딥시크와 같은 대규모 언어 모델의 통계 모델링 능력 평가 : 통계학적 추론의 새로운 패러다임

진승현 고려대학교 정책대학원 2025 국내석사

본 연구는 딥시크(DeepSeek)와 같은 최신 대규모 언어 모델(LLM)의 통계 모델링 능력을 체계적으로 평가하고자 한다. 인공지능 기술의 급속한 발전으로 LLM은 다양한 분야에서 인간 수준의 추론 능력을 보여주고 있으나, 통계 모델링이라는 특수한 영역에서의 성능은 아직 충분히 검증되지 않았다. 본 연구에서는 기초 통계, 중급 통계, 고급 통계 영역을 포괄하는 체계적인 문제 세트를 구성하여 DeepSeek R1, GPT-4.5, Claude 3.7 Sonnet 세 가지 주요 LLM의 통계 모델링 능력을 비교 분석하였다. 평가는 초기 응답 정확도와 오류 해결 능력을 중심으로 이루어졌으며, 코드 품질은 Codacy를 통해 자동화된 방식으로 평가되었다. 연구 결과, 세 모델 모두 기초 통계 문제에서는 높은 정확도를 보였으나, 복잡한 베이지안 모델링과 다변량 분석과 같은 고급 통계 문제에서는 성능 차이가 뚜렷하게 나타났다. 특히 DeepSeek R1은 수학적 추론이 필요한 문제에서 상대적으로 우수한 성능을 보였으며, GPT-4.5는 코드 품질 측면에서, Claude 3.7 Sonnet는 오류 해결 능력 측면에서 강점을 보였다. 본 연구는 LLM이 통계 모델링 분야에서 보이는 강점과 한계를 명확히 하고, 통계학자와 LLM의 상호보완적 관계를 통해 통계 연구의 효율성을 높일 수 있는 방안을 제시한다. 이를 통해 AI 시대의 통계학의 역할을 재정의하고, 데이터 프라이버시와 같은 잠재적 위험에 대한 인식을 높이는 데 기여하고자 한다. This study systematically evaluates the statistical modeling capabilities of advanced Large Language Models (LLMs) such as DeepSeek. While LLMs have demonstrated human-level reasoning abilities across various domains due to rapid advancements in artificial intelligence technology, their performance in the specialized field of statistical modeling has not been thoroughly validated. This research constructs a comprehensive set of problems spanning basic, intermediate, and advanced statistical domains to compare and analyze the statistical modeling capabilities of three major LLMs: DeepSeek R1, GPT-4.5, and Claude 3.7 Sonnet. The evaluation focused on initial response accuracy and error resolution ability, with code quality assessed through automated evaluation using Codacy. Results show that while all three models demonstrated high accuracy in basic statistical problems, significant performance differences emerged in advanced statistical problems such as complex Bayesian modeling and multivariate analysis. Notably, DeepSeek showed relatively superior performance in problems requiring mathematical reasoning, while GPT-4.5 excelled in code quality aspects, and Claude 3.7 demonstrated strengths in error resolution capabilities. This study clarifies the strengths and limitations of LLMs in statistical modeling and suggests ways to enhance the efficiency of statistical research through the complementary relationship between statisticians and LLMs. Through this, we aim to redefine the role of statistics in the AI era and raise awareness of potential risks such as data privacy concerns.

함수형 데이터의 군집화 사례 연구

이수진 고려대학교 2020 국내석사

함수 형태 데이터의 통계적 분석인 함수형 데이터 분석의 방법론을 고찰하고, 실제 사례에 적용해보았다. 함수형 데이터란 개별적인 관측치들의 집합이 아닌 하나의 형태로 이루어진 데이터로, 관측치는 주로 시간이고, 이는 곡선이나 영상의 형태를 이루기도 한다. 본 연구에 적용한 방법론은 함수형 데이터를 Smoothing한 다음, 군집화하여 시각화하고 해석하는 것이다. 대표적인 사례인 기온 데이터와 주가 데이터에 적용해보았다. 시간 또는 공간, 위치 등이 포함된 데이터의 경우 함수형 데이터 분석을 적용 시 시간, 공간, 위치 등에 따른 좀 더 정확한 분석을 할 수 있음을 확인할 수 있었다.

