머신러닝 인공지능과 인간전문직의 협업의 의미와 법적 쟁점

설민수(Min Soo Seul) 한국법학원 2017 저스티스 Vol.- No.163

머신러닝 인공지능의 출현은 오랫동안 인간전문직의 독점적 영역으로 알려졌던 분야에서 인공지능과 인간전문직의 협업을 현실로 만들고 있고 최근 IBM의 Watson이 보여주듯이 의료분야는 이러한 상업화가 앞선 분야이다. 하지만 머신러닝 인공지능과 인간전문직은 문제해결 접근방식에서 구체적 추론을 보면 그 과정을 알 수 없는 계산된 확률과 납득할 수 있는 해명에 기초한 상당성, 그리고 빅 데이터를 이용한 패턴인식과 자신의 경험을 바탕으로 한 귀추론의 적용이라는 명백한 차이가 존재한다. 그 위에 인간 언어 이해의 기술적 한계, 개발국가와 사용 국가 사이의 관행 차이의 존재 등은 인간전문직과 머신러닝 인공지능 사이의 충돌가능성을 높인다. 이러한 상황에서 인간전문직과 머신러닝 인공지능이 협업을 한다고 하더라도 머신러닝 인공지능의 역할은 인간이 실질적 운전자가 아닌 지위로 전환되면서 책임경감이 논의되는 자율주행 자동차에서와 달리 인간전문직을 보조함으로써 실수를 예방하고 관련비용을 낮추는 역할에 국한된다. 구체적 예로서 의료과실에서 의사의 책임에 관해 보면 전문직으로서 법률상 독점적인 지위를 보호받고 있는 의사의 지위, 의사의 충실한 설명의무에 기초할때만 성립할 수 있는 환자의 자기결정권과 같은 사정을 고려해 보면 의사를 보조하는 머신러닝 인공지능의 지위는 의료기기 정도로서 의사의 의료과실 책임체계에 변화를 가져오기는 어렵다. 오히려 의사의 진단과 치료법 선택에 관한 책임을 결과의 예견가능성을 전제로 인정하는 기존의 법원 판결에 비추어 머신러닝 인공지능과의 협업은 현재의 머신러닝 발전단계에서는 특히 머신러닝 인공지능과 의사의 진단이 다를 경우 그 책임범위를 확대시킬 가능성이 더 높다. 다만 머신러닝 인공지능이 상당한 수준에 올라갈 미래의 발전단계에서는 머신러닝 인공지능은 의사의 유력한 방어수단이 될 수 있을 것으로 보이고 그때 균형을 이루기 위한 법률상 책임체계에 대한 고민이 시작될 가능성이 크다. 인간의 실수방지와 전문직 활용 시 비용절감을 앞세운 머신러닝과 인간전문직의 협업은 점점 현실로 다가오고있다. 상대적으로 그 활용 및 발전에 다양한 가능성이 열려있는 현재 단계에서는 포괄적인 규제보다는 상업화에 따른 점진적인 규제를 통해 대응해야 하고, 인간전문직 집단 역시 머신러닝 인공지능의 영향이 집중될 미숙련자들에 대한 교육‧훈련체계 개선에 힘을 기울여야 한다. The advent of machine learning artificial intelligence(hereafter “AI”) makes partnership between AI. and human professionals a reality in those areas that have long been regarded as a monopolistic area of human professionals and as the recent IBM Watson shows, the field of medicals is ahead of this commercialization trend. However, there is a clear distinction in problem solving approach between machine learning AI and human professionals, where machine learning AI leads those outcomes by calculation of probability by black-box process and recognition of hidden pattern based on big data while human professionals lead those outcomes by the plausibility based on explanations and application of abductive reasoning based on his or her own experience. Above it, the technical limitations of AI in understanding human language, and the existence of differences in practice between AI developing and using countries and other factors increase the possibility of collision between human professionals and machine learning AI. In this situation, even if human professionals and machine learning AI cooperate in partnership, the role of machine learning AI is limited to assist human professionals to prevent mistakes and lower the related costs unlike autonomous vehicles where human does not works as drivers practically anymore and human’s position changes from drivers to consumer actually so as to induce the discussion of the reduction in legal liability naturally As a concrete example, the physician’s liability in medical malpractice can not be changed largely even in partnership with machine learning AI when considering the status of the physician who is protected by law as sole provider of medical service and the patient’s self-determination right that can only be established based on the faithful explanation duty of the doctor, because status of physician assisting AI is medical device at best. Rather, in view of the existing court precedents that find physician liable in malpractice only when there is a possibility of foreseeability of the bad outcome in physician’s diagnosis and the choice of treatment, partnership with machine learning AI in the current stage of machine learning development enlarge physician’s liability expecially when diagnosis of physician and machine learning AI is differed. However, in the future where machine learning AI will reach a considerable level, machine learning AI will afford a strong defense for the physician, and at that time real deliberation of legal responsibility to balance will rise. Partnership between machine learning AI and human professionals are becoming more and more reality in expectation of reduction of human error and cutting costs. In the current stage, where various possibilities for utilization and development are relatively open, it is better to adopt incremental regulation as commercialization steps rather than comprehensive regulation, and also the human professional group should improve the education and training system for the novice group whom will suffer from machine learning AI at large.

