• 핵의학기술
• /
• 제14권1호
• /
• pp.83-89
• /
• 2010

UltraSPECT사의 Wide Beam Reconstruction (WBR)은 노이즈(Noise)와 조준기의 광속 확산 함수 효과(Beam spread function effect)를 제거하고 환자와의 거리를 자동적으로 보상하여 높은 해상도와 대조도를 제공할 수 있어 영상 획득 시간을 짧게 할 수 있고 상당한 영상 질 향상에 도움을 준다고 보고되고 있다. 이에 본 연구에서는 핵의학 분야에서 가장 흔히 이용되는 전신 뼈 스캔에 대해 WBR의 임상적 적용에 대한 유용성을 알아보고자 한다. XpressBone (WBR)의 성능 실험을 위하여 NEMA에서 제공하는 방법에 의하여 선원(Line source)과 SPECT Phantom을 이용하여 공간 분해능을 측정 분석하였다. 실험방법은 선원의 총 계수치를 200 kcps에서 300 kcps로 변화시켜 측정하였으며, SPECT Phantom은 매트릭스 크기를 변화시켜 측정하여 공간분해능에 대한 분석을 하였다. 또한 2009년 1월부터 2009년 9월까지 본원을 내원하여 뼈 스캔을 시행 받은 환자 40명을 두 군으로 나누어 임상 연구를 시행하였다. 1군은 $^{99m}Tc$-HDP 740 MBq (20mCi)를 투여하고 검사속도(20, 30 cm/min)를 변화시켰고, 2군은 동일한 검사속도에서 $^{99m}Tc$-HDP의 투여량을 변화시켜 영상을 획득하여 Standard data와 WBR기법으로 재구성한 영상을 비교 평가하였다. 분석방법은 대퇴골체부에서 뼈와 연부조직간 섭취비(Femur to tissue ratio: FTR)를 측정한 정량적인 분석과 핵의학과 전문의와 5년 이상의 실무경험을 가진 방사선사가 육안적인 분석을 하여 비교 평가하였다. 성능 실험에서 선원을 사용하여 실험한 결과 Planar WBR data는 Standard data에 비하여 분해능이 약 10% 향상되었으며, WBR 반치폭(Full-Width at Half-Maximum)은 16% 향상되었다(Standard data 8.45, WBR data 7.09). SPECT Phantom에서는 약 50%의 분해능이 향상되었으며, WBR 반치폭은 50% 향상되었다(Standard data 3.52, WBR data 1.65). 임상 연구에서는 $^{99m}Tc$-HDP 투여량을 고정시키고 검사속도를 20cm/min과 30 cm/min로 변화시킨 1군에서 Standard data와 WBR data의 전신 뼈 스캔 전면 영상에서 뼈 대비 연부조직간 섭취비는 통계적으로 유의한 차이를 보이지 않았다 (p=0.07). 검사속도를 고정하고 $^{99m}Tc$-HDP 투여량을 변화시킨 2군에서는 Standard data와 WBR data간의 전신 뼈 스캔전면 영상에서는 통계적으로 유의한 차이를 보이지 않았다 (p=0.458). 영상의 육안적 분석에서도 두 군 간 유의한 차이를 보이지 않았다(p>0.05). NEMA test 결과 WBR 기법의 영상에서 분해능이 향상되는 결과를 나타내었고, 임상 실험에서는 기존 재구성 방법에서의 동일한 해상도를 가지면서도 검사시간을 단축시킬 수 있었으며 방사성의약품의 투여량도 줄일 수 있었다. 이미 알려진 바와 같이 WBR은 노이즈를 감소시켜 신호 대 잡음비를 증강시키는 새로운 영상 재구성 방법임을 확인 할 수 있으며 동일한 검사속도에서 투여량을 감소시킬 수 있어 수신자의 피폭선량 경감과 검사시간을 단축할 수 있었으며 임상 현장에서 유용하게 이용되리라 사료된다.

• 한국유통학회지:유통연구
• /
• 제17권1호
• /
• pp.87-115
• /
• 2012

제휴 로열티 프로그램(coalition loyalty program; 이하 CLP라고 한다)이란 하나의 로열티 프로그램 안에 다수의 제휴 기업들이 참여하며, 이들과 독립된 (로열티 프로그램 운영)기업이 관리하는 로열티 프로그램으로 정의된다(Blattberg 등 2008). 본 연구의 목적은 고객의 브랜드에 대한 사전 선호 수준에 따라, CLP가 고객 충성도를 증가시키는 원인과 제휴 네트워크 안의 주체 간 인식의 전이에 차이가 있을 것임을 밝히는 데에 있다. 고객 충성도의 동기는 전환장벽(switching barrier) 관점(Balabanis 등 2006; Colgate와 Lang 2001; Jones 등 2000)에 따라 자발적인 이유(브랜드 매력도)와 비자발적 이유 (브랜드 전환비용)로 설명하였다. CLP안에서 브랜드(비선호)-CLP-브랜드(선호)간 전이효과(spillover effect)는 인지적 일관성(Aaker과 Keller 1990; Hamilton 등 1989)과 정보 통합 이론(Anderson 1981; Simon과 Ruth 1998)을 적용하였다. 연구 결과는 다음 세 가지로 학문적 실무적 의의를 갖는다. 첫째, 브랜드에 대한 사전 태도에 따라 정보처리 경향이 달라진다는 소비자 행동 연구의 견해를 CLP 제휴 상황에서 검증하였다. 고객은 브랜드 선호가 높을수록 자발적 동기를 강화하고, 반대의 경우 비자발적 동기를 강화한다. 둘째, 브랜드에 대한 사전 태도가 해당 브랜드와 연관된 주체 간 인식 전이에 긍정적 조절효과를 함을 검증하였다. 즉 선호 브랜드와 어떤 주체가 연관될 때(비선호 브랜드와 연관된 경우에 비해) 인식의 전이가 더 많이 발생한다. 셋째, 기업이 CLP가입에 대한 전략적 선택을 할 때 마케팅 목적에 따라 고려해야할 사항이 달라진다. 기업의 목적이 충성고객의 유지라면, 로열티 프로그램 자체의 보상 방식과 활용 방식 등이 고려되어야한다. 하지만 목적이 비충성고객의 확보라면, 유명 브랜드의 제휴 여부를 따져야 한다. 또한 기업은 CLP의 효과(브랜드 충성도)에 안주할 것이 아니라 그 원인을 알아야 하는데, 비선호 브랜드처럼 비자발적 동기 강화에 따른 충성도 증가는 장기적으로 바람직하지 못하다는 견해가 있다(Egans 2001).

