾는 노력은 AI 정보 교육의 외연을 넓히고 타 교과와의 융합 도구로 그 의미를 갖는다. Artificial neural network technology is a field of computer technology that seeks to mechanically realize human sensory processing and internal changes, and has sufficient relevance to neuroscience, character and moral education. Assuming that character education is an effort to guide the human inner side in a desirable direction, artificial neural networks are excellent as an experimental tool to explain such thought processes and characteristics. Therefore, this study seeks to find implications related to character education and explain the phenomenon based on the operating principle of AI artificial neural network technology. Recently, AI research tends to focus on connectionist intelligence, such as deep neural networks, rather than traditional symbolism. This paper also attempts to explain the unique behavioral characteristics of deep neural networks in relation to important elements of character education in accordance with this trend of the times. As a specific element of implications, “Overfitting: Resolving the concentrated learning ability”, “Activation function; Ensuring individuality and diversity of learners” and “Analog processing: balance between learner's reason and emotion”. As in this paper, efforts to find the implications of personality education from the perspective of AI artificial neural networks have meaning as a tool for fusion with other subjects and broaden the extension of AI information education.

인공지능과 법률 서비스:현황과 과제

전정현,김병필 한국법학원 2019 저스티스 Vol.- No.170-1

The application of artificial intelligence (AI) technology in the legal service sector is rapidly expanding. International law firms and accounting firms have already begun to adopt the AI technology for automation. Innovative small law firms and “Legal-Tech” startups have also emerged and are passionately attempting to disrupt the existing legal market. There are several fields for the application of legal AI technology. For example, in litigation, AI technology is being adopted for e-discovery and legal research. Also for transactions, the automation of due diligence and contract review is being carried out. For regulatory matters, there is a vigorous discussion surrounding the so-called “Reg-Tech”. In contrast to such rapid development worldwide, the application of AI technology in Korean legal market seems left behind. This paper proposes some ideas to stimulate the development of legal AI technology in Korea. First, big data for legal AI such as judgments and contracts need to be made available to researchers. Without suitable training dataset, AI technology cannot be improved. Second, there should to be a standard research project to attract many AI researchers in the computer science discipline. In the past decade, the standard research project has played a significant role in the development of AI technology, but there is no such project in legal AI field yet. Some examples of standard research projects can be (i) AI predicting the outcomes of court cases, (ii) AI generating a draft mediation statement. An interdisciplinary cooperation between AI researchers and legal professions is urgently needed. 최근 미국을 중심으로 하여 법률 서비스 관련 인공기능 기술이 빠르게 발전하고 있다. 국제적인 대형 법무법인, 회계법인들은 이미 업무 자동화를 위하여 인공기술 기술을 적용하고 있고, 혁신적 인공지능 기술을 이용한 중소형 로펌과 리걸테크(Legal Tech) 스타트업도 다수 생겨나고 있다. 인공지능 기술의 활용 분야도 넓어지고 있는데, 송무에 있어서는 디스커버리와 판례 검색 등을 중심으로 적극적으로 활용되고 있고, 거래 자문에 있어서는 실사(due diligence)나 계약서 검토 자동화 등이 이루어지고 있다. 규제 분야에 있어서도 이른바 레그테크(Reg Tech)에 관한 논의가 활발하다. 이러한 국제적 추세와 비교하여 볼 때, 국내 법률 관련 인공지능 기술은 현저히 뒤쳐져 있는 실정이다. 본 연구는 이러한 상황 하에서 국내 법률 서비스 관련 인공지능 기술 발전을 추동하기 위한 원동력을 마련하기 위한 방안을 제안한다. 우선 판결문과 계약서 등 법률 서비스 관련 빅데이터 확보 방안이 시급히 마련되어야 한다. 적절한 학습용 데이터가 없이는 사례 기반 인공지능이나 심층 학습 기술의 발달은 불가능하다. 다음으로, 컴퓨터 공학 연구자들이 손쉽게 시도할 수 있는 ‘표준적 연구 과제’의 선정 및 지원이 필요하다. 최근 10년 동안의 인공지능 기술의 발전 과정을 살펴보면 다수의 컴퓨터 공학 연구자들이 경쟁적으로 수행할 수 있는 ‘표준적 연구 과제’가 핵심적 역할을 수행해 왔다는 점이 확인된다. 그럼에도 현재 법률 서비스 분야에 있어서는 컴퓨터 공학 연구자들이 도전할만한 좋은 표준적 연구 과제가 마련되어 있지 못하다. 본 연구에서는 법률 분야 인공지능 기술 발전을 위한 표준적 과제로서 (1) 판결문 예측 인공지능, (2) 분쟁조정위원회의 조정안을 예측‧생성하는 인공지능 개발을 예시적으로 제시한다. 그 이외에도 어떠한 표준적 연구 과제가 가능할 것인지에 관하여 인공지능 연구자들과 법률 전문가들의 학제 간 협력과 논의가 필요하다.