비즈니스 인사이트 도출을 위한 특허 빅데이터 시각화 방법 개발

김지호 청주대학교 대학원 2022 국내석사

특허는 개발된 기술에 대한 상세한 정보를 다양한 형태로 포함하고 있으며, 최근에는 누적된 출원 건수 등의 이유로 특허 빅데이터라는 개념이 등장하였다. 또한, 특허 빅데이터를 분석하여 다양한 가치를 창출하고 경영정보로써, 활용하는 사례가 증가하고 있다. 특허 빅데이터는 분석의 효율성과 결과의 재현 가능성 제고를 위해 통계 및 기계학습 알고리즘을 사용하는 정량적 분석 ( Quantitative Analysis ) 을 주로 수행한다. 또한, 특허 빅데이터 분석자는 정량적 분석의 결과를 효과적으로 전달하기 위해 다양한 시각화 기법 ( Visualization Method ) 을 활용한다. 기존에 특허 빅데이터 시각화는 주요 시장국, 출원인을 식별하기 위해 막대그래프, 파이차트 등을 주로 사용한다. 이와 같은 기법들은 데이터 간의 상대적 비교를 통해 결과 식별에 유용하다. 그러나 비교 대상 데이터가 증가하거나 전체적인 기술 흐름을 파악하고자 할 때는 한계점이 존재한다. 이를 보완하기 위해 일부 연구들에서는 데이터 흐름의 양을 비율적으로 표현해주는 생키 다이어그램 ( Sankey Diagram ) 을 활용하였으나, 세부기술의 식별과 기술 간의 관계를 고려하지 못한다. 본 연구에서는 수집된 특허 빅데이터에 생키 다이어그램과 그래프 모형 ( Graph Model ) 을 사용하여 효과적으로 세부기술을 식별하고 기술개발 흐름 및 기술 간 관계를 시각화하는 방법을 제안한다. 실험 데이터로는 헬스케어 ( Healthcare ) 기술과 관련된 것으로 한국 ( KR ) , 미국 ( US ) , 일본 ( JP ) , 유럽 ( EP ) 에서 출원된 특허를 수집 및 사용한다. 제안하는 방법은 다음과 같다. 먼저, 특허 요약부를 추출하여 텍스트마이닝 ( Text Mining ) 으로 전처리하고 Doc2Vec을 통해 문서를 임베딩한다. 다음으로, 군집화 ( Clustering ) 와 Textrank를 통해 세부기술 ( Elementary Technology ) 을 식별한다. 또한, 정량정보를 추출하여 생키 다이어그램으로 기술개발 흐름을 시각화한다. 마지막으로, 상관행렬의 구축 및 그래프 모형을 통해 기술 간 관계를 식별한다. 실험결과, 헬스케어 기술을 4개의 세부기술 군집으로 식별할 수 있었으며 Textrank를 통해 세부기술 군집별 영향력이 높은 단어들을 산출하고 기술 정의를 수행하였다. 또한, 식별된 세부기술과 특허 정량정보를 결합하여 생키 다이어그램으로 표현하고 최근 스마트폰 연동 생체계측 기술이 주로 개발되고 있는 것을 확인하였다. 추가적으로 기술 간 영향 정도를 파악하기 위해 기술 관계 그래프를 도출하고 통신 관련 기술이 헬스케어 기술 분야에서 핵심적인 역할을 하는 것으로 도출하였다. Patents contain detailed information about the developed technology in various forms. Recently, the concept of a patent big data has emerged for reasons such as the number of accumulated applications. In addition, the cases of creating various values by analyzing the patent big data and using it as management information are increasing. The Patent big data mainly performs quantitative analysis using statistics and machine learning algorithms to improve analysis efficiency and reproducibility of results. Moreover, the patent big data analyst utilizes various visualization methods to effectively deliver the results of quantitative analysis. In the past, patent big data visualization mainly uses bar graphs and pie charts to identify major market countries and applicants. Such visualization methods are useful for identifying results through relative comparison between data. However, there are limitations when the data to be compared increases or when trying to understand the overall technology flow. To solve this problem, some studies used a sankey diagram, which expresses the amount of data flow proportionally, but it does not consider the relationship between the identification of detailed technology and the technology. This paper proposes a method for effectively identifying detailed technologies and visualizing the technology development flow and the relationship between technologies using sankey diagrams and graph models for patent big data. As experimental data, patents applied in Korea(KR), US(US), Japan(JP), and Europe(EP) are collected and used as it relates to healthcare technology. The suggested method is as follows. First, the patent abstracts is extracted, pre-processed by applying text mining, and the document is embedded through Doc2Vec. Next, detailed technologies are identified through clustering and textrank. Furthermore, by extracting quantitative information, the flow of technology development is visualized with the sankey diagram. Finally, the relationship between technologies is identified through the construction of a correlation matrix and the graph model. As a result of the experiment, healthcare technology could be identified as four elementary technology clusters, and words with high influence for each elementary technology cluster were calculated through textrank and the technology definition was performed. Moreover, it was confirmed that the identified detailed technology and patent quantitative information were combined and expressed as the sankey diagram, and that biometrics technology linked to smartphones is being mainly developed. In addition, a technology relationship graph was derived to understand the degree of influence between technologies, and it was derived that communication-related technologies play a key role in the healthcare technology field.

