LLM 기반 미세 조정을 활용한 질의 필터 모델 구축 기법 : 기업 생성형 AI 서비스를 대상으로

김진규 고려대학교 SW·AI융합대학원 2025 국내석사

본 연구는 기업 생성형 AI 서비스의 도입 과정에서 발생할 수 있는 보안 및 비용 문제를 해결하기 위해, 기업 맞춤형 질의 필터 모델을 구축하는 기법을 제안한다. 생성형 AI 서비스 사용 시 외부 언어모델에 기업의 민감 정보가 포함된 질의가 유입될 경우 정보 유출 위험이 존재하며, 비업무성 질의로 인한 비용 낭비 또한 우려된다. 이를 해결하기 위해 본 연구에서는 사내 정책 기반의 데이터 수집, 라벨링, 그리고 미세 조정을 통한 질의 필터 모델 학습 절차를 제안하였다. 특히, 기업 도입 단계에 따라 사전 개념 증명, 도입 및 개선, 파이프라인 운영의 세 단계로 나누어 각 단계별 모델 구축 방안을 제시하였으며, 사전 개념 증명 모델을 실제로 구현하여 성능을 검증하였다. 실험 결과, 제안한 질의 필터 모델은 키워드 기반 분류기 대비 17.9% 향상된 정확도(96.13%)를 보이며, 기업 실무 환경에서의 실효성을 입증하였다. 본 연구는 생성형 AI 서비스를 도입하는 기업에게 보안성과 효율성을 동시에 확보할 수 있는 실용적 기준을 제시한다는 점에서 의의가 있다.

생성형 AI를 통한 사이버 위협 인텔리전스(CTI) 위협 예측 모델링 기법 : 생성형 AI와 보안의 결합

문광석 고려대학교 SW·AI융합대학원 2025 국내석사

최근 기업들이 클라우드 및 인공지능 기술을 적극 활용함에 따라, 기존의 경계선 기반 보안 방식으로는 노출된 인터페이스를 효과적으로 보호하는 데 한계가 나타나고 있다. 이에 따라 제로 트러스트(Zero Trust) 기반의 전방위적 위험 관리 접근이 요구되고 있다. 많은 기업이 기본적인 위험 관리 수단으로 취약점 점검과 버그 바운티(보안 취약점 신고제)를 도입하고 있으나, 이러한 방식만으로는 제로데이 공격이나 오픈소스 취약점과 같은 예측이 어려운 위협 요소에 대응하기에는 한계가 존재한다. 본 논문에서는 CTI(사이버 위협 인텔리전스)를 활용한 위협 탐지 체계를 구축하는 방안으로 외부 공개된 OSINT(공개 소스 정보)와 국가 정부 기관의 CTI와의 연계를 통해 기업 자체 CTI를 통합 수집하고, 이를 통해 기업 전반의 위험을 대응하는 기법을 설명하고자 한다. 아울러, 이미 알려진 위협에 대한 탐지 및 차단을 넘어, 발생 가능한 위협을 선제적으로 탐지하고 차단하기 위한 생성형 AI 기반 사이버 위협 인텔리전스 예측 모델링 기법을 제안한다. 선제적인 위협 탐지 및 차단을 위해 생성형 AI를 통한 사이버 위협 인텔리전스 예측 모델링을 수행하여 기업 네트워크에서 확인한 결과, 예측한 위협이 실제 공격으로 연결되었다. 또한, 기업 자체의 CTI와 외부 기관의 CTI를 활용해 LSTM과 CNN 알고리즘으로 생성한 결과를 비교한 결과, 외부 기관을 통해 수집된 데이터의 경우 다양한 차원을 기반으로 지역적 패턴 특징을 자동으로 추출하는 CNN 모델링 방식이 탐지 수량으로 270%, 탐지 정확도로 1.22% 높은 효과성을 보였으며, 기업 자체 수집된 데이터의 경우, 적은 범위 내에서 연속된 시계열 예측 처리에 우수한 LSTM 모델링 방식이 탐지 수량으로 124%, 탐지 정확도로 0.59% 높은 효과성을 검증하였다. As companies have been actively utilizing cloud and AI technologies, existing perimeter-based security methods have shown limitations in effectively protecting exposed interfaces. Accordingly, a comprehensive risk management approach based on Zero Trust is required. Many companies are introducing vulnerability inspection and bug bounties(security vulnerability reporting systems) as basic risk management measures, but these methods alone have limitations in responding to threats that are difficult to predict, such as zero-day attacks or open source vulnerabilities. In this paper, we describe a method for building a threat detection system using CTI(Cyber ​​Threat Intelligence) by integrating and collecting a company's own CTI through linkage with externally disclosed OSINT(Open Source Intelligence) and CTI of national government agencies, and responding to risks across the company through this. In addition, we propose a generative AI-based cyber threat intelligence prediction modeling technique to proactively detect and block potential threats beyond detection and blocking of already known threats. In order to detect and block preemptive threats, we performed predictive modeling of cyber threat intelligence using generative AI, and as a result of confirming it on the corporate network, the predicted threats led to actual attacks. In addition, as a result of comparing the results generated by LSTM and CNN algorithms using the company's own CTI and the CTI of an external organization, in the case of data collected through an external organization, the CNN modeling method, which automatically extracts regional pattern features based on various dimensions, showed 270% higher effectiveness in the number of detections and 1.22% higher effectiveness in the detection accuracy. In the case of data collected by the company itself, the LSTM modeling method, which is excellent for continuous time series prediction processing within a small range, showed 124% higher effectiveness in the number of detections and 0.59% higher effectiveness in the detection accuracy

