인공지능 학습데이터의 저작권법상 보호와 한계

유영복 ( You Young-bock ) 중앙대학교 법학연구원 문화미디어엔터테인먼트법연구소 2021 문화.미디어.엔터테인먼트 법 Vol.15 No.2

지금 제조업은 Digital Transformation 시대의 한가운데 있다. 많은 제조기업은 인공지능 기반의 Digital Twin 구현을 통해 생존을 위한 변신을 추진하고 있다. Digital Twin은 기존 공정을 인공지능 학습데이터로 만들어 이를 기계학습한 인공지능들의 집합이다. 결국, 기업은 많은 자원을 투입하여 인공지능 학습데이터를 생성하고, 이에 대한 배타적 권리를 요구하게 되었다. 본 고에서는 배타적 권리 중에서도 저작권법상의 권리를 중심으로 인공지능 학습데이터의 보호 방안에 대해 살펴보았다. 인공지능 학습데이터의 보호 방안으로는 데이터베이스제작자의 권리로 보호하는 방안과 편집저작물로 보호하는 방안이 있다. 최근의 판례에 따르면 데이터베이스제작자로 인정받기 위해서는 데이터베이스 제작에 대해 일정한 요건을 갖추어야 하는데, 이를 인공지능 학습데이터의 제작에 대입하여 보면 일반적으로 인공지능 학습데이터의 제작자는 데이터베이스제작자의 권리로 보호받을 수 있을 것으로 사료된다. 반면, 인공지능 학습데이터의 소재의 선택, 배열 또는 구성에 창작성이 있으면 편집저작물로 인정되어 독자적 저작물로 보호받을 수 있다. 인공지능이 인공지능 학습데이터를 생성하는 경우도 상정해 볼 수 있다. 우리 저작권법에 따르면 인공지능의 생성물은 저작물이 될 수 없을 것으로 판단된다. 하지만 1998년 제정된 영국저작권법의 ‘컴퓨터 생성 저작물의 법리’를 차용하면 인공지능이 생성한 인공지능 학습데이터도 저작물로 인정받을 수 있고, 그 저작권은 ‘조정한 자’에게 귀속될 수 있을 것으로 판단된다. 다만, 인공지능 학습데이터가 지닌 여러 가지 기술적인 특성 때문에 보호 방안에는 명확한 한계가 존재하는 것으로 보인다. 데이터산업의 인공지능 경제 가치사슬에서 우리나라가 비교우위에 있는 분야는 인공지능 학습데이터 시장일 것이다. 국가 경쟁력 강화를 위해서라도 인공지능 학습데이터에 관련된 법제도의 정비가 필요하다. The manufacturing industry is now in the middle of the digital transformation era. Many manufacturing companies are pursuing transformation for survival through the implementation of digital twins based on artificial intelligence. A digital twin is a set of artificial intelligences that machine-learned existing processes into machine learning training data. In the end, companies demanding exclusive rights for it. In this paper, among the exclusive rights, the protection measures for machine learning training data have been examined focusing on the rights under the Copyright Act. There are two ways to protect machine learning training data : to protect it with the rights of the database producer and to protect it as an edited work that has a copyright. According to recent precedents, in order to be recognized as a database producer, certain requirements for database production must be met. is presumed to be On the other hand, if there is creativity in the selection, arrangement or composition of the material of machine learning training data, it is recognized as an edited work that has a copyright and can be protected as an independent work. A case in which artificial intelligence generates machine learning training data is also conceivable. According to Korean copyright law, it is judged that creations that made by AI cannot be copyrighted works. However, by borrowing the 'jurisprudence of computer-generated works' of the UK Copyright Act enacted in 1998, Machine learning training data generated by artificial intelligence can be recognized as a work, and it is judged that the copyright can be attributed to the 'the man who has arranged'. do. However, due to the various technical characteristics of machine learning training data, there seems to be a clear limit to the protection measures. The field in which Korea has a comparative advantage in the artificial intelligence economic value chain of the data industry will be the Machine learning training data market. To strengthen national competitiveness, it is necessary to reorganize the legal system related to machine learning training data.