합성곱 인공 신경망의 네트워크 종류에 따른 객체 인식 성능에 대한 실험적 고찰

정진범(J. B. Jeong),변태선(T. S. Byun),임용규(Y. K. Im),이길수(K. S. Lee) 유공압건설기계학회 2020 유공압건설기계학회 학술대회논문집 Vol.2020 No.12

본 논문은 인공신경망 종류 중 하나인 합성곱 인공신경망의 객체 인식 성능에 살펴보고자 한다. 현재의 합성곱 인공신경망은 인공지능의 부분기술로서 영상 기반의 객체인식에 널리 사용되고 있으며 신경망의 구조에 따른 다양한 합성곱 인공신경망의 네트워크가 존재한다. 본 논문을 통해 합성곱 인공신경망의 네트워크 종류와 환경 변수에 따른 객체 인식 성능을 비교 분석한다.

‘인공 지능이 인간답다’라 함은? -심층 신경망 언어 모델을 중심으로-

구건우,이재민,김유영,임선희,전수경,최릉운,박명관 동국대학교 동서사상연구소 2022 철학·사상·문화 Vol.- No.39

The statement 'artificial intelligence is human-like' has recently been a buzzword as an AI/neural-network language model is reported to reach a human level in language learning and processing, with the model implemented by applying the so-called deep neural network to language learning. In this paper, we evaluate the proposition of 'artificial intelligence is human', concentrating on the neural network language model. Accordingly, when neural network language models exhibit aspects of language learning and processing that humans do, we need to clarify whether the two human and AI learning & processing systems are homologous or what differences there are between them. Furthermore, based on the comparison of the two systems, we discuss what lights neural network language models shed on traditional issues raised for human language acquisition and processing, such as nature vs. nurture, human linguistic ability, etc. 사람의 신경망을 컴퓨터 공학 기술로 구현한 것이 소위 심층 신경망이다. 이를 적용한 언어 모델이 사람의 언어 학습을 재현함에 따라, 인공 지능 신경망 언어 모델이 언어 학습과 처리에 있어 사람에 상응하는 수준에 도달하고 있다고 보고되면서 ‘인공 지능(신경망 언어 모델)이 (언어 학습과 처리에 있어) 인간답다’라는 말이 회자된다. 본고에서는 신경망 언어 모델을 중심으로 ‘인공 지능이 인간답다’라는 명제를 재검토한다. 이에 따라, 신경망 언어 모델이 사람과 같은 언어 학습과 처리의 양상을 보인다고 할 때, 두 학습 및 처리 시스템이 상동한지 아니면 어떤 차이점이 있는지를 해명한다. 나아가서, 두 시스템의 비교를 바탕으로, 사람을 대상으로 언어 학습과 처리에 관한 전통적 이슈들에 관하여, 사람과 대비하여 신경망 언어 모델은 어떤 특성을 보이는지 논의한다.