네트워크 보안 강화를 위한 AI기반 DDoS 탐지 시스템 연구

임호문 고려대학교 SW·AI융합대학원 2025 국내석사

최근 분산 서비스 거부(Distributed Denial of Service, DDoS) 공격은 단순한 트래픽 과부하를 넘어, 애플리케이션 계층을 겨냥하거나 인공지능(AI)을 활용한 지능화된 방식으로 진화하고 있다. 이에 따라 NetFlow 기반 트래픽 샘플링, IDS/IPS의 정적 패턴 및 임계값 탐지, SIEM 로그 분석 등 기존 전통적 탐지 방식은 짧은 공격 주기, 분산된 트래픽, 다양한 우회 기법에 효과적으로 대응하지 못하는 한계를 지닌다. 또한, 기존 머신러닝 기반 탐지 연구는 대부분 공개 데이터셋에 의존하고 있어 실제 상용망에서 발생하는 초대형 트래픽, 수십억 건의 Flow, 복합 공격(N:1, N:N), 대규모 NAT 환경 등 현실적 조건에서의 성능과 실용성이 충분히 검증되지 않았다. 본 연구는 이러한 한계를 극복하기 위해 상용망 환경에서도 실시간 적용 가능한 AI 기반 DDoS 탐지 모델을 제안한다. DDoS 경고(Alert) 발생 시 자동으로 해당 시간대의 패킷(PCAP)을 수집하고, Flow 기반 및 패킷 통계 기반의 특성(feature)을 일관된 방식으로 전처리한 후, 다양한 탐지 모델을 비교·분석하였다. 실험 결과, 경량 머신러닝 모델인 LightGBM과 XGBoost는 높은 탐지 정확도와 빠른 예측 속도를 동시에 달성하여 실시간 환경에 적합함을 확인하였다. 특히 Zero-Day 공격 대응을 위해 비지도 학습 기반의 Deep AutoEncoder로 정상 트래픽을 학습하고, 재구성 오류(reconstruction error)를 활용해 이상 트래픽을 탐지한 후, 이를 LightGBM–XGBoost 앙상블 분류기에 입력하여 정밀 탐지를 수행하는 하이브리드 모델을 설계하였다. 제안한 모델은 실제 상용망 기반 실험을 통해 실시간 처리 성능을 입증하였으며, 공개 데이터셋 CICIoT2023을 활용한 평가에서도 Accuracy 0.9985~0.9990, F1-score 0.9977~0.9985, AUC 0.9999~1.0000의 우수한 성능을 기록하였다. 특히, Gheni et al.(2024)의 AutoEncoder 기반 모델 대비 Accuracy 1.14%p, Kumar et al.(2024)의 Random Forest 기반 모델 대비 F1-score 3.30%p 향상된 결과를 통해, 제안 모델의 Zero-Day 탐지 능력과 지도 학습 기반 분류 성능의 우수성을 입증하였다. 또한, 탐지된 공격 정보를 바탕으로 5-튜플(5-tuple) 기반의 자동 차단 룰을 실시간 생성하여 탐지–차단–대응이 통합된 보안 체계를 구현하였다. 결론적으로 본 연구는 실측 트래픽 기반의 정밀 특성 추출, 고성능 탐지, 자율적 대응을 결합한 AI 기반 DDoS 대응 프레임워크를 제안하며, 상용 환경에서의 높은 실용성과 적용 가능성을 실증하였다.