실리콘 스프링을 이용한 러닝머신의 진동 저감에 관한 연구

이지훈 ( Ji Hoon LEe ),이문구 ( Moon G. Lee ) 한국스포츠정책과학원(구 한국스포츠개발원) 2010 체육과학연구 Vol.21 No.4

최근 비만인구의 증가와 삶의 질에 대한 관심이 높아지면서 가정에서 운동을 할 수 있는 러닝머신 또는 실내용 사이클과 같은 운동기구에 대한 관심이 높아지고 있으며 수요가 증가하고 있는 추세이다. 그러나 이러한 가정용 운동기기의 사용은 진동과 소음을 발생시켜서 이웃 간의 불편함을 야기하는 사회적 문제로 이어지고 있다. 특히 가정에서 가장 많이 사용될 뿐 아니라 진동의 발생이 가장 크게 나타나는 러닝머신은 아파트와 같은 집합건물에서 층간 소음의 문제를 일으키고 있는 실정이다. 기존의 러닝머신에서는 발생되는 진동을 줄이기 위하여 다양한 방법들을 사용하여 왔다. 그 중 가장 보편적인 방법이 코일 스프링을 사용하여 사용자에 의하여 발생되는 진동을 줄이는 것이다. 그리고 코일 스프링과 함께 대표적으로 사용되는 방법은 자동차의 바퀴 부분에서 사용되는 오일-댐퍼 시스템을 사용하는 것이다. 이와 같은 방법들은 사용자에 의하여 발생되는 진동을 줄이는 측면에서는 좋은 효과를 나타내다. 하지만 코일 스프링과 오일-댐퍼 시스템의 가장 큰 단점은 스프링이 체결되는 부위에서 과정에서 또 다른 진동과 소음이 발생된다는 것이다. 또한 오일-댐퍼 시스템은 일반적으로 고가의 장비이기 때문에 러닝머신에 적용시키는 것은 러닝머신 생산 비용의 상승을 가져오게 된다. 이 연구에서 사용된 러닝머신(Model: STEX 8000T)는 가장 기본적인 구조의 러닝머신으로서 사용자에 의하여 발생되는 진동을 줄이기 위한 간단한 기구가 사용된 것이다. 러닝머신의 구조상 사용자가 운동하는 답판을 지지하기 위하여 8개의 받침 구조가 사용되었다. 이 연구에서는 사용자에 의하여 발생되는 진동을 줄이기 위하여 일반적으로 사용되는 코일 스프링과 오일-댐퍼 시스템의 사용을 배제하고 단순한 구조와 생산성에 초점을 맞추어 진동을 저감시킬 수 있는 답판 지지대를 제안하였다. 이와 같은 초점에서 일반적으로 아파트와 같은 복층 구조의 건물에서 가장 흔하게 사용되는 러닝머신을 기준으로 실리콘 스프링을 이용한 진동 저감 구조를 설계하였다. 실리콘 스프링의 특징은 스프링 자체에서 발생되는 진동과 소음을 최대한 줄이면서 생산적인 측면에서 간단한 금형에서의 대량생산이 가능하여 기존의 진동저감 구조에서 발생되었던 단점을 보완하면서 진동 저감의 효과를 극대화 시킬 수 있다. 실리콘 스프링을 바닥면과 러닝머신의 답판 사이의 지지 구조로 채용하여 사용자에 의하여 발생되는 충격이 러닝머신의 몸체를 타고 바닥면에 전달되는 것을 막으면서 답판과 그 위의 사용자를 지지하게 한다. 기존의 지지구조가 적용된 러닝머신과 실리콘 스프링의 지지구조가 적용된 러닝머신의 바닥면에서 발생되는 진동의 크기를 비교하는 실험을 통하여 실리콘 스프링의 효과를 검증하였다. 결과적으로 실리콘 스프링이 적용된 러닝머신의 경우 기존의 지지대가 적용된 러닝머신에 비하여 사용자에 의한 진동을 20% 이상 저감시키는 것을 확인하였다. These days, the concern on health care becomes a issue by excessive nutrition and increase of obese people. As a trend, the demands of indoor fitness equipment such as treadmill, stepper and bicycle which can be used in home are increasing. But, many commercial fitness equipment generate the vibration and noise. The vibration and noise caused by fitness equipment become a social problem especially in complex building. Up to the present, many ways of reduction the vibration and noise are designed and manufactured. Commonly the coil spring damping device is widely used. But this device has high cost of production. In addition the fastener of the spring is a noise source. Besides rubber and air damper support is used to reduce vibration and noise of treadmill. But these devices can not reduce the vibration and noise that transfer downstairs effectively. Because they do not have enough complience in the limited size for the indoor equipment. In this paper, we propose the vibration reduction mechanism. We select the treadmill as the target fitness equipment. The treadmill is not only widely used fitness equipment but also generate the significant vibration problem. Generally the vibration and noise of the treadmill are generated in running pad when a person runs on it. Accordingly we aim to reduce the vibration of the running pad with the proposed mechanism with silicone spring module. From this research we design mechanism and fabricate the prototype mechanism. The mechanism is designed with silicone spring mechanism. The mechanism is mounted in the structure of treadmill and consists of six silicone springs for vibration and noise reduction spring. Each spring is made of silicone rubber for complience and durability. And the spring is so design that they can avoid concentrated stress. In addition to the reduction mechanism is evaluated by applying to treadmill. After applying, the vibration from running pads is measured by accelerometer. The data from measuring shows reduction of the vibration transmissibility to downstairs. This spring mechanism can effectively reduce the vibration and noise in complex building when it is applied to the various indoor fitness equipments.