머신러닝/딥러닝을 통한 지역별 발병 빈도 예측

김보람 고려대학교 정책대학원 2021 국내석사

의료데이터 분석을 이용한 의료/헬스케어 서비스에 대한 관심은 본격적으로 빅데이터/AI 의 가능성이 논의되기 이전부터 의료업계 및 IT 산업에서 큰 관심의 대상이었으며, 특히 의료 서비스의 비용 문제가 커다란 사회적 이슈인 미국에서는 의료서비스의 비용을 낮추면서도 그 질을 높일 수 있는 대안으로 의료 빅데이터에 대한 연구가 활발히 진행되어 왔다. 하지만 데이터의 익명성 문제와 보안 문제, 특히 의료데이터는 유출시 프라이버시와 관련하여 심각한 문제를 초래할 수 있어 의료데이터의 사용에는 많은 난관이 있었다. 본 연구는 이러한 문제점을 해결하기 위해 만들어진 컨소시엄에 포함된 전국 30 개의 병원 및 의료기관의 데이터를 활용하여 특정한 다빈도 발병 질병의 지역별 발병 빈도를 예측하는 것을 목적으로 하였다. 이를 위해 환자 데이터 및 발병 데이터, 기후 데이터, 재난 데이터를 수집하였으며, 병원 내부 데이터의 사용을 위해 비식별화를 통한 전처리를 수행하였다. 이렇게 만들어진 데이터를 활용하여 머신러닝 기법(Stepwise Feature Selection Linear Regression, Random Forest) 및 딥러닝 모델(MLP, LSTM)을 통해 결과값(7 개 다빈도 질병의 지역별 발병 빈도수 예측)을 도출하였다. 그 결과 Random Forest 와 LSTM 이 각기 다른 질병에서 가장 높은 성능을 보여주었고 이를 최종 모델로 선정하였다.

Bi-LSTM 기법을 활용한 고객 분류 연구 : 고객 행동기반 데이터 중심으로

김성목 고려대학교 정책대학원 2024 국내석사

과거 기업들은 고객의 나이, 성별, 지역 등의 고정된 특성을 이용하여 고객의 행동을 예측하는데 사용 되었다. 최근에는 정보통신(Information Technology: IT) 기술의 발전으로 빅데이터 시스템을 이용하여 대량의 데이터를 수집 및 저장 할 수 있게 되었고, 이를 기반으로 기업에서 서비스 하는 플랫폼내 고객의 행동기반 웹로그를 저장 및 추적할 수 있게 되었다. 또한 AI(Airificial Intelligence: AI) 기술이 발전함에 따라 고객의 행동 데이터를 활용한 개인화 맞춤 추천 서비스를 하기 위한 노력을 하고 있다. 연구에 사용한 데이터는 모 기업에서 제공하는 모바일 애플리케이션에서의 고객의 행위에 대한 비정형 데이터를 이용하였다. 애플리케이션 내에는 약 700개의 페이지들이 있고 고객들이 해당 페이지를 방문했던 행위들이 기록된 데이터이다. 시간에 따른 고객 행동패턴을 이용하여 데이터를 분석을 하고. 딥러닝 기술 중 RNN 기반인 LSTM 모형을 이용하여 고객들이 특정 서비스에 가입 유무를 분류하는 모델을 개발하여, 고객의 행동에 따른 마케팅 전략에 적용하는 초석을 마련하고자 한다.