모바일 환경에서의 연합학습을 활용한 On-Device AI 스팸문자 필터링 시스템

김가현 고려대학교 SW·AI융합대학원 2024 국내석사

최근 대량 문자 서비스를 통한 도박, 불법 대출, 주식 리딩방 등의 상업적 목적의 스팸 문자가 증가하면서 이로 인한 피해가 지속되고 있다. 이러한 문제를 해결하고자 다양한 방법들이 연구되고 정책이 마련되어 왔지만, 이를 회피하는 방법 역시 발전하고 있다. 기존의 스팸 필터링 방식들은 주로 사전에 정의된 스팸 키워드를 기반으로 필터링하거나, 자주 등장하는 단어의 출현 빈도수로 스팸 문자를 검출한다. 그러나 이러한 방법들은 해당 주요 키워드를 의도적으로 변형하는 경우 스팸 문자로 필터링 하지 못한다는 한계가 있다. 사전 정의된 스팸 문자 발신번호를 기반으로 해당 발신번호를 차단하는 방식도 있지만, 이는 최근 증가하고 있는 전화번호 변작기를 통해 발신번호를 조작하는 경우에는 효과적으로 대응하지 못한다. 따라서 기존 방식들을 회피하는 콘텐츠까지도 효율적으로 분석할 방안이 요구되고 있다. 이러한 요구에 부응하여 본 연구에서는 모바일 환경에서 스팸 콘텐츠가 포함된 문자 메시지를 효과적으로 탐지하기 위해 딥러닝, On-Device AI기술, 그리고 연합학습을 결합한 풀-스택(Full-Stack) 시스템을 개발하였다. 본 시스템은 딥러닝 기반의 객체 탐지 및 OCR(Optical Character Recognition, 광학 문자 인식) 기술, 자연어 처리 기술을 결합하여 스팸 메시지를 분류하는 모델을 구현하였으며, 이를 통해 높은 분류 정확도를 달성하였다. 특히 스팸 문자 필터링을 회피하기 위해 의도적으로 변형한 문자 메시지에 대한 분류에도 효과적임을 입증하였다. 또한 On-Device AI 기술을 활용하여 연합학습(Federated Learning)을 모바일 환경에서 실현 가능하게 하였다. 각 사용자의 모바일 기기가 독립적으로 데이터 처리와 학습을 수행함으로써 데이터를 중앙 서버로 직접 공유하지 않아 데이터의 프라이버시 보호를 강화하면서도 중앙 서버의 저장 공간과 트래픽 부담을 감소시킬 수 있는 이점이 있다. 본 연구는 프라이버시 보호 측면의 보안성 강화와 함께 높은 처리 효율성을 갖춘 스팸 메시지 탐지 기술의 새로운 방향을 제시한다. Spam texts via bulk texting services are on the rise, and the harm caused by spam texts advertising gambling, illegal loans, stock lending rooms, and more continues to grow. While various methods have been researched and policies have been put in place to address these issues, methods to avoid them are also evolving. Traditional spam filtering methods mainly filter based on predefined spam keywords, or detect spam texts based on the frequency of occurrence of common words. However, these methods are limited in that they fail to filter out intentional variations of these keywords as spam. There are also methods that block spam text callers based on predefined spam text caller IDs, but these methods do not effectively respond to caller ID manipulation through recent phone number modifiers. Therefore, there is a need for an efficient way to analyze even content that evades existing methods. In this study, we developed a full-stack system that combines deep learning, on-device AI technology, and federated learning to effectively detect text messages containing spam content in the mobile environment. The system combines deep learning-based object detection, optical character recognition (OCR) technology, and natural language processing to implement a model for classifying spam messages, which achieves high classification accuracy. In particular, it proved to be effective in classifying text messages that were intentionally modified to evade spam filtering. We also utilized on-device AI technology to make federated learning feasible in a mobile environment. By performing data processing and learning independently on each user's mobile device, the data is not directly shared to the central server, which has the advantage of enhancing data privacy while reducing the storage space and traffic burden on the central server. This research provides a new direction for spam message detection technology with high processing efficiency while enhancing security in terms of privacy protection.

