http://chineseinput.net/에서 pinyin(병음)방식으로 중국어를 변환할 수 있습니다.
변환된 중국어를 복사하여 사용하시면 됩니다.
유정초(Jing-Chao Liu),황보택근(Taeg-Keun Whangbo) 한국콘텐츠학회 2012 한국콘텐츠학회논문지 Vol.12 No.8
CCPM 기법에서는 프로젝트 버퍼의 크기를 결정하기 위해 일반적으로 자르고 붙이는 방법과 루트-제곱하는 방법을 사용한다. 하지만 이러한 방법은 프로젝트의 특성을 고려하지 않고 고정된 공식을 통해서만 계산하기 때문에 버퍼의 크기가 너무 커지거나 작아지는 경우가 자주 발생했다. 본 논문에서는 위의 문제점을 해결하기 위해 이전 작업의 결과를 통계 분석하여 각 작업자에 대한 각 임무의 종류에 따른 작업의 특징을 파악하고 이를 CCPM 기법에 활용하여 해당 특징을 기준으로 버퍼 크기를 산정하는 새 방법을 제시하였다. 몬테카를로 시뮬레이션 환경에서 임무의 수, 임무의 어려운 정도 등의 요소를 반영하여 나온 결과를 비교분석 해서 본 논문에서 제안한 방법이 기존의 방법에 비해 임무 수와 상관없이 안정된 완공확률을 유지할 수 있음을 확인하였다. 또한 특정 작업자가 일찍 완공할 수 있는 임무들의 경우 제안한 방법은 기존 방법보다 버퍼의 크기를 더 단축하는 것을 확인하였다. In CCPM Technique, as the buffer size calculation method, the Cut and Paste(C&P) method and the Root Square Error (RSE) method for all tasks carried out the same treatment, without considering the actual situation and characteristics of the task, the lack of reasonable judgment, is too simple and hasty. In this paper, taking into account the limitations of existing methods, a new method of buffer sizing method based on statistical analysis was introduced. It makes statistical analysis for the relationship between each worker and a variety of tasks, and use the information to predict the next task time. In order to verify the effectiveness of the new method, according to different task difficulty and the number of tasks set up the project. Use C&P, RSE method and new methods to predict the time of the project. Through Monte Carlo Simulation to simulate the project time, a comparison of three methods of performance. The results show that the new method can achieve the managers expect the probability of completion, and for those tasks can be completed ahead of schedule, the new method can save project time.
Policy Perceptron: 정책 분류 자동화를 위한 인공지능 모형 개발
이경전,황보유정,정백,유지웅,배성원,임채원 한국행정학회 2022 한국행정학회 학술발표논문집 Vol.2022 No.1
정책 변동이 점진적인지 아니면 급격하게 일어나는 것인지에 대한 논의가 오랫동안 이어져 온 것과 관련하여, 과거 공공의제 변동의 특성을 연구함과 동시에 글로벌 공공정책 비교를 통해 협력 체계를 구축하는 비교 아젠다 프로젝트(Comparative Agendas Project, CAP)가 진행되어 왔다. 비교 아젠다 프로젝트의 참여국은 공통기준인 거시경제, 교육, 보건 등의 주요 의제(Major Topic) 23개와 하위 의제(Subtopic) 213개로 범주를 마련해왔다. 한국에서도 1987년 이후 2019년까지 공중 아젠다, 미디어, 입법부, 행정부에 관한 데이터 분석과 구축을 정책 분석가의 수작업으로 진행해왔는데, 수작업으로 진행되는 정책 분류작업은 정책 전문가에 따라 다르게 해석될 수 있으며, 상황에 따라 단순 휴먼 에러가 발생할 수 있기에 정책 분류작업에서 실수를 줄일 수 있는 방법이 필요하다. 본 연구는 현재까지 전문가의 수작업으로 구축된 데이터베이스를 기반으로 인공지능 알고리듬을 활용하여 정책 분류 자동화를 지원하는 딥러닝 모델을 개발하는 것을 목표로 한다. 딥러닝 모델 중 자연어 기반 KoBERT를 사용하여, 정책 분류 자동화를 위한 인공지능 모형인 Policy Perceptron을 개발하였다. 퍼셉트론(Perceptron)은 인공 신경망 모형의 하나로서 딥러닝의 시초가 되는 알고리듬으로, 본 연구는 인공지능 모형 Policy Perceptron을 개발함으로써 정책 분류의 첫 알고리듬으로서의 의미를 가진다. 본 연구의 방법은 총 3단계로, ① 기존 구축된 비교 아젠다 데이터의 품질 향상을 위해 크롤링 기법을 통해 데이터를 추가한 DB 구축 단계, ② 알고리듬 정확도 향상을 위한 데이터 전처리 단계, ③ Policy Perceptron 모형 구축 및 성능 확인 단계로 구성된다. 