마케팅 분야의 머신러닝 연구 동향 분석

김혜진(Kim, Hye-jin),이명구(Lee, Myounggu) 한국마케팅학회 2021 마케팅연구 Vol.36 No.1

최근 ICT 기술의 발달로 고성능 컴퓨팅과 데이터 저장 기술이 발전하고 다양한 데이터가 생성, 공유, 저장되는 것이 가능해짐에 따라 머신러닝을 활용하여 마케팅 인사이트를 얻는 사례가 크게 늘어났다. 본 연구는 마케팅 연구자들에게 머신러닝 기법의 기초적인 개념들을 소개하고 어떠한 마케팅 연구에 적용될 수 있는지 정리하여 머신러닝 연구를 활성화하는 데 목적이 있다. 먼저, 머신러닝의 기초적인 개념들과 머신러닝 방법론의 종류를 간략하게 소개한다. 그리고, 마케팅과 경영학의 최우수 저널에서 머신러닝을 다루는 연구를 찾아내어 여섯 가지 유형으로 정리하였는데, 그 유형들은 다음과 같다. 1) 머신러닝을 이용하여 데이터에서 마케팅 변수를 추출하여 다른 변수와의 관계를 살펴보는 연구, 2) 머신러닝을 이용하여 새로운 데이터를 활용하는 연구, 3) 새로운 방법론이나 현존하는 방법론의 개선을 제안하는 연구, 4) 머신러닝을 이용하여 마케팅 현상의 패턴을 설명하는 연구, 5) 머신러닝을 이용하여 마케팅 현상을 예측하고, 예측력 향상에 영향을 미치는 변수들을 살펴보는 연구, 6) 마케팅 문제에 대한 해결책을 제시하고 인과관계를 규명하는 연구이다. 마지막으로, 마케팅 분야에서 머신러닝 활성화를 위한 제언과 마케팅 연구자들을 위한 함의를 제공한다. Machine learning methods have gained popularity in marketing academia due to the proliferation of ICT technology. This research aims to introduce marketing academics to methods in machine learning and how they can be applied to research in marketing. We first introduce basic concepts and methodologies in machine learning. Then we examine a list of literature from top marketing and business journals, identify a list of papers that apply machine learning, and categorize them into six types of research. (1) research which extracts marketing variables from data and examines the relationship with other variables, (2) research which uncovers ways to analyze new types of data, (3) research which proposes new methodologies or ways to improve current methodologies, (4) research which aims to describe patterns in marketing phenomena rather than identifying relationships between variables, (5) research which aim to predict marketing phenomena and identify variables that aid prediction, and (6) research which aims to tackle marketing problems and identify causal relationships. We conclude the study with a summary of the advantages and disadvantages of machine learning methods and implications for marketing academics.