Virtual Try-on 기반 AI생성 데이터의 업스케일링을 통한 데이터 품질향상에 대한 고찰

김선우 고려대학교 SW·AI융합대학원 2026 국내석사

본 논문은 VTON시스템에서 활용되는 AI 생성 이미지의 화질을 업스케일링하여 데이터 품질을 향상시키는 방법을 다룬 연구이다. 가상 피팅은 패션 산업과 메타버스 등 다양한 분야에서 사용자 경험을 크게 향상시킨다. 생성형 AI 기반 이미지들은 해상도 저하, 구조 왜곡, 텍스처 손실 등의 문제로 인해 활용에 어려움이 있다. 이 연구는 이러한 한계를 보완하기 위해 ESRGAN, Real-ESRGAN, StableSR 등 다양한 업스케일링 알고리즘을 적용하고, SSIM, PSNR, VGG16 기반 코사인 유사도를 활용한 객관적 지표로 업스케일링 효과를 평가하였다. 또한 배경제거(rembg) 과정에서 발생하는 경계 손실, 색감 저하, 객체 오인식 등의 문제도 분석하여 업스케일링 과정에서 실제 문제가 어떤 방식으로 나타나는지 논의하였다. 실험은 Streamlit 기반의 웹 애플리케이션으로 이미지 색감 및 유사도분석도구를 구성하였으며, 업스케일링 전후 이미지의 구조적, 통계적, 의미적 품질 변화를 비교했다. 결과적으로 업스케일링을 통해 해상도, 질감, 선명도 등 시각적 품질이 개선됨을 확인하였다 또한 최신 VTON 기술(GMM, TOM, ALIAS Normalization, Diffusion-VTON 등)의 발전 흐름을 정리하고, 업스케일링이 VTON 품질 향상에 미치는 영향을 분석했으며, 향후 연구 방향으로 업스케일링의 구조적 왜곡이나 색감 보존의 제한사항을 해결하기 위해, '적응적 업스케일 비율'과 '잠재 공간 초해상도', '멀티모달 정렬 기반 품질 제어' 등의 방법을 제안하였다.