먼저, 행정, 입법, 미디어 데이터를 통합하여 최종 데이터 셋을 구성하고, 입법과 미디어 데이터의 경우는 각각 국회 의안정보시스템 홈페이지와 조선일보 홈페이지에서 크롤링 기법을 통해 데이터를 추가 획득하였으며, 수집된 데이터를 통해 전처리 단계를 수행하였다. Policy Perceptron의 정확도 향상을 위한 불용어 처리 및 텍스트 요약 수행을 위해 카카오 브레인에서 공개한 통합 자연어 프레임워크인 Pororo(Platform of Neural Models for Natural Language Processing)를 사용하여 텍스트 요약을 진행하였다. Policy Perceptron의 적절한 학습을 위하여 데이터의 수가 10개 미만인 Subtopic은 제외하는 방식을 사용하였다. 최종적으로 Major Topic은 23개, Subtopic은 184개로 확정되었으며, Major Topic을 분류하고 다음으로 Subtopic을 분류하는 2중 분류 모델을 설계하였다. 1차 Policy Perceptron은 전체 데이터에 Major Topic을 레이블링으로 학습하고 2차 Policy Perceptron은 전체 데이터를 Major Topic에 따라 분류하여 각각 학습한다. 최종적으로 구현된 Policy Perceptron의 성능을 평가하기 위해서, 인공지능 성능 평가에 가장 기본적으로 사용하는 정확도(Accuracy)로 확인하였다. Top-1의 경우 정확도가 62.4%로 나타났으며, Top-3의 경우 71.6%의 정확도를 보였다. 정책 분류 자동화 인공지능 모형 개발은 동일한 모델로 정책을 분류할 수 있다는 데에 큰 의의가 있다. 본 연구에서 개발한 Policy Perceptron 모델은 향후 사람의 정책 분류 의사결정을 돕는 보조 시스템으로 활용 가능하며, 인공지능이 정책 범주를 제시함으로써 판단 시간을 줄여주고 정책 분류의 생산성을 높여줄 것이다. 더 나아가 정부 정책 외에도 지방자치 정책 등 더 다양한 분야의 정책을 분류하고 비교·평가함으로써 국정운영의 방향을 모색하는데 기여할 수 있을 것이다.
김예안,황보율,김민주,최형진,서제현,이예나,곽수헌,구유정,오태정,노은,배재현,김정희,박경수,김성연 대한내분비학회 2012 Endocrinology and metabolism Vol.27 No.2
Background: In approach to an adrenal incidentaloma, early exclusion of pheochromocytoma is clinically important, due to the risk of catecholamine crisis. The aims of this study are to investigate the characteristics of incidentally detected pheochromocytomas,compared with that of the other adrenal incidentalomas, and to compare these characteristics with those of symptomatic pheochromocytomas. Methods: In this retrospective study, we reviewed the medical records of 198 patients with adrenal incidentaloma from 2001 to 2010. We analyzed the clinical, laboratory and radiological data of pheochromocytomas, in comparison with those of the other adrenal incidentalomas. We also compared the characteristics of these incidentally detected pheochromocytomas with the medical records of 28 pathologically proven pheochromocytomas, diagnosed based on typical symptoms. Results: Among the 198 patients with adrenal incidentaloma, nineteen patients were diagnosed with pheochromocytoma. Pheochromocytomas showed larger size and higher Hounsfield unit at precontrast computed tomography (CT) than did non-pheochromocytomas. All pheochromocytomas were larger than 2.0 cm, and the Hounsfield units were 19 or higher in precontrast CT. When both criteria of size > 2.0 cm and Hounsfield unit > 19 were met, the sensitivity and specificity for the diagnosis of pheochromocytoma were 100% and 79.3%, respectively. Compared with patients with pheochromocytoma, diagnosed based on typical symptoms,patients with incidentally detected pheochromocytoma were older, presented less often with hypertension, and showed lower levels of 24-hour urine metanephrine. Conclusion: Adrenal incidentaloma with < 2.0 cm in size or ≤ 19 Hounsfield units in precontrast CT imaging was less likely to be a pheochromocytoma. Patients with incidentally discovered pheochromocytoma showed lower catecholamine metabolites, compared with those patients with symptomatic pheochromocytoma.