데이터 증강 기법을 활용한 설비 이상감지 모델 성능의 향상

김현지 고려대학교 정책대학원 2025 국내석사

제조 산업에서 설비 유지보수는 제품 품질과 생산성을 보장하는 데 필수적이다. 전통적인 유지보수 방식인 사후보전과 예방보전은 불필요한 비용과 시간 소모로 인해 한계가 존재한다. 이러한 문제를 해결하기 위해 설비 상태를 기반으로 고장을 예측하고 사전에 조치를 취할 수 있는 예지보전(Predictive Maintenance, PHM)이 주목받고 있으며, 특히 인공지능(AI) 기술의 발전과 함께 그 중요성이 더욱 부각되고 있다. 그러나 실제 제조 환경에서 예지보전을 구현하기 위해서는 고장 데이터의 부족이라는 큰 장애물이 존재한다. 대부분의 설비가 정상 상태로 작동하기 때문에 고장 데이터가 매우 드물게 발생하며, 이는 고장 예측 모델의 학습과 일반화 성능에 제약을 준다. 본 연구에서는 데이터 증강 기법을 활용하여 이러한 문제를 해결하고, 고장 데이터를 보완함으로써 설비 고장 감지 모델의 성능을 향상시키고자 한다. 연구에 사용된 PHM Data Challenge 2018 데이터는 반도체 제조 공정의 핵심 장비인 이온 식각 설비의 시계열 센서 데이터로 구성되어 있다. 본 연구는 가우시안 노이즈 기반의 증강 데이터를 생성하여 고장 데이터를 증대하고, 이를 활용하여 LightGBM, Random Forest, XGBoost, CatBoost 알고리즘을 사용해 모델 성능을 비교하였다. 연구 결과, 데이터 증강은 모델의 성능을 크게 향상시켰으며, 특히 LightGBM 모델이 최적의 성능을 보였다. max depth 6, learning rate 0.2, n_estimators 300의 설정에서 F1 점수 0.509와 재현율 0.520으로 다른 알고리즘보다 우수한 성능을 기록하였다. 또한, 증강 데이터셋 실험에서 노이즈 계수 1과 증강 데이터 개수 20일 때 가장 높은 성능을 보여, F1 점수는 0.984, 정확도는 0.991에 도달하였다. 본 연구는 데이터 증강 기법이 고장 데이터가 부족한 환경에서 모델의 일반화 성능을 높이는 데 효과적임을 입증하였으며, 이를 통해 불필요한 유지보수 비용과 생산 공정의 다운타임을 최소화할 수 있음을 보여준다. 이러한 연구 결과는 예지보전 모델을 산업 현장에 적용하는 데 있어 실질적인 가이드를 제공하며, 향후 다양한 설비 환경 및 실시간 고장 감지 시스템으로의 확장을 위한 기반을 마련하였다.