거대 언어 모델을 활용한 클러스터링 결과의 해석에 대한 연구

조영민 고려대학교 SW·AI융합대학원 2024 국내석사

Consumer consumption behavior analysis plays a crucial role in retail sales and is particularly pivotal as personalized services gain prominence. Various methodologies for understanding individual consumer consumption patterns are being developed and applied. Particularly, diverse forms of personalized services based on consumer consumption behavior are being implemented, with a focus on online commerce. Traditional offline commerce also formulates target marketing and sales strategies based on consumer consumption behavior, and recently, Digital Transformation incorporating Machine Learning is actively taking place. However, numerous challenges arise in collaborating with industry practices and operationalizing Machine Learning results when they are inadequately explained. In the case of clustering consumer consumption patterns, as segmentation becomes more detailed, it becomes nearly impossible for humans to directly analyze and interpret the clusters and patterns, making it difficult to provide sufficient explanation. In this paper, clustering was conducted using the Self-Organizing Map (SOM) algorithm to distinguish consumer consumption patterns, and a specialized Large Language Model (LLM) tailored to explaining consumer consumption patterns was proposed by tuning a general LLM. To achieve this, various papers related to consumer consumption pattern theories were trained on the existing Generative Pre-trained Transformer (GPT) model-based LLM, and a specialized LLM for consumer consumption patterns was constructed. Through this approach, algorithms were enabled to perform the explanation and interpretation of clustering tasks, which were conventionally carried out by data scientists or analysts based on intuition. The implications of this paper are as follows: Machine Learning outcomes, which are difficult to interpret, can be expected to undergo mechanical interpretation through Large Language Models (LLMs), excluding qualitative human interpretation. Particularly, in Machine Learning models composed of neural networks, there exist cases where interpretation is challenging. However, utilizing LLMs allows for interpreting the model and expressing it in a language understandable to humans. Nevertheless, additional research is needed to address the issue of Hallucination. In this paper, Hallucination was suppressed through the provision of constrained information based on basic statistics; however, alternative approaches are required for interpreting different models. Through this study, it is hoped that it can serve as a reference for implementing eXplainable AI (XAI) or interpreting the results of Machine Learning models by applying Large Language Models (LLMs). 유통업에서의 소비자 소비 행태 파악은 매출과 직결되는 중요한 요인으로 작용하고 있다. 특히 최근의 초개인화 서비스가 화두로 떠오르고 있어 개별 소비자의 소비 패턴을 파악하기 위한 다양한 방법론이 개발 및 적용되고 있다. 특히 온라인 커머스를 중심으로 소비자의 소비 행태에 근거한 다양한 형태의 개인화 서비스가 제공되고 있다. 이러한 흐름 속에 전통적인 오프라인 커머스 또한 소비자의 소비 행태에 근거한 타켓 마케팅 및 판매 전략을 수립하고 있으며, 최근에는 Machine Learning을 접목하려는 Digital Transformation이 활발하게 일어나고 있다. 하지만 Machine Learning의 결과가 충분히 설명되지 못할 경우 현업 및 실무와의 협업이 어려운 경우들이 다수 존재한다. 예컨대 소비자의 소비 패턴 클러스터링의 경우 세분화를 진행할수록 사람이 직접 해당 클러스터들을 분석하고 패턴 찾아 내어 해석하기는 불가능에 가까워 충분한 설명을 하는 것이 어렵다. 본 논문에서는 소비자의 소비 패턴을 구분을 위해 SOM(Self-Organizing Map)알고리즘을 통해 클러스터링을 진행하고, 소비 패턴을 설명하는데 일반적인 LLM(Large Language Model)을 튜닝하여 소비자의 소비 패턴 설명에 특화된 LLM을 제안한다. 이를 위해 기존 GPT(Generative Pre-trained Transformer) 모델 기반의 LLM에 소비자 소비 패턴 이론과 관련된 여러 논문들을 학습시키고, 소비 패턴에 특화된 LLM을 구성하였다. 이를 통해 데이터 사이언티스트 혹은 분석가가 직관으로 수행하던 클러스터링의 설명과 해석 역시 알고리즘이 수행할 수 있도록 하였다. 본 논문의 시사점은 다음과 같다. 해석이 어려운 비지도 학습 계열의 Machine Learning 결과물을 LLM을 통해 사람의 정성적인 해석을 배제하고 기계적인 해석을 기대할 수 있다. 특히 신경망으로 이루어진 Machine Learning 모델의 경우 해석이 어려운 경우가 다수 존재한다. 이러한 경우 LLM을 활용해 모델을 해석하여 언어로 표현하는 것이 가능하다는 점이다. 다만 Hallucination을 해결하는 방법에 대해서는 추가적인 연구가 필요하다. 본 논문에서는 기초 통계량에 기반한 제약적인 정보 제공을 통해 Hallucination을 억제하였으나, 다른 모델을 해석하는데 있어서는 또 다른 방안이 필요하다. 본 연구를 통해 XAI(eXplainable AI)의 구현이나 Machine Learning 모델 결과의 해석을 구성함에 있어 LLM 적용하는데 참조 할 수 있는 이정표가 되기를 기대한다.

K-MIR: A Korean Multimodal Dataset for Intent Recognition and Lightweight Model Optimization