머신러닝에서 저작권 침해 검토

운박(Yun Bo),정연덕(Chung, Yeun-Dek) 한국저작권위원회 2021 계간 저작권 Vol.34 No.3

인공지능기술의 발전으로 현행 저작권법상 여러 가지 문제가 늘어나고 있다. 인공지능의 한 분야인 머신러닝(machine learning)이 타인의 저작물이나 데이터를 이용하는 행위가 과연 저작권이 면책되는지 문제가 된다. 즉, 머신러닝 기술을 통해서 허락 없이 저작물을 이용하여 인간보다 더욱 빠르게 새로운 저작물을 만들어내는 행위는 공정이용에 해당되는지 혹은 저작권 침해책임을 부담하여야 되는지 문제가 된다. 본 연구는 우선 현행 인공지능과 머신러닝에 대해 각 학설을 정리하고 인공지능 개념과 머신러닝 개념을 구별한다. 머신러닝의 3가지 종류도 검토하며, 머신러닝의 공정이용 4가지 요소를 적용 여부되는지에 검토한다. 머신러닝 과정에서 주로 표현적 내용여부를 기준으로 ‘비 표현적 머신러닝(non-expressive machine learning)’과 ‘표현적 머신러닝(expressive machine learning)’ 두 가지로 나누었다. 본문은 머신러닝의 저작물이 특정 작가에 기인하는지를 기준으로 ‘표현적 머신러닝’을 ‘일반 표현적 머신러닝(general-expressive machine learning)’과 ‘특정 표현적 머신러닝(specificexpressive machine learning)’으로 한 단계 더 구분한다. 그리고 머신러닝 유형에 따라 공정이용에 해당되는지와 저작권 침해 여부를 논의한다. 결론은 비 표현적 머신러닝은 저작권법상 저작물을 이용하는 것이 아니어서 침해책임이 없다. 일반 표현적 머신러닝은 저작권법상 저작물을 이용하여 공정이용으로 판단되기 때문에 저작권 침해책임이 없다. 특정 표현적인 머신러닝을 이용한 머신러닝은 저작권법상의 저작물을 이용하는 것에 해당하며, 공정이용으로 인정할 수 없어서 해당 저작권 침해책임을 져야 한다. 이 유형의 머신러닝은 해당 저작물 저작권자의 허락을 받거나 저작권료를 지급해야 한다. The development of artificial intelligence technology is increasing a number of problems under the current copyright law. It is doubtful whether machine learning, a field of artificial intelligence, is exempt from the use of other people’s works or dating. In other words, creating new works faster than humans using machine learning technology without the same work is a question of process requirement or copyright infringement responsibility. This study first organizes each theory about current artificial intelligence and machine learning, and distinguishes artificial intelligence concepts from machine learning concepts. It will also review three types of machine learning, and examine whether four elements of machine learning are applied or not applied. In the process of machine learning, expressive contents were divided into two categories: non-expressive machine learning and expressive machine learning based on whether or not to export them. The text further distinguishes “expressive machine learning” from “general-expressive machine learning” and “specific-expressive machine learning” based on whether the work of machine learning is attributable to a specific author. In addition, depending on the type of machine learning, it is discussed whether it corresponds to the use of the process or whether it violates copyright. The bottom line is that non-expression machine learning does not use works under copyright law, so it is not responsible for infringement. General expressive machine learning is not responsible for copyright infringement because it is judged to be used as a process using works under the Copyright Act. Machine learning using specific expressive machine learning corresponds to the use of works under the Copyright Act, and cannot be recognized as a fair use, so it is responsible for copyright infringement. This type of machine learning requires permission from the copyright holder or payment of copyright fees.