Transformer 기반 모델을 활용한 유망기술 예측 : 특허정보를 기반으로

우예림 청주대학교 대학원 2025 국내석사

최근 인공지능과 빅데이터 기술의 발달로 다양한 산업에 혁신적인 변화를 불러왔으며, 특히 딥러닝 기술을 활용한 자연어처리 연구는 방대한 텍스트 데이터를 분석하는데 중요한 역할을 하고 있다. 본 논문에서는 특허 데이터를 기반으로 미래 유망기술을 예측하기 위해 Transformer 기반 토픽 모델링 기법인 BERTopic과 연관규칙 마이닝을 활용하여 새로운 방법론을 제안하였다. 분석 대상은 미국의 2013년 이후 등록된 특허 중 Main CPC가 G06N에 해당하는 특허 16,098건의 데이터이다. 특허 데이터에서 발명의 명칭과 대표 청구항의 텍스트 데이터를 병합하여 텍스트 데이터를 생성하였고, 자연어처리 기법을 통해 불용어 제거 등의 전처리 과정을 거친 데이터를 활용하였다. 이후, BERTopic을 활용하여 도출된 토픽의 출원일 정보를 기반으로 연도별 성장률을 분석하여 부상 중인 토픽을 선정하였다. 선정된 토픽의 CPC코드 정보를 바탕으로 연관규칙 마이닝을 수행하여 해당 기술 영역에서의 유망기술을 정의하였다. 연구 결과, IoT와 실시간 센서 데이터 처리 및 예측 기술이 최근 가장 높은 성장률을 보여 부상중인 기술로 선정되었다. 해당 기술은 스마트 시티, 헬스케어 등 다양한 분야에서 활용 가능성이 높은 기술로, 특히 실시간 데이터 수집 및 처리, 이상 탐지 등에 중점이 맞춰져 있었다. 연관규칙 분석 결과, 인공신경망 설계와 신경망 학습 기술 간의 강한 관계를 보여주고 있었고, 두 기술이 융합되어 활발히 진행되고 있음을 나타낸다. 본 연구의 의의는 특허 데이터를 활용하여 인공지능 관련 최신 기술 동향을 분석하고, 미래 유망기술을 효과적으로 발굴할 수 있는 체계적인 방법론을 제시했다는 점에 있다. IoT와 실시간 센서 데이터 처리 및 예측 기술은 정보통신산업진흥원의 보고서에도 글로벌 시장에서 높은 성장 가능성을 예측한바 있으며, 이는 본 연구의 결과와도 일치한다. 다만, 본 연구는 데이터가 특정 국가와 Main CPC 코드에 한정되어 있어 글로벌 기술 동향을 완전히 반영하지 못한 한계가 있다. 또한, 토픽 모델링 과정에서 분석자의 주관적 해석이 일부 포함될 가능성이 있다. 향후 연구에서는 다양한 국가의 특허 데이터를 포함하고, 분석 기법을 고도화하여 보다 신뢰도 높은 유망기술 발굴 연구를 수행할 필요가 있다. Recent advancements in artificial intelligence and big data technologies have brought innovative changes to various industries. Particularly, natural language processing (NLP) research utilizing deep learning has played a significant role in analyzing large-scale text data. This study proposes a novel methodology for predicting future promising technologies by leveraging BERTopic, a Transformer-based topic modeling technique, in conjunction with association rule mining, using patent data as the primary source. The analysis targeted 16,098 U.S. patents filed since 2013, classified under the G06N Main CPC code. Text data were generated by merging the invention titles and representative claims from the patents, followed by preprocessing steps such as stopword removal through NLP techniques. Subsequently, BERTopic was employed to derive topics, and their filing dates were analyzed to identify year-over-year growth rates, allowing the selection of emerging topics. Based on the CPC codes associated with the selected topics, association rule mining was conducted to define promising technologies within the relevant technological domains. The analysis identified IoT, real-time sensor data processing, and predictive technologies as emerging technologies with the highest growth rates in recent years. These technologies have significant potential applications in areas such as smart cities and healthcare, with a particular focus on real-time data collection, processing, and anomaly detection. The association rule analysis revealed strong relationships between neural network design and training technologies, indicating active convergence and development in these fields. The significance of this study lies in presenting a systematic methodology to analyze the latest AI-related technology trends using patent data and effectively identify future promising technologies. IoT and real-time sensor data processing and prediction technologies have also been highlighted in reports by the National IT Industry Promotion Agency (NIPA) as having high growth potential in the global market, aligning with the findings of this study. However, the study has limitations as it focuses on data restricted to specific countries and Main CPC codes, potentially not fully reflecting global technology trends. Additionally, there is a possibility of subjective interpretation by the analyst during the topic modeling process. Future research should aim to include patent data from diverse countries and refine analytical techniques to enhance the reliability of promising technology discovery.

월정액 VOD 상품 해지 예측 모형에 대한 연구 : TV 채널 시청과 VOD 구매 데이터를 중심으로

고진훤 고려대학교 2019 국내석사

딥러닝 기법을 활용한 교통사고위험예측 모델개발 연구

한정수 고려대학교 2019 국내석사

정부차원의 노력과 대응에도 불구하고 국내 교통사고는 해마다 조금씩 증가하고 있으며, 인구고령화와 여성운전자의 증가로 인해 여성, 노인 운전자 교통사고율이 크게 높아지고 있는 실정이다. 교통사고의 위험을 예측하고 사전에 예보한다면 운전자의 사고를 예방하고 사고에 대한 빠른 대응을 할 수 있을 것이다. 교통사고위험예측과 관련된 기존 연구는 교통사고 건수 분포에 근거한 다양한 통계방법으로 예측하였는데 교통사고 당시의 인적 상황이나 도로의 기하학적 구조 등 환경적 요인에 의한 교통사고의 인과관계만을 파악하는 분석의 한계가 있었다. 최근 들어 다양하게 수집되는 이종의 교통 데이터가 폭발적으로 증가하고 있어, 교통 빅데이터를 기반으로 심화된 분석, 예측이 가능한 새로운 머신러닝, 딥러닝 접근 방법들이 주목 받고 있다. 본 연구에서는 주요 6개도시 약 4,500개 사고다발지점을 대상으로 교통사고위험을 예측하였으며, 교통사고 및 방송제보, 교통소통현황, 날씨, 공공3.0정보를 분석정보로 활용하였다. 교통사고의 다양한 패턴을 잘 학습할 수 있는 딥러닝 모델인 DeepFM을 최종 모델로 선정하고 기존 머신러닝 모델과 정확도를 비교하여 우수함을 확인하였다. 개발된 모델을 활용한 교통사고위험예측 서비스를 통해 대국민 교통안전 및 교통사고율 감소에 기여할 것을 기대한다.