Seok-Yeong Kim 고려대학교 SW·AI융합대학원 2025 국내석사

Recent advances in natural language processing (NLP) and computer vision (CV) have accelerated research on multimodal intent recognition, aiming to integrate text, audio, and video modalities to better understand human intentions. However, existing multimodal intent recognition datasets are predominantly English-based, limited in scale, and often fail to capture the complexity of real-world conversational flows. Particularly, there is a significant lack of multimodal datasets applicable to Korean, hindering the practical expansion of Korean intent recognition technologies. In this study, we constructed K-MIR, a Korean multimodal intent recognition dataset, by benchmarking the English-based MIntRec dataset and utilizing real-world broadcast content. K-MIR comprises 2,270 utterances across 20 intent classes and includes text, audio, and video modalities. For data construction and feature extraction, tools such as Whisper, PySceneDetect, and YOLOv8 were employed, and labeling was conducted using a majority voting scheme to ensure reliability. To evaluate the quality of K-MIR, we conducted experiments using the MAG-BERT model, which not only confirmed that multimodal fusion yields significant performance improvements over text-only inputs, but also demonstrated that the same model architecture performs stably and achieves comparable benchmark-level results on K-MIR, thereby validating its practical utility and reliability. In parallel, to address the structural complexity and computational inefficiency of existing Transformer-based models such as MAG-BERT and MULT, this study proposes three lightweight multimodal classification models: FusionBERT, GatedFusionNet, and AlignContrastiveNet. These models were integrated using a 3-Way Soft Voting ensemble strategy as a practical approach to enhancing performance. To enable fair comparison with previous studies and assess the generalizability of the proposed architectures, training and evaluation were conducted using the publicly available MIntRec benchmark dataset, and the results consistently outperformed baseline models. In particular, the proposed hybrid ensemble model achieved an accuracy of 74% and a macro-F1 score of 0.69, surpassing the performance of MAG-BERT. In addition, the contrastive learning-based hybrid structure was designed to align semantically similar cross-modal representations within a shared embedding space, while the Soft Voting ensemble effectively leveraged the complementary strengths of individual models to further enhance overall performance. This study made three key contributions: providing a practical data resource (K-MIR) for Korean-language multimodal intent recognition, developing lightweight model architectures with enhanced performance, and optimizing modality fusion strategies. These contributions establish a solid foundation for advancing the practicality and future scalability of Korean multimodal AI systems. 최근 자연어처리와 컴퓨터비전 기술의 발전으로 텍스트, 오디오, 비디오 등 다양한 모달리티를 통합하여 인간의 의도를 보다 정확하게 이해하는 멀티모달 의도 인식 연구가 활발히 이루어지고 있다. 그러나 멀티모달 의도 인식 데이터셋은 대부분 영어 기반이며, 스케일이 제한적이고 실제 대화 흐름을 충분히 반영하지 못한다. 특히 한국어 환경에 적용 가능한 멀티모달 데이터셋은 부족하여, 한국어 기반 의도 인식 기술의 실질적 확장에 장애가 되고 있다. 본 연구에서는 영어권 MIntRec 데이터셋을 벤치마크로 삼아 실제 방송 콘텐츠를 활용하여 한국어 환경에 적합한 멀티모달 의도 인식 데이터셋인 K-MIR를 구축하였다. K-MIR는 텍스트, 오디오, 비디오 모달을 모두 포함하며, 총 2,270개의 발화와 20개 의도 클래스를 포괄한다. 데이터 구성 및 특징 추출 과정에서는 Whisper, PySceneDetect, YOLOv8 등을 활용하였으며, 라벨링은 다수결 원칙에 따라 신뢰성을 확보하였다. 또한 K-MIR의 품질을 평가하기 위해 MAG-BERT 모델을 적용한 실험을 수행한 결과, 멀티모달 융합이 텍스트 단독 입력 대비 의미 있는 성능 향상을 가져옴을 확인하였을 뿐 아니라, 동일 모델 구조가 K-MIR 에서도 안정적으로 작동하며 기존 벤치마크 수준의 성능을 재현함으로써, 본 데이터셋의 실용성과 신뢰성 또한 입증할 수 있었다. 한편, 기존 Transformer 기반 모델(MAG-BERT, MULT 등)의 구조적 복잡성과 연산량 문제를 극복하고자, 본 연구에서는 FusionBERT, GatedFusionNet, AlignContrastiveNet 세 가지 경량 멀티모달 분류 모델을 설계하고, 이들을 3-Way Soft Voting 기반으로 앙상블하여 실용적인 성능 향상 전략을 구성하였다. 제안된 모델은 기존 연구들과의 공정한 성능 비교 및 아키텍처의 일반화 가능성 평가를 위해, 공용 벤치마크인 MIntRec 데이터셋을 기반으로 학습 및 검증을 수행하였으며, 그 결과 baseline 모델 대비 일관된 성능 우위를 보였다. 특히, 제안된 하이브리드 앙상블 모델은 Accuracy 74%, Macro-F1 0.69 를 기록하며, MAG-BERT 대비 우수한 성능을 달성하였다. 이와 함께, 대조 학습 기반의 하이브리드 구조는 의미적으로 유사한 모달리티 간 표현이 공통 임베딩 공간에서 가깝게 정렬되도록 설계되었으며, Soft Voting 앙상블은 개별 모델의 상호보완적 특성을 극대화하여 전체 성능 향상에 기여하였다. 본 연구는 한국어 기반 멀티모달 인식 기술을 위한 실질적인 데이터 자원(K-MIR) 제공, 모델 구조의 경량화 및 성능 개선을 달성하였으며, 모달리티 융합 전략을 최적화함으로써 한국어 멀티모달 AI 시스템의 실용성과 연구 확장 가능성을 뒷받침할 수 있는 기반을 마련하였다.