인공지능 학습 맥락에서의 TDM 면책과 공정이용에 관한 소고

권순재 한국정보법학회 2024 정보법학 Vol.28 No.2

학습된 인공지능 모델의 내부 표현들로부터는 단지 군집화되고 통계적인 묘사에불과한 정보만을 발견하게 되고, 학습데이터의 복제물이 학습된 모델의 어딘가에 보관되어 있다고는 평가할 수 없다. 이러한 기술적 특징은 학습용 데이터세트를 구축할때 저작물성 있는 콘텐츠의 권리처리에 문제가 있는 경우 인공지능 모델 학습과정에서 이를 바로잡는 것을 매우 어렵게 만든다. 특히, 일부 국가에서는 TDM 면책을 적용받는 비상업적, 연구목적의 학습용 데이터세트 구축을 통해 데이터 세탁(data-laundering)이 발생할 수 있다. 이를 통해 권리자와 학습용 데이터세트의 관계는절연될 수 있고, 또한 학습된 모델이 산출한 생성물과의 관계에서도 의거성과 실질적유사성을 인정하기 곤란하여 또다시 단절될 수 있다. 특히, 생성형 인공지능이 주도하는 TDM은 더 이상 단지 학습데이터의 통계적 규칙이나 패턴을 분석하여 가치 있는 정보를 추출하고 새로운 지식을 발견하는 것에 그치는 것이 아니다. 생성형 인공지능은 TDM에 힘입어 새롭고 혁신적인 콘텐츠를 생성해낸다. 이러한 인공지능 생성물이 학습데이터로 이용된 저작물이 속한 특정 시장에서서로 경쟁하는 관계에 놓일 때는 공정이용 요건을 쉽게 달성하기는 곤란할 것이다. 게다가 합성데이터의 대두를 고려하면 인공지능 생성물은 향후 인공지능 학습데이터시장에서조차 저작물성 있는 콘텐츠를 완전히 대체하게 될 수 있다. 한편, 생성형 인공지능 맥락에서 특히 중요한 학습데이터는 미세 조정(fine-tuning) 을 위한 것이다. 이러한 학습데이터의 경우 최종 인공지능 생성물의 표현형식과 유사한 형태의 콘텐츠일 경우가 많을 것이고, 이것이 저작물성 있는 경우 이용자의 면책여지는 줄어들 수 있고 오히려 권리자의 협상력이 강화될 수 있다. 따라서, 저작권법적 관점에서는 이러한 상황을 발견하는 것을 기대할 필요가 있다. 지금은 어느 때보다도 TDM에 대한 포괄적 면책 규정 도입의 당위와 공정이용 요건에 대한 신중한 접근이 요구된다. From the internal representations of a trained AI model, we can only discover information that is merely clustered and statistically described, and we cannot evaluate that a reproduction of the training data is retained somewhere in the trained model. These technical characteristics make it very difficult to correct it in the AI model training process when there is a legal problem with the licensing of copyrighted content when building a training dataset. In particular, in some countries, data laundering can occur through the building of a non-commercial, research-purpose training dataset that applies TDM exceptions. Through this, the relationship between the rights holder and the training dataset can be insulated, and it can also be difficult to recognize the origin and substantial similarity in the relationship with the outputs generated from the trained model, which can be severed again. Especially, TDM driven by generative AI is no longer limited to analyzing statistical representation or patterns of training data to extract valuable information and discover new knowledge. Generative AI creates new and innovative content through TDM. If these AI-generated works are in a competitive relationship in a specific market where the copyrighted works used as training data belong, it will be difficult to easily achieve fair use requirements. Moreover, considering the emergence of synthetic data, AI-generated works may completely replace copyrighted content even in the future AI training data market. On the other hand, in the context of generative AI, particularly important training data is for fine-tuning. In the case of such training data, it is likely to be content similar in form to the final AI-generated outputs, and if it is copyrighted, the user’s exemption may decrease and the rights holder’s bargaining power may increase. Therefore, from a copyright law perspective, it is necessary to expect to find such situations. Now, more than ever, there is a need for a careful approach to the introduction of comprehensive exception regulations for TDM and fair use requirements.