물질의 상태 분류에 대한 머신러닝 기반 교사교육 프로그램의 교육적 효과

최정인(Jung-In Choi),백성혜(Seoung-Hey Paik) 학습자중심교과교육학회 2023 학습자중심교과교육연구 Vol.23 No.2

목적 본 연구에서는 초·중등 과학교사를 대상으로 물질의 상태 분류에 대한 머신러닝 기반 교사교육 프로그램을 개발 및 실행하여 물질의 상태 분류 머신러닝 모델을 구축하였다. 그리고 모델의 평가 및 과학교사들의 경험을 질적 분석하여 프로그램의 효과성 및 과학수업에 머신러닝을 적용하는 것에 대한 과학교사들의 인식을 확인하고자 하였다. 방법 이를 위하여 중부권 소재의 사범대학의 교육대학원에 재학 중인 초·중등 과학교사 31명을 대상으로 총 3회의 물질의 상태 분류 활동을 수행하고 의사결정트리 알고리즘을 적용한 머신러닝 모델로 구축하였다. 그리고 정확도, F1-score 등 모델 성능 평가를 통해 프로그램의 효과성을 확인하였다. 또한 과학교사들이 머신러닝의 적용에 대해 갖는 생각을 질적 분석하였다. 결과 총 3회의 물질의 상태 분류 활동 동안 구축된 모델의 성능 평가 결과 정확도, F1-score 등의 값이 정적으로 증가하여 물질의 상태 분류에 대한 머신러닝 기반 교사교육 프로그램의 교육적 효과가 있는 것으로 판단되었다. 그리고 연구 참여자들의 머신러닝 모델 생성을 위한 데이터를 분석한 결과, 지식에 근거한 연역적 사고과정을 통해 물질의 상태를 분류하는 경우가 있음이 드러났다. 머신러닝 모델의 분류 성능을 비교한 결과 미시적 분류 기준보다는 거시적 분류 기준이 더 큰 영향을 주었으며, 물질의 사례별 연구 참여자와 머신러닝 모델의 분류 결과를 비교하였을 때 혼합물의 경우 불일치도가 증가하였다. 또한 질적 연구 분석을 통해 연구 참여자들이 머신러닝의 적용에 대해 갖는 생각을 ‘과학 개념의 생성 과정 체험’, ‘인지갈등’, ‘의사소통’ 등 9개의 주제로 도출하였다. 결론 머신러닝을 과학교육의 탐구학습 방안으로 교사교육에 적극 도입하여야 하며, 머신러닝 기반 교육 프로그램을 토대로 귀납적 사고와 같은 과학적 추론 과정을 제대로 반영할 수 있는 교과서 등의 교육 자료가 개발되어야 하겠다. 그리고 혼합물을 물질의 상태 분류 학습에 포함시켜야 하는가에 대한 과학적 관점에서의 논의가 필요하다. Objectives In this study, a machine learning-based teacher education program for classifying the state of matter was developed and implemented for elementary and secondary science teachers and machine learning model for state classification of matter was established. And by analyzing the model evaluation and the experience of science teachers qualitatively, it was attempted to confirm the effectiveness of the program and the perception of science teachers about the application of machine learning to science classes. Methods For 31 elementary and middle school science teachers enrolled in the Graduate School of Education at the College of Education located in the central region, a total of three matter classification activities were performed and a decision tree algorithm was applied to the machine learning model. And the effectiveness of the program was confirmed through model performance evaluation such as accuracy and F1-score. In addition, we qualitatively analyzed the thoughts of science teachers on the application of machine learning. Results TAs a result of evaluating the performance of the built model during a total of 3 state of matter classification activities, it was determined that the accuracy and F1-score values increased statically, resulting in the educational effect of the Machine Learning-Based Teacher Education Program on the Classifying State of Matter. And as a result of analyzing the data of the study participants, it was revealed that there are cases in which the states of matter are classified through a deductive thinking process based on knowledge. As a result of comparing evaluation indicators of the machine learning models, the macroscopic classification criteria had a greater effect than the microscopic classification criteria. And when the classification results between the machine learning model and the research participants for various examples were compared, in the case of mixtures, the degree of inconsistency increased. In addition, through qualitative research analysis, the thoughts of science teachers on the application of machine learning were derived into nine topics, including ‘experience the process of creating science concepts’, ‘cognitive conflict’, and ‘communication’. Conclusions Machine learning should be actively introduced into teacher education as an inquiry-learning method of science education. And educational materials such as textbooks that can properly reflect scientific reasoning processes such as inductive thinking should be developed based on machine learning-based education programs. And it is necessary to discuss from a scientific point of view whether mixtures should be included in the learning of Classifying State of Matter.