인공지능과 인간의 미술작품 이해에 대한 사전연구

김종원 사단법인 한국융합기술연구학회 2023 아시아태평양융합연구교류논문지 Vol.9 No.9

인공지능 기술의 등장 이전부터 미술 창작 분야에서는 기계기술을 이용하여 미술작품을 창작하는 시도가 많이 이루어졌다. 딥러닝에 기반한 심층 신경망의 등장은 미술 창작의 새로운 전환점이라 부를 만큼 다양한 인공지능 창작물을 생산할 수 있게 하였으며, 창작성과 저작권에 대한 논란을 불러오고 있다. 인공지능은 미술의 이해와 감상에 대한 고찰 없이 창작으로 결과를 만들어내므로 인간의 감정과 미적 반응에 해당하는 이해가 가능한 것인지 확인할 수 없다. 본 논문에서는 인공지능이 창작을 넘어서 미술작품을 이해할 가능성을 확인하기 위하여 인간과 인공지능의 미술작품을 이해하는 메커니즘과 그 차이점을 분석하고 기본적인 선과 다각형의 데이터 세트를 대표적인 4가지 심층 신경망에 학습시키고 인식실험을 수행하였다. 기초적인 실험 결과, 학습방식과 데이터 레이블링(정보제공량)에 따라서 인식성능이 최대 98.7%이상으로 향상되는 것을 확인하였으나 구성의 복잡성이 올라가면 인식성능이 92.8%로 하락하는 것을 관찰할 수 있었다. 마지막으로 본 연구에서는 인간과 같은 예술적 이해를 위해서 인공지능 연구에 필요한 과제들을 제안함으로써 향후 인공지능의 발전방향을 제시하고자 하였다. 미술작품을 이해할 수 있는 인공지능을 개발하기 위해서는 첫째, 다양하고 대표적인 미술 데이터 세트 선별, 둘째, 맥락 정보 개발, 셋째, 의미론과 상징주의 통합, 넷째, 사용자 피드백 및 상호 작용 고려, 다섯째, 도메인 전문가와 협업, 여섯째, 다중모드 접근방식을 활용하여 다학제적인 연구팀의 구성과 추진전략이 필요하다. Prior to the advent of artificial intelligence (AI) technology, significant efforts were made to leverage machine technology in the realm of art creation. However, the emergence of deep neural networks powered by deep learning has introduced a transformative era in art, representing a crucial inflection point. This development caused controversy over creativity and copyright. Due to AI's nature of producing results solely through creation, without considering the understanding and appreciation of art, there remains an unresolved question of whether it can genuinely comprehend human emotions and aesthetic reactions. This paper aims to explore the potential of AI in understanding art beyond its creative capabilities. We delve into the mechanisms and disparities between human and AI comprehension of art. The basic experiment yielded positive results, confirming that the recognition performance can be significantly enhanced, reaching a maximum accuracy of 98.7% or higher. The improvement was contingent upon the learning method employed and the level of data labeling, providing valuable insights into the effectiveness of different approaches. However, it was observed that the recognition performance experienced a decline to 92.8% as the complexity of the configuration increased, indicating potential limitations and challenges in handling intricate setups. The primary objective of this study was to propose essential tasks for advancing artificial intelligence research in achieving a human-like understanding of art. By outlining these tasks, the study aimed to provide a roadmap for the future development of artificial intelligence in the field of artistic comprehension.

인공 신경회로망(ANN) 기법을 이용한 월파량 산정

김창겸(Kim, Chang-kyum),전인식(Chun, In-sik),오병철(Oh, Byung-Cheol) 한국연안방재학회 2019 한국연안방재학회 학술발표대회 논문집 Vol.2019 No.1

월파량 산정을 위해 인공 신경회로망 기법을 적용한 심층신경망을 구축하고, Goda 도표 범위에 해당하는 Eurotop 데이터들을 추려내어 심층신경망 학습에 사용하였다. 학습된 심층신경망을 통해 월파량을 예측한 결과 Goda 도표를 사용한 경우보다 높은 정확도를 나타내었다.

심층신경망을 활용한 비모수적 소프트웨어 신뢰성 모형과 NHPP 소프트웨어 신뢰성 성장 모형 비교

김윤수(Youn Su Kim),장인홍(In Hong Chang),이다혜(Da Hye Lee) 한국자료분석학회 2020 Journal of the Korean Data Analysis Society Vol.22 No.6

현재 소프트웨어는 다양한 기능을 수행할 수 있도록 복잡한 구성으로 만들어진다. 소프트웨어가 고장 나게 될 경우 산업 및 경제적으로 매우 큰 손실을 일으킬 수 있다. 소프트웨어에서 아주 작은 고장이 발생하더라도 큰 손실을 초래할 수 있다. 이러한 문제를 해결하기 위해 소프트웨어의 품질과 신뢰성을 추정하는 도구인 소프트웨어의 신뢰성 성장 모형이 제안되었다. 대부분의 소프트웨어 신뢰성 성장 모형은 모수적 방법인 비균질성 포아송 과정을 가정한 평균값 함수 m(t)를 기반으로 모형이 만들어지는데 이는 분포를 가정하기 때문에 일반화에 문제가 발생한다. 본 연구에서는 일반화에 문제를 해결하기 위해 본포를 가정하지 않고 데이터에 의존하는 비모수적(Non-Parametric) 방법으로 접근하여 소프트웨어 신뢰성을 측정한다. 비모수적 방법 중 인간이 사고하는 생물학적 시스템을 모태로 하는 인공신경망을 활용한다. 특히, 최근에 많이 연구되고 있는 인공신경망 중의 하나인 심층신경망을 활용하여 일반화 시킬 수 있는 소프트웨어 신뢰성 모형을 제안하고, 기존에 연구된 소프트웨어 신뢰성 성장 모형(SRGMs)과 5가지의 적합도를 비교한 후 가장 적합한 모형을 찾아 제시한다. The software is made in a complex configuration to perform various functions. If software is faulty, it can cause huge losses both industrially and economically. Even very small failures in software can lead to significant losses. To solve the problem, a software reliability growth models(SRGMs) has been proposed. Most software reliability growth models are modeled assuming a Non-Homogeneous Poison Process(NHPP). But these models has problems with generalization. In this paper, we propose a software reliability model that can be generalized using deep neural network among non-parametric methods that don’t assume distribution and depend on data. We propose more suitable model after comparing the fit of the previously studied software reliability growth models and software reliability model using deep neural network.