Document Image Binarization by GAN with Unpaired Data Training

Quang-Vinh Dang,Guee-Sang Lee 한국콘텐츠학회(IJOC) 2020 International Journal of Contents Vol.16 No.2

Data is critical in deep learning but the scarcity of data often occurs in research, especially in the preparation of the paired training data. In this paper, document image binarization with unpaired data is studied by introducing adversarial learning, excluding the need for supervised or labeled datasets. However, the simple extension of the previous unpaired training to binarization inevitably leads to poor performance compared to paired data training. Thus, a new deep learning approach is proposed by introducing a multidiversity of higher quality generated images. In this paper, a two-stage model is proposed that comprises the generative adversarial network (GAN) followed by the U-net network. In the first stage, the GAN uses the unpaired image data to create paired image data. With the second stage, the generated paired image data are passed through the U-net network for binarization. Thus, the trained U-net becomes the binarization model during the testing. The proposed model has been evaluated over the publicly available DIBCO dataset and it outperforms other techniques on unpaired training data. The paper shows the potential of using unpaired data for binarization, for the first time in the literature, which can be further improved to replace paired data training for binarization in the future.

빅데이터 교육훈련의 효과성에 대한 영향 요인 분석

정화민(Jeong, Hwa-Min),송영숙(Song, Youngsook) 학습자중심교과교육학회 2018 학습자중심교과교육연구 Vol.18 No.4

본 연구의 목적은 국가인적자원개발 컨소시움 빅데이터 교육훈련에 참여한 재직 근로자의 인식을 바탕으로 빅데이터 교육훈련의 효과성 영향 요인을 분석하는 것이다. 본 연구에서는 2016년 서울소재 K기관의 국가인적자원개발 컨소시움 빅데이터 교육훈련 프로그램 참여자 192명의 자료를 분석하였다. 본 연구 목적을 달성하기 위하여 SPSS 22.0 통계 프로그램을 활용한 빈도분석, 신뢰성분석, 상관분석, 회귀분석을 실시하였다. 본 연구의 결과는 다음과 같다. 첫째, 교육내용의 적절성, 교재 만족, 직무 연관성, 강사의 전문성 순으로 빅데이터 교육훈련의 전반적 만족에 통계적으로 유의하게 영향을 미치는 것으로 나타났다. 둘째, 직무 연관성, 교육내용의 적절성, 교재 만족 순으로 빅데이터 교육훈련의 직무수행 기여도에 통계적으로 유의하게 영향을 미치는 것으로 나타났다. 셋째, 직무 연관성, 교재 만족, 교육내용의 적절성 순으로 빅데이터 교육훈련의 재참여 의도에 통계적으로 유의하게 영향을 미치는 것으로 나타났다. The purpose of this study is to analyze the effectiveness of Big Data training based on perception of participants in Consortium for HRD Ability Magnified Program. In this study, the data of 192 participants in big data training program offered by K institution in Seoul were analyzed. To verify this study, frequency analysis, reliability analysis, correlation analysis and regression analysis were performed using SPSS 22.0 statistical program. The results of this study are as follows. First, appropriateness of training content, satisfaction of training materials, job relevance, and trainers professionalism significantly influence the overall satisfaction of big data training. Second, job relevance, appropriateness of training content, and satisfaction of training materials significantly influence the intention to re-participate in big data training as well as the contribution of big data training to job performance.