4차 산업혁명 시대의 무역경영 분야에서 머신러닝 활용 방안에 관한 연구

박영현 한국무역경영학회 2023 한국무역경영연구 Vol.- No.30

Since John McCarthy first used the term artificial intelligence (AI) at a conference held at Dartmouth College in 1956, artificial intelligence has grown along with the introduction of natural language processing and multilayer neural networks. Since the 21st century, deep learning has been announced, and unsupervised learning methods have become possible. Artificial intelligence is already demonstrating its ability to exceed human levels in some fields, and with the recent emergence of generative artificial intelligence, it presents various possibilities in the creative field, and the public's interest and trust in it are greatly increasing. am. In this way, the possibility of using artificial intelligence and how to apply it are being discussed in various fields, and a favorable approach to artificial intelligence is being made in the industrial aspect in the field of trade. What is needed to implement this artificial intelligence is machine learning and big data, which trains computers to learn from data and improve through experience, instead of explicitly programming computers as in the traditional way. Subcomponents of machine learning include deep learning and neural networks. In machine learning, algorithms find patterns and correlations in large-scale data sets and make optimal decisions and predictions based on analysis. At this time, big data is the learning material necessary for learning machine learning. Therefore, for artificial intelligence, machine learning and big data are essential and complementary to each other. However, research on machine learning in the field of trade management has not yet been activated, and although some studies are being conducted, its scope and application are still insufficient. Therefore, in this study, through previous research on artificial intelligence, machine learning, and deep learning, we analyzed the existing research trends on artificial intelligence, and suggested ways to activate machine learning in the field of trade management and policy proposals to improve our understanding of this field. I would like to contribute to follow-up research. 1956년 미국 다트머스 대학교에서 개최된 학회에서 미국 인지심리학자이자 컴퓨터과학자인 존 매카시(John McCarthy)가 인공지능(Artificial Intelligence; AI)이라는 용어를 처음 사용한 이래로 인공지능은 자연어처리나 다층 신경회로망의 도입과 함께 크게 성장하였다. 21세기 이후로는 딥러닝(Deep Learning)이 발표되면서 비지도 학습방법이 가능하게 되었으며, 국내에서는 2016년 알파고와 이세돌 9단의 바둑 대결이 이루어지면서 크게 화제가 되기도 하였다. 이미 인공지능은 일부 분야에 있어서 인간의 수준을 뛰어넘는 능력을 발휘하고 있으며, 최근에는 생성형 인공지능의 등장으로 창작 영역에 있어서도 다양한 가능성을 제시하고 이에 대한 대중의 관심과 신뢰도 크게 증가하고 있는 추세이다. 이와 같이 다양한 분야에서 인공지능 활용 가능성과 적용 방법에 대해 논의하고 있으며, 무역 분야에 있어서도 산업 측면에서 인공지능에 대한 호의적인 접근이 이루어지고 있다. 인공지능에 긍정적인 측에서는 인공지능의 발전이 스스로 가장 적절한 바이어를 찾아서 계약을 체결하고 무역서류를 만들어 송부하는 등의 무역 전반의 업무를 AI가 대체할 수 있을 것으로 기대하고 있다. 또한 결제 사기나 선적 사기와 같은 무역 사기 등을 원천 차단하여 무역 리스크를 경감시키고 무역 및 산업동향을 분석하고 예측하는데도 기여할 것으로 여겨진다. 이러한 인공지능을 구현하기 위해 필요한 것이 머신러닝과 빅데이터로, 기존 방식처럼 명시적으로 컴퓨터를 프로그래밍하는 대신에 컴퓨터가 데이터를 통해 학습하고 경험을 통해 개선하도록 훈련시키는 것이다. 머신러닝의 하위 구성요소로는 딥러닝과, 신경망(Neural networks)이 있다. 머신러닝에서 알고리즘은 대규모 데이터 세트에서 상관관계와 패턴을 찾고 분석을 통해 최적의 의사결정과 예측을 수행하도록 하는데, 이때 머신러닝의 학습을 위해 필요한 학습자료가 빅데이터라고 할 수 있다. 따라서 인공지능을 위해서 머신러닝과 빅데이터는 서로 필수적이며 보완적인 상호관계에 있다. 다만, 무역경영 분야에 있어서 머신러닝에 대한 연구는 아직 활성화가 되어 있지 않으며, 일부 연구가 이루어지고는 있으나 그 범주나 활용은 아직 미비하다고 할 수 있다. 이에 본 연구에서는 인공지능, 머신러닝, 딥러닝에 대한 선행연구를 통해 인공지능에 대한 기존의 연구 동향을 분석하고, 무역경영 분야에 대한 머신러닝의 활성화 방안과 정책적 제언을 제시하여 이 분야에 대한 후속 연구에 기여하고자 한다.

머신러닝 알고리즘으로 생성된 이미지 데이터 작업의 특성 연구 - 본인 작업을 중심으로

심철웅 한국영상학회 2021 한국영상학회 논문집 Vol.19 No.3

본 연구는 이미지 데이터에 머신러닝 스타일간2(StyleGAN2) 알고리즘을 적용하여 생성된 영상 이미지 작업의 특성과 의미에 대한 고찰이다. 특히 이미지 데이터의 속성에 관계된 본 연구자의 작업 주제와 문제의식을 스타일간2 알고리즘의 역할과 무 작위적 특성과 연관하여 살펴보고자 한다. 스타일간2를 활용한 작업을 위해 본 연구자는 작업 주제와 소재가 되는 아카이브 이미지 데이터들을 수집하고, 영상 기록을 이미지 데이터로 변환하였다. 그리고 작업 주제와 개념에 따라 분류하고 스타일간2 에 적합하도록 이미지 데이터의 해상도와 크기 등을 조정한 후, 머신러닝 스타일간2 알고리즘 훈련(training)을 거쳐 모델 (model) 이미지와 영상을 생성(generate)하였다. 그렇게 생성된 모델에 이미지 데이터들을 다시 훈련하게 하는 과정을 반복하 여 새로운 모델 이미지와 영상 결과물을 산출하였다. 이러한 작업에서, 이미지 데이터 세트의 내용과 소재는 머신러닝 스타일 간2를 활용한 작업의 의미를 결정하는 데 가장 중요한 근거가 된다. 특히 본 논문 연구작업에서 아카이브 이미지 데이터와 미술사 슬라이드 데이터를 활용하여 생성된 이미지 결과물들은 작가의 작업 개념 및 의도와 연관된 의미 있는 특성들을 표현 한다. 이러한 특성들을 생성하는 머신러닝 알고리즘 스타일간2의 역할에 대해 본 연구자는 기존에 통용되는 알고리즘의 전산 적 창조성(computational creativity)의 맥락에서 ‘양도적 창조성’(Bestowed Creativity)이라는 용어를 창안한다. 이 새로운 용 어는 작가(연구자)의 창조성을 스타일간2 알고리즘의 역할과 어느 정도 공유한다는 의미를 지니고 있으며, 작가의 창조성 일 부를 양도한다는 맥락으로 제시하는 것이다. 궁극적으로, 이러한 과정을 통해서 머신러닝 스타일간2 알고리즘의 기술적 특성 과 역할 등을 살펴보고, 본 연구자의 작업 확장 가능성을 가늠하고자 한다. This study focuses on the meaning and characteristics of video images generated by the machine learning algorithm StyleGAN2 using my image datasets. I will examine my intention and concepts with regard to image data using the randomness characteristic of the StyleGAN2 algorithm. The contents and materials of the image datasets are the basis to determine the meaning of the work overall. In this paper, I focus the characteristics of the resulting images generated by the machine learning algorithm StyleGAN2. In particular, a meaningful particularity is presented in the generated resulting images from archive image data and art history slide data. Based on the working process of StyleGAN2 and on the image datasets, I intend to define the computational creativity of the machine learning algorithm as “bestowed creativity” that serves to generate novel aesthetic images without direct human manipulation. In a sense, because my image data conveys my ideas and concepts as they pertain to the generated results, the main creator is the artist (me), but I would like to share the creativity with the machine learning algorithm to which the concept of ‘bestowed creativity’ is given. At the same time, I am willing to extend the possibility of works using machine learning algorithms and examine the corresponding technological particularity and limitations. I would like to share the definition of “bestowed creativity” with computational creativity from an artistic conceptual perspective.