AI 기술을 활용한 EMB 3상 모터 고장 예측 및 안전 메커니즘

지현 고려대학교 SW·AI융합대학원 2025 국내석사

미래 자동차 시스템 개발에 있어서 안전성과 성능은 중요한 고려 사항이다. 차량 제동을 담당하는 핵심 부품 중 하나인 Drum type Electro Mechanical Brake (D-EMB)의 안정적인 운영이 필수적이다. 현재까지의 연구는 주로 고장이 발생한 이후의 대응 방식에 중점을 두었으며, 고장 감지와 진단에 초점을 맞추었다. 그러나 본 연구는 D-EMB 시스템에서 모터 고장을 사전에 예측하고 이에 대응하는 방법을 개발하여 차량의 안전성을 향상시키고자 한다. 본 연구는 AI 기반 FFT(고속 퓨리에 변환) 분석을 활용하여 모터 고장을 사전에 감지하는 기술을 개발하였고, 그 결과로 80% 이상의 정확도로 고장을 예측할 수 있음을 확인했다. 본 연구는 미래 자동차의 안전성 향상과 새로운 안전 기술 개발에 기여할 수 있다. In the development of future automotive systems, safety and performance are crucial considerations. The reliable operation of Drum type Electro Mechanical Brake (D-EMB), a key component responsible for vehicle braking, is essential. Previous research has predominantly focused on post-fault response strategies, emphasizing fault detection and diagnosis. However, this study aims to enhance vehicle safety by predicting motor faults in the D-EMB system in advance and developing corresponding measures. Utilizing AI-based FFT(Fast Fourier Transform) analysis, this research has successfully developed a technology for the early detection of motor faults, achieving an accuracy of over 80%. This study contributes to improving the safety of future automobiles and the development of innovative safety technologies.

대규모 언어모델(LLM) 기반 프롬프트 엔지니어링과 파인튜닝을 활용한 데이터 인사이트 추출 및 DDos 공격 탐지 모델 개발에 관한 연구

박세익 고려대학교 SW·AI융합대학원 2024 국내석사

데이터 중심의 기업 비즈니스 및 시스템 접근 방식이 강조됨에 따라, 본 연구는 대규모 언어 모델(LLM) 기반 기업 데이터 활용을 목표로 하고 있다. 특히 생성형 인공지능(AI) 기술을 활용하여 웹서버 로그 데이터 기반 사용자 UX 경험, 시스템 성능 분석, 오류분석 등의 인사이트를 얻을 수 있는지 여부에 대한 가설 확인과 파인튜닝 과정을 통해 사이버 보안의 중요한 측면인 DDoS 공격 탐지 모델개발을 가능한지 여부에 대한 가설 확인 등 2가지 실험에 대한 결과 확인을 목표로 두고 있다. 첫번째 실험에서는 웹서버 로그 데이터의 특성과 구조를 분석하고, 이를 기반으로 생성형 AI를 활용한 데이터 분석 방법론을 연구하였다. 이후, 프롬프트 엔지니어링 기법을 적용하여 사용자 경험(UX) 분석을 수행하고, 이를 통해 데이터에서 중요한 인사이트를 추출해보았다. 두번째 실험에서는 대규모 언어모델(LLM) 파인튜닝을 이용한 DDoS 공격 탐지 모델을 개발하여 그 성능을 평가하였다. 폐쇄형 LLM 모델과 개방형 LLM 모델을 각각 개발하여 상호 성능을 비교하였다. 이 모델은 실제 DDos 공격시 발생한 웹서버 로그를 학습을 시켜서 DDos 공격 여부를 판단할 수 있는 모델을 개발하였다. 최종 실험 결과, 프롬프트 기반의 웹서버 로그 분석 및 파인튜닝 기법을 적용한 모델은 고차원의 유연한 인사이트를 얻을 수 있었고 머신러닝 및 통계적 기법 보다 쉬운 데이터 전처리 등의 방법으로 DDos 탐지 모델을 만들 수 있었다. 이는 생성형 AI가 웹서버 로그 분석 및 사이버 보안 분야에서 갖는 잠재력을 시사한다. 본 연구는 이러한 기술의 적용을 통해 보다 발전된 사이버 보안 솔루션을 개발할 수 있는 기반을 마련하였다. 연구의 주요 기여도는 기업이 보유하고 있는 데이터에 생성형 AI 기술을 적용하여 인사이트를 얻을 수 있는 실질적인 방법론을 제공하였다는 점과 파인튜닝을 통한 대규모 언어 모델(LLM)의 기업 시스템 보안 문제에 적용하여 그 효과를 입증한 점에 있다.