딥러닝 기반 탄성파 단층 해석을 위한 합성 학습 자료 생성

최우창 ( Woochang Choi ),편석준 ( Sukjoon Pyun ) 한국지구물리·물리탐사학회 2021 지구물리와 물리탐사 Vol.24 No.3

Fault detection in seismic data is well suited to the application of machine learning algorithms. Accordingly, various machine learning techniques are being developed. In recent studies, machine learning models, which utilize synthetic data, are the particular focus when training with deep learning. The use of synthetic training data has many advantages; Securing massive data for training becomes easy and generating exact fault labels is possible with the help of synthetic training data. To interpret real data with the model trained by synthetic data, the synthetic data used for training should be geologically realistic. In this study, we introduce a method to generate realistic synthetic seismic data. Initially, reflectivity models are generated to include realistic fault structures, and then, a one-way wave equation is applied to efficiently generate seismic stack sections. Next, a migration algorithm is used to remove diffraction artifacts and random noise is added to mimic actual field data. A convolutional neural network model based on the U-Net structure is used to verify the generated synthetic data set. From the results of the experiment, we confirm that realistic synthetic data effectively creates a deep learning model that can be applied to field data.

인공지능 학습용 데이터 품질에 대한 연구: 퍼지셋 질적비교분석

오현목,이서연,장영훈 한국경영정보학회 2024 Information systems review Vol.26 No.1

This study is empirical research to enhance understanding of AI (artificial intelligence) training data project in South Korea. It primarily focuses on the various concerns regarding data quality from policy-executing institutions, data construction companies, and organizations utilizing AI training data to develop the most reliable algorithm for society. For academic contribution, this study suggests a theoretical foundation and research model for understanding AI training data quality and its antecedents, as well as the unique data and ethical aspects of AI. For this purpose, this study proposes a research model with important antecedents related to AI training data quality, such as data attribute factors, data building environmental factors, and data type-related factors. The study collects 393 sample data from actual practitioners and personnel from companies building artificial intelligence training data and companies developing artificial intelligence services. Data analysis was conducted through Fuzzy Set Qualitative Comparative Analysis (fsQCA) and Artificial Neural Network analysis (ANN), presenting academic and practical implications related to the quality of AI training data. 본 연구는 한국의 인공지능 학습용 데이터 구축 사업과 데이터의 공공 개방에 관한 정책 수행 기관, 데이터 구축 기업, 그리고 이를 활용하는 다양한 기관의 데이터 품질에 대해 이해를 제고하고, 신뢰할수 있는 인공지능 알고리즘 개발에 있어 가장 중요한 학습용 데이터 품질에 대한 이론적 토대를 만들기위한 실증적 연구이다. 이를 위해, 데이터의 속성 요인, 데이터 구축환경 요인, 데이터 타입 관련 요인등 인공지능 학습용 데이터 품질과 관련된 중요 선행요인을 도입하여 이론적 모형을 제안한다. 본연구는 393명의 인공지능 학습용 데이터 구축 기업과 인공지능 서비스 개발 기업의 실무 담당자를대상으로 설문조사를 실시하여 데이터를 수집하였다. 데이터 분석은 퍼지셋 질적비교분석 방법과인공신경망 분석을 통해 이루어졌으며, 분석 결과를 통해 인공지능 학습용 데이터 관련 학술적 및실무적 시사점을 도출했다.