텐서플로우를 이용한 미디어아트 제작 연구 -마젠타API의 응용을 중심으로-

노승관 ( No Seung-kwan ) 커뮤니케이션디자인학회(구 시각디자인학회) 2019 커뮤니케이션 디자인학연구 Vol.69 No.-

머신러닝은 4차 산업혁명의 핵심 기술로 디자인과 예술 창작에도 큰 변화를 가져오고 있다. 미디어아트는 첨단 예술과 테크놀로지를 결합시킨 아트 분야로 머신러닝을 활용한 창작의 가능성의 실험이 활발한 분야이다. 본 논문은 머신러닝을 활용한 미디어아트 작품FVTM:From Vera to Magenta(2019)의 제작 과정 분석을 통해 머신러닝의 아트와 디자인의 실제적 활용 가능성을 탐구하였다. 먼저 인공지능과 머신러닝의 기술의 발전과정을 살펴보았고, 4가지 주요 머신러닝 프레임워크들의 특징을 비교하였다. 본 연구의 프레임워크로 선택된 구글 텐서플로우의 특징을 밝히고, 아티스트를 위해 개발된 마젠타 API의 사운드 모델과 이미지모델의 구성을 분석하였다. 작품 제작 단계에서 FTVA의 오픈소스를 활용한 리믹싱의 진화과정을 밝히고, 작품 구현의 두 가지 축을 이루는 마젠타 API의 사전훈련된 VAE 모델을 적용한 사운드 생성과 색상값의 중첩 과정을 통한 시각 요소의 생성 및 매핑과정을 설명하였다. 완성된 FVTM 작품의 의의와 새로운 모델훈련 및 적용을 통한 후속 연구의 가능성을 논의하였다. 본 논문은 머신러닝 API를 활용한 실제 생성형 작품제작을 통하여 머신러닝과 아트와 디자인의 협동 창작을 촉진하기를 기대한다. Machine learning is the core technology of 4th industrial revolution and brought big changes in art and design creations. Media art is a form of art practice which converge cutting edge art and design and possibilities of creating art with machine learning is active in this field. This paper investigate the pratical possibilities of machine learning in art and design through analysing the creative process of interactive web art work FVTM:From Vera to Magenta(2019). The paper surveyed the development of artificial intelligence and machine learning technology and compared the characteristics of four major machine learning frameworks. Main study illustrates the characteristic of Google’s Tensorflow, the chosen framework for project and analyse two components of Magenta API which was developed based on Tensorflow especially for artists and designers; it’s sound models and image models. In creation stage, the paper illustrates evolution of open source remixing process for FVTM and explain the two main elements of the work; generation of sound applying pre-trained VAE model of Magenta API and creation and mapping process of visual elements which utilize the process of color value overlapping. Significance of FVTM work and possible of future work using new model build, train and mapping. By presenting the process of creating generative art work using machine learning API, the paper aim to stimulate more active collaboration between machine learning and art of various disciplines.

머신러닝 기법과 TBM 시공정보를 활용한 토압식 쉴드TBM 굴진율 예측 연구

강태호(Tae-Ho Kang),최순욱(Soon-Wook Choi),이철호(Chulho Lee),장수호(Soo-Ho Chang) 한국암반공학회 2020 터널과지하공간 Vol.30 No.6