계층형 데이터 시각화를 통한 특허정보 분석 : 토픽 모델링 활용

조성환 청주대학교 대학원 2024 국내석사

Globally, the rapid increase in patents, recognized as documents with high potential value, highlights their significance. These patents possess characteristics of big data, enabling the creation of diverse values through analysis. While statistical techniques and machine learning are crucial for patent analysis, gaining insights from the results is equally important. Currently, the visualization of patent data predominantly involves simplistic forms. This study proposes circular packing as a visualization method that utilizes topic modeling to quantitatively identify the technologies in patent big data and understand technological development trends. Using LDA topic modeling and circular packing, we analyzed 5,172 patents related to mild hybrid technologies filed with the United States Patent and Trademark Office from 2005 to 2019. The results identified major applicants like Toyota Group, Hyundai Group, Ford, GM, and Honda as key filers in the mild hybrid automobile sector. The mild hybrid automobile technology comprises 11 technology groups, including predictive modeling and signal processing, thermal and fluid systems, and genetic and chemical analysis. Among these, predictive modeling and signal processing, and thermal and fluid systems were identified as the key technologies, likely reflecting their role in enhancing automotive efficiency and proactive compliance with environmental regulations. Moreover, while Hyundai emerged as a major filer, the lack of technically robust patents suggests a need for the company to file patents in key technology groups to enhance competitiveness. This research proposes a methodology for analyzing and visualizing the trends in mild hybrid automobile technologies using patent data, enabling intuitive understanding of patent trends. 세계적으로 빠르게 증가하는 특허는 잠재가치가 높은 기술문서로 그 중요성이 강조되고 있다. 이런 특허는 빅데이터의 특성을 가지고 있어, 이를 분석하면 다양한 가치를 창출할 수 있다. 특허 분석은 통계적 기법이나 기계학습 등의 분석기법도 중요하지만 결과에서 인사이트를 얻는 것이 중요한 분야로, 시각화 또한 중요한 분야이나 현재 특허 데이터는 단순한 형태의 시각화가 주를 이루고 있다. 본 연구에서는 토픽 모델링을 통해 특허 빅데이터의 기술을 정량적으로 식별하고 이를 통해 기술 개발 동향을 파악할 수 있는 시각화 방법으로 써큘러 패킹을 제안하였다. LDA 토픽모델링과 써큘러 패킹을 활용하여 2005년부터 2019년까지 미국 특허청에 출원된 마일드 하이브리드 관련 특허 5,172건을 분석하였다. 실험 결과 Toyota Group, Hyundai Group, Ford, GM, Honda 등의 출원인이 마일드 하이브리드 자동차 분야에 주요 출원인으로 식별되었다. 마일드 하이브리드 자동차 기술은 예측 모델링 및 신호처리, 열 및 유체 시스템, 유전 및 화학분석 등 11개 기술군으로 이루어져 있음을 확인했다. 그 중 주요 기술은 예측모델링 및 신호처리, 열 및 유체 시스템 등이었는데, 이는 자동차의 효율성을 높이고 환경 규제에 적극적으로 대응한 결과로 보인다. 또 한국의 기업은 Hyundai가 주요 출원인 이었으나, 많은 기술을 출원하고 있는 것에 반해 기술력 있는 특허가 부족해, 주요 기술군에 기술성 있는 특허를 출원해 경쟁력을 확보하는 것이 필요할 것으로 사료된다. 본 연구는 특허 데이터를 활용하여 마일드 하이브리드 자동차 기술의 동향을 분석하고 시각화하는 방법론을 제안했다. 연구 결과 특허 동향에 관한 직관적 이해를 돕는 시각화를 할 수 있었다.