온라인 쇼핑몰에서 상품 설명 이미지 내의 키워드인식을 위한 딥러닝 훈련 데이터 자동 생성 방안

김기태,오원석,임근원,차은우,신민영,김종우 한국지능정보시스템학회 2018 지능정보연구 Vol.24 No.1

From the 21st century, various high-quality services have come up with the growth of the internet or ‘Information and Communication Technologies’. Especially, the scale of E-commerce industry in which Amazon and E-bay are standing out is exploding in a large way. As E-commerce grows, Customers could get what they want to buy easily while comparing various products because more products have been registered at online shopping malls. However, a problem has arisen with the growth of E-commerce. As too many products have been registered, it has become difficult for customers to search what they really need in the flood of products. When customers search for desired products with a generalized keyword, too many products have come out as a result. On the contrary, few products have been searched if customers type in details of products because concrete product-attributes have been registered rarely. In this situation, recognizing texts in images automatically with a machine can be a solution. Because bulk of product details are written in catalogs as image format, most of product information are not searched with text inputs in the current text-based searching system. It means if information in images can be converted to text format, customers can search products with product-details, which make them shop more conveniently. There are various existing OCR(Optical Character Recognition) programs which can recognize texts in images. But existing OCR programs are hard to be applied to catalog because they have problems in recognizing texts in certain circumstances, like texts are not big enough or fonts are not consistent. Therefore, this research suggests the way to recognize keywords in catalog with the Deep Learning algorithm which is state of the art in image-recognition area from 2010s. Single Shot Multibox Detector(SSD), which is a credited model for object-detection performance, can be used with structures re-designed to take into account the difference of text from object. But there is an issue that SSD model needs a lot of labeled-train data to be trained, because of the characteristic of deep learning algorithms, that it should be trained by supervised-learning. To collect data, we can try labelling location and classification information to texts in catalog manually. But if data are collected manually, many problems would come up. Some keywords would be missed because human can make mistakes while labelling train data. And it becomes too time-consuming to collect train data considering the scale of data needed or costly if a lot of workers are hired to shorten the time. Furthermore, if some specific keywords are needed to be trained, searching images that have the words would be difficult, as well. To solve the data issue, this research developed a program which create train data automatically. This program can make images which have various keywords and pictures like catalog and save location-information of keywords at the same time. With this program, not only data can be collected efficiently, but also the performance of SSD model becomes better. The SSD model recorded 81.99% of recognition rate with 20,000 data created by the program. Moreover, this research had an efficiency test of SSD model according to data differences to analyze what feature of data exert influence upon the performance of recognizing texts in images. As a result, it is figured out that the number of labeled keywords, the addition of overlapped keyword label, the existence of keywords that is not labeled, the spaces among keywords and the differences of background images are related to the performance of SSD model. This test can lead performance improvement of SSD model or other text-recognizing machine based on deep learning algorithm with high-quality data. SSD model which is re-designed to recognize texts in images and the program developed for creating train data are expected to contribute to improvement of searching system in E-co... E-commerce 환경의 발전으로 소비자들은 다양한 상품들을 한 자리에서 폭 넓게 비교할 수 있게 되었다. 하지만 온라인 쇼핑몰에 올라와있는 상당량의 주요 상품 정보들이 이미지 형태이기 때문에 컴퓨터가 인지할 수있는 텍스트 기반 검색 시스템에 반영될 수 없다는 한계가 존재한다. 이러한 한계점은 일반적으로 기존 기계학습 기술 및 OCR(Optical Character Recognition) 기술을 활용해, 이미지 형태로 된 키워드를 인식함으로써 개선할수 있다. 그러나 기존 OCR 기술은 이미지 안에 글자가 아닌 그림이 많고 글자 크기가 작으면 낮은 인식률을보인다는 문제가 있다. 이에 본 연구에서는 기존 기술들의 한계점을 해결하기 위하여, 딥러닝 기반 사물인식 모형 중 하나인 SSD(Single Shot MultiBox Detector)를 개조하여 이미지 형태의 상품 카탈로그 내의 텍스트 인식모형을 설계하였다. 하지만 이를 학습시키기 위한 데이터를 구축하는 데 상당한 시간과 비용이 필요했는데, 이는지도학습의 방법론을 따르는 SSD 모형은 훈련 데이터마다 직접 정답 라벨링을 해줘야 하기 때문이다. 본 연구는 이러한 문제점을 해결하기 위해 ‘훈련 데이터 자동 생성 프로그램’을 함께 개발하였다. 훈련 데이터 자동 생성 프로그램을 통해 수작업으로 데이터를 만드는 것에 비하여 시간과 비용을 대폭 절감할 수 있었으며, 생성된훈련용 데이터를 통해 모형의 인식 성능을 높일 수 있었다. 더 나아가 실험연구를 통해 자동으로 생성된 훈련데이터의 특징별로 인식기 모형의 성능에 얼마나 큰 영향을 끼치는지 알아보고, 성능 향상에 효과적인 데이터의 특징을 분석하였다. 본 연구를 통해서 개발된 상품 카탈로그 내 텍스트 인식모형과 훈련 데이터 자동 생성프로그램은 온라인 쇼핑몰 판매자들의 상품 정보 등록 수고를 줄여줄 수 있으며, 구매자들의 상품 검색 시 결과의 정확성을 향상시키는 데 기여할 수 있을 것으로 기대한다.

