DOI QR코드

DOI QR Code

고위험 현장의 안전관리를 위한 AI 클라우드 플랫폼 설계

A Design of AI Cloud Platform for Safety Management on High-risk Environment

  • 김기봉 (대전보건대학교 컴퓨터정보과 )
  • Ki-Bong, Kim (Dept. of Computer Information, Daejeon Health Institute of Technology)
  • 투고 : 2022.11.17
  • 심사 : 2022.12.21
  • 발행 : 2022.12.30

초록

최근 기업과 공공기관에서 안전 이슈는 더는 미룰 수 있는 상황이 아니며, 대형 안전사고가 발생했을 때 직접적인 금전적 손실뿐 아니라 해당 기업 및 공공기관에 대한 사회적 신뢰가 함께 떨어지는 간접적인 손실도 매우 커진다. 특히 사망 사고의 경우는 더욱 피해가 심각하다. 이에 따라 기업 및 공공기관은 산업 안전 교육과 예방에 대한 투자를 확대함에 따라, 고위험 상황이 존재하는 산업현장에서 사용자 행동반경에 영향을 받지 않고 안전관리 서비스가 가능한 개방형 AI 학습모델 생성 기술, 에지단말간 AI협업 기술, 클라우드-에지단말 연동 기술, 멀티모달 위험상황 판단기술, AI 모델 학습 지원 기술을 이용한 시스템 개발이 이루어지고 있다. 특히 인공지능 기술의 발전과 확산으로 안전 이슈에도 해당 기술을 적용하기 위한 연구가 활발해지고 있다. 따라서 본 논문에서는 고위험 현장 안전관리를 위해 AI 모델 학습 지원이 가능한 개방형 클라우드 플랫폼 설계 방안을 제시하였다.

Recently, safety issues in companies and public institutions are no longer a task that can be postponed, and when a major safety accident occurs, not only direct financial loss, but also indirect loss of social trust in the company and public institution is greatly increased. In particular, in the case of a fatal accident, the damage is even more serious. Accordingly, as companies and public institutions expand their investments in industrial safety education and prevention, open AI learning model creation technology that enables safety management services without being affected by user behavior in industrial sites where high-risk situations exist, edge terminals System development using inter-AI collaboration technology, cloud-edge terminal linkage technology, multi-modal risk situation determination technology, and AI model learning support technology is underway. In particular, with the development and spread of artificial intelligence technology, research to apply the technology to safety issues is becoming active. Therefore, in this paper, an open cloud platform design method that can support AI model learning for high-risk site safety management is presented.

키워드

참고문헌

  1. J. Seo. (2018). Smart Wearable Technologies in Construction, Construction engineering and management, 19(4), 58-63. 
  2. R. Lee, M. Park & S. H. Lee. (2019). An Advanced  IoT Data Collection Service for Data-centric Smart Cities, International Journal of Innovative Technology and Exploring Engineering, 8(8S2),  323-327. 
  3. R. Lee, R. Y. Jang, M. W. Park, S.-H. Lee & M. S. Choi. (2020). AIaaS Technology Trends and Activation Plan, Communications of the Korean Institute of Information Scientists and Engineers, 38(8), 49-57 
  4. PaaS-TA. (n. d.). https://paas-ta.kr/ 
  5. Y. H. Kim. (2021), Open Cloud Platform PaaS-TA Trend and Ecosystem Activation, Software Policy & Research Institute, Monthly Software Oriented Society. 
  6. R. Y. Jang, R. Lee, M. W. Park & S. H. Lee. (2020)  Development of an AI Analysis Service System based on OpenFaaS, The Journal of the Korea Contents Association, 20(7), 97-106  DOI : 10.5392/JKCA.2020.20.07.097 
  7. V. Ishakian, V. Muthusamy & A. Slominski. (2018). Serving Deep Learning Models in a Serverless Platform, 2018 IEEE International Conference on Cloud Engineering (IC2E). IEEE, 
  8. Naver Cloud Platform. (n. d.) https://www.ncloud.com 
  9. . https://azure.microsoft.com/ko-kr/resources/cloud-computing-dictionary/what-is-azure/azure-iaas/#overview 
  10. Google Cloud Platform. (n. d.). https://cloud.google.com/ 
  11. E. Bisong. (2019). An Overview of Google Cloud Platform Services. Building Machine Learning and Deep Learning Models on Google Cloud Platform. Apress, Berkeley, CA, pp.7-10. 
  12. Google Cloud AutoML. (n. d.). https://cloud.google.com/automl?hl=ko 
  13. Azure Machine Learning. (n. d.). https://learn.micro  soft.com/ko-kr/azure/machine-learning/how-toselect-algorithms 
  14. Y.-H. Moon, I. H. Shin, Y. J. Lee & O. G. Min. (2019). Recent Research & Development Trends in Automated Machine Learning, Electronics and telecommunications trends, 34(4), 32-42  DOI : 10.22648/ETRI.2019.J.340404 
  15. MLBox. (n. d.). https://mlbox.readthedocs.io/en/latest/ 
  16. TPOT. (n. d.). http://automl.info/tpot/ 
  17. PyCaret. (n. d.). https://pycaret.org/ 
  18. LightAutoML. (n. d.). https://lightautoml.readthedocs.io/ 
  19. FLAML. (n. d.). https://microsoft.github.io/FLAML/ 
  20. EvalML. (n. d.). https://evalml.alteryx.com/en/stable/ 
  21. Auto-Sklearn. (n. d.). https://automl.github.io/autosklearn/master/ 
  22. AutoKeras. (n. d.). https://autokeras.com/ 
  23. H2O. (n. d.). https://h2o.ai/ 
  24. Kubeflow. (n. d.). https://www.kubeflow.org/ 
  25. MLFlow. (n. d.). https://mlflow.org/ 
  26. Data Version Control(DVC). (n. d.). https://dvc.org/ 
  27. Pachyderm (n. d.). https://www.pachyderm.com/ 
  28. Metaflow. (n. d.). https://metaflow.org/ 
  29. iRODS. (n. d.). https://irods.org/ 
  30. J. Kim, Y. Han, D. Kim & Y.-K. Lee. (2015). Climate Data Support System using iRODS, Journal of KIISE, 31(2), 3-15. 
  31. Y. K. Han, J. Kim, S. Lee & Y. K. Lee. (2010). Massive Electronic Record Management System using iRODS, Journal of KIISE, 16(8), 825-836.