심층 신경망을 이용한 영상 내 파프리카 인식 알고리즘 연구

화지호 ( Ji Ho Hwa ),이봉기 ( Bong Ki Lee ),이대원 ( Dae Weon Lee ) 한국농업기계학회 2017 한국농업기계학회 학술발표논문집 Vol.22 No.1

본 연구에서는 파프리카를 자동 수확하기 위한 시스템 개발의 일환으로 파프리카 재배환경에서 획득한 영상 내에 존재하는 파프리카 영역과 비 파프리카 영역의 RGB 정보를 입력으로 하는 인공신경망을 설계하고 학습을 수행하고자 하였다. 학습된 신경망을 이용하여 영상 내 파프리카 영역과 비 파프리카영역의 구분이 가능 할 것으로 사료된다. 심층 신경망을 설계하기 위하여 MS Visual studio 2015의 C++, MFC와 Python 및 TensorFlow를 사용하였다. 먼저, 심층 신경망은 입력층과 출력층, 그리고 은닉층 8개를 가지는 형태로 입력 뉴런 3개, 출력 뉴런 4개, 각 은닉층의 뉴런은 5개로 설계하였다. 일반적으로 심층 신경망에서는 은닉층이 깊을수록 적은 입력으로 좋은 학습 결과를 기대 할 수 있지만 소요되는 시간이 길고 오버 피팅이 일어날 가능성이 높아진다. 따라서 본 연구에서는 소요시간을 줄이기 위하여 Xavier 초기화를 사용하였으며, 오버 피팅을 줄이기 위하여 ReLU 함수를 활성화 함수로 사용하였다. 파프리카 재배환경에서 획득한 영상에서 파프리카 영역과 비 파프리카 영역의 RGB 정보를 추출하여 학습의 입력으로 하고 기대 출력으로 붉은색 파프리카의 경우 [0 0 1], 노란색 파프리카의 경우 [0 1 0], 비 파프리카 영역의 경우 [1 0 0]으로 하는 형태로 3538개의 학습 셋을 만들었다. 학습 후 학습 결과를 평가하기 위하여 30개의 테스트 셋을 사용하였다. 학습 셋을 이용하여 학습을 수행하기 위해 학습률을 변경하면서 학습 결과를 확인하였다. 학습률을 0.01 이상으로 설정한 경우 학습이 이루어지지 않았다. 이는 학습률에 의해 결정되는 가중치의 변화량이 너무 커서 비용 함수의 결과가 0에 수렴하지 않고 발산하는 경향에 의한 것으로 사료된다. 학습률을 0.005, 0.001로 설정 한 경우 학습에 성공하였다. 학습률 0.005의 경우 학습 횟수3146회, 소요시간 20.48초, 학습 정확도 99.77%, 테스트 정확도 100%였으며, 학습률 0.001의 경우 학습 횟수 38931회, 소요시간 181.39초, 학습 정확도 99.95%, 테스트 정확도 100%였다. 학습률이 작을수록 더욱 정확한 학습이 가능하지만 소요되는 시간이 크고 국부 최소점에 빠질 확률이 높았다. 학습률이 큰 경우 학습 소요 시간이 줄어드는 반면 학습 과정에서 비용이 발산하여 학습이 이루어지지 않는 경우가 많음을 확인 하였다.