신경 망의 지도 학습을 위한 로그 간격의 학습 자료 구성 방식과 손실 함수의 성능 평가

송동규,고세헌,이효민,Donggyu Song,Seheon Ko,Hyomin Lee 한국화학공학회 2023 Korean Chemical Engineering Research(HWAHAK KONGHA Vol.61 No.3

The analysis of engineering data using neural network based on supervised learning has been utilized in various engineering fields such as optimization of chemical engineering process, concentration prediction of particulate matter pollution, prediction of thermodynamic phase equilibria, and prediction of physical properties for transport phenomena system. The supervised learning requires training data, and the performance of the supervised learning is affected by the composition and the configurations of the given training data. Among the frequently observed engineering data, the data is given in log-scale such as length of DNA, concentration of analytes, etc. In this study, for widely distributed log-scaled training data of virtual 100×100 images, available loss functions were quantitatively evaluated in terms of (i) confusion matrix, (ii) maximum relative error and (iii) mean relative error. As a result, the loss functions of mean-absolute-percentage-error and mean-squared-logarithmic-error were the optimal functions for the log-scaled training data. Furthermore, we figured out that uniformly selected training data lead to the best prediction performance. The optimal loss functions and method for how to compose training data studied in this work would be applied to engineering problems such as evaluating DNA length, analyzing biomolecules, predicting concentration of colloidal suspension.

드라이빙 게임 환경에서의 효과적인 학습 데이터 수집 및 컨볼루셔널 뉴럴 네트워크 기반의 자율주행

김준태,배창석 한국차세대컴퓨팅학회 2019 한국차세대컴퓨팅학회 논문지 Vol.15 No.1

Remarkable achievements in modern artificial intelligence researches encourage a lot of researches in self-driving cars. However, there are two big problems in the process for collecting training data used in the autonomous driving. First, construction of huge amounts of training data requires a lot of time and cost. In addition, high risk for representing various driving environments is inevitable problem as well. In order to solve these two problems, this paper proposes a scheme for collecting a training data set from a driving game environment and applying the data set to train a neural network model for self-driving car. The proposed scheme stores monitor screen images and control keys for the corresponding images as training data. After finishing construction of the training data set, we apply the data set to train AlexNet, a well known CNN model. Experimental results show about 92% accuracy in the driving game environment. In the next step, a children’s toy car is used to evaluate the performance of our scheme in real world. A raspberry pi based wheel control and communication module is developed to replace the existing control module. Real world experiments reveals the performances between the virtual and real world environments are quite similar without any compensation for mapping differences between two environments. 최근 인공지능 연구가 활발하게 진행이 되면서 자율주행에 대한 연구도 많이 진행되고 있다. 하지만 자율주행에서 사용할 학습 데이터를 수집하는 과정에서 크게 두 가지 문제를 고려할 수 있다. 첫 번째는 방대한 규모의 학습 데이터 구축에 많은 시간과 비용이 요구되며, 두 번째로는 위험 상황, 사고 상황 등을 포함하는 다양한 주행환경을 반영하는 데이터 수집이 어렵다. 본 논문에서는 이러한 두 가지 문제를 해결하기 위해 현실세계와 매우 유사한 주행 환경을 제공하는 게임에서 주행 학습 데이터를 수집하고 이를 신경망 학습에 활용하는 방법에 대해 제안한다. 학습 데이터 수집 과정에서는 모니터 화면과 동시에 해당하는 방향키 값을 해당 화면에 대한 자율주행 제어키로 저장한다. 이와 같이 수집된 학습 데이터를 시각 처리에서 뛰어난 성능을 보이는 CNN (Convolutional Neural Network) 모델중 하나인 AlexNet에 적용한 결과 약 91.9%의 정확도를 보였다. 학습이 완료된 CNN 모델을 이용해서 가상환경에서 자율주행이 가능하다는 걸 확인을 한 후 실세계에 적용한 실험도 수행하였다. 이를 위해 유아용 전동차를 사용하여 기존에 있던 컨트롤러를 제거 후 라즈베리파이 기반의 자동차 바퀴 컨트롤과 서버와의 통신 모듈을 개발했다. 실세계에서 실험한 결과 가상환경과 실세계의 차이를 맞춰주기 위한 추가적인 보정 작업을 하지 않았음에도 불구하고 가상환경과 유사한 수준의 주행 성능을 확인할 수 있었다.