최근 AI 기술의 발전과 정립으로 자동화 분야에서 머신러닝 기법의 활용이 활발하게 이루어지고 있다. 머신러닝 기법의 활용에 있어 중요한 점은 데이터 특성에 따라 적합한 알고리즘이 존재한다는 점이며, 머신러닝 기법 적용을 위한 데이터세트의 분석이 필요하다. 본 연구에서는 다양한 머신러닝 기법을 기반으로 하천 하부의 토사지반을 통과하는 토압식 쉴드TBM 터널 구간의 지반정보와 굴진정보를 사용하여 토압식 쉴드TBM의 굴진율을 예측하였다. 선형회귀모델에서 모델의 통계적인 유의성과 다중공선성에서는 문제가 없었으나 결정계수가 0.76으로 나타났고 앙상블 모델과 서포트 벡터 머신에서는 0.88이상의 예측성능을 보여, 분석한 데이터세트에서 토압식 쉴드TBM 굴진성능예측에 적합한 모델은 서포트 벡터 머신임을 알 수 있었다. 현재 도출된 결과로 볼 때, 토압식 쉴드TBM의 기계데이터와 지반정보가 포함된 데이터를 활용한 굴진성능 예측 모델의 적합성은 높다고 판단된다. 추가적으로 지반조건의 다양성과 데이터양을 늘리는 연구가 필요한 것으로 판단된다. Machine learning has been actively used in the field of automation due to the development and establishment of AI technology. The important thing in utilizing machine learning is that appropriate algorithms exist depending on data characteristics, and it is needed to analysis the datasets for applying machine learning techniques. In this study, advance rate is predicted using geotechnical and machine data of TBM tunnel section passing through the soil ground below the stream. Although there were no problems of application of statistical technology in the linear regression model, the coefficient of determination was 0.76. While, the ensemble model and support vector machine showed the predicted performance of 0.88 or higher. it is indicating that the model suitable for predicting advance rate of the EPB Shield TBM was the support vector machine in the analyzed dataset. As a result, it is judged that the suitability of the prediction model using data including mechanical data and ground information is high. In addition, research is needed to increase the diversity of ground conditions and the amount of data.

머신러닝을 활용한 렛츠런 파크 입장객 수요 예측 최적화 모델 연구

김진국 ( Jin Kook Kim ) 한국스포츠정책과학원 2021 체육과학연구 Vol.32 No.3

[목적] 본 연구는 머신러닝을 활용하여 렛츠런 파크의 입장객 수요를 예측하는 최적의 모델을 발견하여 향후 마케팅 전략을 수립하는데 실효성 있는 자료를 제공하는데 그 목적이 있다.[방법] 이를 위해 머신러닝 방법을 랜덤포레스트, 에이다부스트, 그래디언트부스틴의 3가지 방법을 적용하였고, 입장객 예측을 위한 변수는 날씨 데이터와 4년 간 날짜별 입장객 수를 훈련 데이터로 설정하고, 1년간 실제 데이터와 비교하여 정확도를 예측하였다.[결과] 첫째, 랜덤포레스트를 이용하여 성능 평가를 실시한 결과 RMSE=1856.067, R²=.965였고, 오차는 6.47% 이다. 둘째, 에이다부스트를 이용하여 성능 평가를 실시한 결과 RMSE=1836.227, R²=.965였고, 오차는 5.25%로 3개의 머신러닝 중 가장 낮았다. 셋째, 그래디언트 부스팅을 이용하여 성능 평가를 실시한 결과 RMSE=1797.400, R²=.967로 3개의 머신러닝 중 가장 정확도가 높았고, 오차는 6.99% 이다.[결론] 본 연구의 결과 3개의 머신러닝은 각각의 특징이 존재하였으나, 가장 성능이 우수한 모델은 그래디언트 부스팅이었다. 또한 모든 머신러닝의 결과가 대부분 언더피트(underfitting)의 경향을 보여 보다 정교한 모델을 구출하기 위해서는 이벤트, 날씨 등의 변수에 대한 전처리가 더욱 요구된다고 하겠다. 아울러 현장에서 활용할 수 있는 가장 좋은 방법은 3개의 머신러닝의 결과를 종합적으로 판단하여 입장객 수를 예측하는 것이 가장 좋고, 이를 통해 효율적인 마케팅 의사결정에 도움을 줄 것으로 판단된다. PURPOSE The purpose of this study is to find the best model to predict the demand of visitors in Let’s Run Park by using machine learning and to provide effective data for establishing future marketing strategies. METHODS For this purpose, three methods of machine learning were applied: random forest, adaboost, and gradient boosting. The variables for predicting the audience were weather data and the number of visitors per date for four years as training data, and the accuracy was predicted by comparing the actual data for one year. RESULTS First, the performance evaluation using random forest was conducted, RMSE = 1856.067, R² = .965, and error was 6.47%. Second, the performance evaluation using Adaboost was conducted, RMSE = 1836.227, R² = .965, and error was 5.25%, which was the lowest among the three machine learnings. Third, the performance evaluation using gradient boosting showed that RMSE = 1797.400 and R² = .967 were the most accurate among the three machine learnings and error was 6.99%. CONCLUSIONS As a result of this study, each of the three machine learning features existed, but the most efficient model was gradient boosting. In addition, the best way to utilize it in the field is to predict the number of visitors by comprehensively judging the results of the three machine learning, and it is judged that it will help efficient management decision making in the future.