생성형 AI를 활용한 ESG 서류검토 자동화 시스템의 개발

최은실 고려대학교 SW·AI융합대학원 2025 국내석사

글로벌 경영 환경에서 지속가능성의 중요성이 대두됨에 따라, 환경(Environmental), 사회(Social), 지배구조(Governance)와 같은 비재무적 요소들이 기업의 장기적 성공을 결정짓는 핵심 변수로 부각되고 있다. 특히, 2024년 4월 유럽의회에서 ‘EU 공급망 실사 지침(Corporate Sustainability Due Diligence Directive, CSDDD)’이 가결됨에 따라, 공급망 전반에 걸친 인권 및 환경 실사가 의무화되면서 이러한 트렌드가 더욱 가속화되고 있다. 이에 따라 글로벌 기업들은 물론, 국내 대기업을 중심으로 협력업체에 대한 ESG 평가와 관리의 중요성이 대두되고 있으며, 신속하고 정확한 평가를 위해 기업 간 다양한 논의가 이루어지고 있다. ESG 평가 프로세스는 서류검토, 현장 실사, 결과 집계, 개선 방안 수립, 보고서 작성 등 복잡한 단계로 구성되어 있다. 특히 서류검토 단계에서는 다양한 형식의 문서 해석이 요구되어 많은 시간과 인적 자원이 소요되며, 서류검토 과정 중 검토자의 주관적 판단이 개입될 여지가 있어, 평가의 일관성과 객관성 확보에 어려움이 있다. 이러한 문제점들은 ESG 평가에 대한 신뢰성과 실효성을 저해할 뿐만 아니라, 향후 기업이 공급망 관리체계를 구축하고 실행하는 데 있어 중대한 장애요인으로 작용할 수 있다. 이에 본 연구에서는 거대 언어 모델(Large Language Model, LLM), 검색 증강 생성(Retrieval-Augmented Generation, RAG), 광학 문자 인식(Optical Character Recognition, OCR) 기술을 통합적으로 활용하여 ESG 관련 서류를 자동으로 검토하는 시스템을 구현하였다. 개발된 시스템의 주요 특징은 다음과 같다. 먼저, RAG 프로세스에는 레이아웃 분석 알고리즘과 재순위화(re-ranking) 알고리즘, 다양한 프롬프팅 기법 등을 적용하여 검색 성능과 답변 생성의 품질을 개선하였으며, OCR 프로세스에는 다중 이미지 전처리 알고리즘과 하이브리드 정보 추출 모델 등을 적용하여 텍스트 인식의 정확도를 높였다. 또한, 각 알고리즘과 프롬프팅 기법의 효과를 정확하게 평가하고 최적의 조합을 도출하기 위해, 케이스별 성능 평가 결과를 기반으로 비교 분석을 수행하였다. 그 결과, 재순위화 알고리즘과 Pseudo-Code 기반의 Pythonic Prompting을 적용한 RAG 프로세스가 연관 정보 검색(HIT RATE@3: 0.99, MAP@3: 0.95) 및 LLM 답변 정확도(Accuracy: 0.98)에서 가장 우수한 성능을 나타냈다. 한편, OCR 프로세스에서는 다중 이미지 전처리 알고리즘과 Tesseract 추가 학습, LLM을 활용한 하이브리드 정보 추출 모델을 동시에 적용했을 때 가장 높은 텍스트 인식 정확도(Accuracy: 0.98)를 기록하였으며, 특히 다중 이미지 전처리 알고리즘이 OCR 성능 향상에 가장 큰 기여를 한 것으로 확인되었다. 본 연구에서 개발된 시스템의 최종 성능을 고려할 때, 향후 서류검토 자동화 시스템이 ESG 평가 과정에서 인간 평가자를 효과적으로 보조할 수 있을 것으로 예상된다. 이러한 시스템은 ESG 평가의 일관성과 객관성을 크게 향상시키는 동시에, 자체적으로 공급망 관리 및 지속가능성 이니셔티브를 실행하는 기업이 업무에 필요한 인적, 물적 자원을 절감하는데 기여할 수 있을 것이다. 본 연구는 ESG 평가 자동화의 가능성을 확인한 초기 연구로서, 실무적으로는 평가 프로세스의 효율성 증대와 비용 절감 효과를 기대할 수 있으며, 학문적으로는 인공지능 기반 서류검토 기술의 적용 가능성을 검증하고 향후 연구의 기초를 제공한다는 점에서 중요한 의의를 가진다.