농구팀 경기력 향상 방안 탐색: 델파이 조사

유봉열,이원재 한국융합과학회 2022 한국융합과학회지 Vol.11 No.11

Purpose The research is to explore factors related to the performance improvement of basketball teams and to identify what data analyses are required in the field. Methods In this research, three rounds of Delphi were conducted with a panel of 13 basketball experts. In the first round, a total of 7 areas and keywords were drawn through individual interviews. For the second round, the interview results from the first round were refined and reconfirmed. Lastly, in the third round, the priorities of each category identified in the second round were sorted out. Result The results of examining the importance of 7 items related to performance improvement through means and standard deviations are as follows. First, shooting drills were found to be the most crucial in the skill training area to improve performance in basketball. Second, body core training was found to be the most important in the physical fitness area. Third, nutritional management was proved to be the most essential in the athlete management area. Fourth, set play training was identified as the most important factor in the team training area. Fifth, in the area that requires data analysis for movements, shooting motion was determined to be the most significant. Sixth, in the performance area that requires data analysis, player records were proved to be the most essential. Seventh, formations were found to matter the most in the team tactics area that requires data analysis. Conclusion In the study, it was discovered that factors related to performance improvement are skill training, physical fitness training, physical condition management, and team training, and the types of data analysis required in the field are movement data, performance data, and team tactics data. 연구목적 본 연구는 농구팀 경기력 향상과 관련된 요소를 탐색하고 현장에서 필요로 하는 데이터 분석이 무엇인지 파악하고자 하였다. 연구방법 본 연구에서는 13명의 농구 전문가 패널을 대상으로 총 3차의 델파이 조사를 진행하였다. 1차 델파이에서는 개별 인터뷰를 통해 총 7개의 영역과 핵심어를 추출하였다. 2차 델파이에서는 1차 델파이의 인터뷰 결과를 범주화한 후 정제하는 과정이 진행되었다. 3차 델파이는 2차 델파이에서 확인한 각 항목에 대한 우선순위를 정하는 과정으로 진행되었다. 결과 경기력 향상과 관련된 7개 영역의 하위 항목에 대한 중요도를 평균과 표준편차를 통해 살펴본 결과는 다음과 같다. 첫째, 경기력 향상을 위한 기술 훈련 영역 중 슛 훈련이 가장 중요하게 나타났다. 둘째, 경기력 향상을 위한 기초 체력 훈련 영역 중 코어훈련이 가장 중요하게 나타났다. 셋째, 경기력 향상을 위한 선수 관리 영역 중 영양관리가 가장 중요하게 나타났다. 넷째, 경기력 향상을 위한 팀 훈련 영역 중 세트 플레이 훈련이 가장 중요하게 나타났다. 다섯째, 경기력 향상을 위해 데이터 분석이 필요한 동작 영역 중 슛 동작이 가장 중요하게 나타났다. 여섯째, 경기력 향상을 위해 데이터 분석이 필요한 선수 관리 영역 중 선수 기록이 가장 중요하게 나타났다. 일곱째, 데이터 분석이 필요한 팀 전술 영역 중 포메이션 플레이가 가장 중요하게 나타났다. 결론 연구를 통해 농구 경기력 향상과 관련된 요소는 기술 훈련, 기초 체력 훈련, 선수 관리, 팀 훈련으로 파악되었고, 농구 경기력 향상에 필요한 데이터 분석은 동작 분석, 선수 관리, 전술 분석으로 파악되었다.