완전 합성곱 신경망을 활용한 자동 포트홀 탐지 기술의 개발 및 평가

전찬준,심승보,강성모,류승기 한국ITS학회 2018 한국ITS학회논문지 Vol.17 No.5

운전자의 안전사고에 직접적인 원인이 되고, 차량 파손을 유발시켜 재산상의 피해를 발생시 키고 있는 포트홀을 완전 합성곱 신경망 기반의 자동으로 탐지하는 기법을 본 논문에서는 제 안한다. 먼저, 실제 국내 도로를 주행하면서 차량에 설치된 카메라를 통하여 학습 데이터셋을 수집하고, 완전 합성곱 신경망 구조를 활용하여 의미론적 분할 형태로 신경망을 학습하였다. 어두운 환경에서 강건한 성능을 보이기 위하여 학습 데이터셋을 밝기에 따라서 증강하여 총 30,000장의 이미지를 학습하였다. 또한, 제안된 자동 포트홀 탐지 기술의 성능을 검증하기 위 하여 총 450장의 평가 DB를 생성하였고, 총 네 명의 전문가가 각각의 이미지를 평가하였다. 평가 결과, 제안된 포트홀 탐지 기술은 높은 민감도 수치를 나타나는 것으로 평가 되었으며, 이는 정탐에서 강건한 성능을 보이는 것으로 해석 가능하다. In this paper, we propose fully convolutional neural networks based automatic detection of a pothole that directly causes driver’s safety accidents and the vehicle damage. First, the training DB is collected through the camera installed in the vehicle while driving on the road, and the model is trained in the form of a semantic segmentation using the fully convolutional neural networks. In order to generate robust performance in a dark environment, we augmented the training DB according to brightness, and finally generated a total of 30,000 training images. In addition, a total of 450 evaluation DB was created to verify the performance of the proposed automatic pothole detection, and a total of four experts evaluated each image. As a result, the proposed pothole detection showed robust performance for missing.

기초학력 미달 학생 예측을 위한 심층인공신경망 모형의 활용 : 불균형 자료의 예측 모형 구축을 중심으로

홍유정(Yujung Hong),박현정(Hyun-Jeong Park) 한국교육평가학회 2021 교육평가연구 Vol.34 No.4

교육 연구에서 기초 수준 이하로 낮은 성취를 보이는 기초학력 미달 학생들은 지속적인 관심의 대상이다. 학습 결손은 학년을 거듭할수록 누적되고 심화되는 특성을 보이기 때문에, 기초학력 미달 학생의 학습 결손 초기에 선제적인 교육적 지원을 제공하는 것은 중요하다고 할 수 있다. 하지만 기초학력 미달 학생들은 소수집단으로 불균형 자료의 특성을 지니고 있어 일반적인 통계모형을 적용하여 분석하는 데 한계를 지닌다. 이러한 점을 고려하여 본 연구에서는 자료의 구조나 모형의 특성에 상대적으로 유연한 심층인공신경망을 적용하여 기초학력 미달 학생을 예측하는 모형을 구축하고자 하였다. 이를 위하여 한국교육종단연구 2013의 중학교 시기 응답 정보를 활용하였으며, Sparse Group Lasso 방법을 적용하여 학생, 학부모, 학교 전반의 방대한 정보 중 주요 예측변수를 선정하고, 이를 예측모형에 활용하였다. 또한, 심층인공신경망 모형에서는 소수집단 정보를 반영할 수 있는 다양한 방법을 탐색하고 그 결과를 기저모형인 HGLM 모형과 비교하였다. 분석결과, 비용민감기법을 적용한 예측모형의 성능이 모든 과목에서 우수하게 나타났으며, 과대표집 모형과 HGLM 모형 성능은 과목에 따라 다르게 나타났다. 이상의 결과를 토대로 교육연구에서 심층인공신경망을 활용한 소수집단 예측 연구의 시사점을 논하였으며, 추후 연구를 제언하였다. Low Academic Achievers’ learning deficit is gradually accumulated and deepened. Therefore, it is important to provide appropriate educational support to them before the learning deficit become severe. Educational Researchers have tried to figure out their cognitive, emotional and situational difficulties and build a system that identifies underachieving student early. However, since low academic achiever group is a minority class, it is hard to apply statistical prediction models. This study aims to predict low academic achievers by employing a deep neural network (DNN) that is relatively flexible model for both data structure and statistical assumptions when dealing with imbalanced data. Middle school students’ information in Korean Educational Longitudinal Study (KELS)2013 was used for analysis. Before specifying the predictive model, main predictors among all 364 variables in KELS2013 were selected by using Sparse Group Lasso technique. In predictive model using DNN, over-sampling and cost-sensitive methods that can reflect minority class information in model training were applied and the result of HGLM which is base model was also presented. The results showed that the cost-sensitive DNN model had a good performance in all subjects while the performance of the over-sampling DNN and the HGLM varied depending on subjects. Based on the results of this study, the implications for early predicting low academic achievers using DNN were discussed.