• 지능정보연구
• /
• 제23권3호
• /
• pp.69-94
• /
• 2017

최근 빅데이터 분석 수요의 지속적 증가와 함께 관련 기법 및 도구의 비약적 발전이 이루어지고 있으며, 이에 따라 빅데이터 분석은 소수 전문가에 의한 독점이 아닌 개별 사용자의 자가 수행 형태로 변모하고 있다. 또한 전통적 방법으로는 분석이 어려웠던 비정형 데이터의 활용 방안에 대한 관심이 증가하고 있으며, 대표적으로 방대한 양의 텍스트에서 주제를 도출해내는 토픽 모델링(Topic Modeling)에 대한 연구가 활발히 진행되고 있다. 전통적인 토픽 모델링은 전체 문서에 걸친 주요 용어의 분포에 기반을 두고 수행되기 때문에, 각 문서의 토픽 식별에는 전체 문서에 대한 일괄 분석이 필요하다. 이로 인해 대용량 문서의 토픽 모델링에는 오랜 시간이 소요되며, 이 문제는 특히 분석 대상 문서가 복수의 시스템 또는 지역에 분산 저장되어 있는 경우 더욱 크게 작용한다. 따라서 이를 극복하기 위해 대량의 문서를 하위 군집으로 분할하고, 각 군집별 분석을 통해 토픽을 도출하는 방법을 생각할 수 있다. 하지만 이 경우 각 군집에서 도출한 지역 토픽은 전체 문서로부터 도출한 전역 토픽과 상이하게 나타나므로, 각 문서와 전역 토픽의 대응 관계를 식별할 수 없다. 따라서 본 연구에서는 전체 문서를 하위 군집으로 분할하고, 각 하위 군집에서 대표 문서를 추출하여 축소된 전역 문서 집합을 구성하고, 대표 문서를 매개로 하위 군집에서 도출한 지역 토픽으로부터 전역 토픽의 성분을 도출하는 방안을 제시한다. 또한 뉴스 기사 24,000건에 대한 실험을 통해 제안 방법론의 실무 적용 가능성을 평가하였으며, 이와 함께 제안 방법론에 따른 분할 정복(Divide and Conquer) 방식과 전체 문서에 대한 일괄 수행 방식의 토픽 분석 결과를 비교하였다.

• 지능정보연구
• /
• 제23권3호
• /
• pp.95-118
• /
• 2017

최근 도심을 중심으로 연립 다세대의 거래가 활성화되고 직방, 다방등과 같은 플랫폼 서비스가 성장하고 있다. 연립 다세대는 수요 변화에 따른 시장 규모 확대와 함께 정보 비대칭으로 인해 사회적 문제가 발생 되는 등 부동산 정보의 사각지대이다. 또한, 서울특별시 또는 한국감정원에서 사용하는 5개 또는 25개의 권역 구분은 행정구역 내부를 중심으로 설정되었으며, 기존의 부동산 연구에서 사용되어 왔다. 이는 도시계획에 의한 권역구분이기 때문에 부동산 연구를 위한 권역 구분이 아니다. 이에 본 연구에서는 기존 연구를 토대로 향후 주택가 격추정에 있어 서울특별시의 공간구조를 재설정할 필요가 있다고 보았다. 이에 본 연구에서는 연립 다세대 실거래가 데이터를 기초로 하여 헤도닉 모형에 적용하였으며, 이를 K-Means Clustering 알고리즘을 사용해 서울특별시의 공간구조를 다시 군집하였다. 본 연구에서는 2014년 1월부터 2016년 12월까지 3년간 국토교통부의 서울시 연립 다세대 실거래가 데이터와 2016년 공시지가를 활용하였다. 실거래가 데이터에서 본 연구에서는 지하거래 제거, 면적당 가격 표준화 및 5이상 -5이하의 실거래 사례 제거와 같이 데이터 제거를 통한 데이터 전처리 작업을 수행하였다. 데이터전처리 후 고정된 초기값 설정으로 결정된 중심점이 매번 같은 결과로 나오게 K-means Clustering을 수행한 후 군집 별로 헤도닉 모형을 활용한 회귀분석을 하였으며, 코사인 유사도를 계산하여 유사성 분석을 진행하였다. 이에 본 연구의 결과는 모형 적합도가 평균 75% 이상으로, 헤도닉 모형에 사용된 변수는 유의미하였다. 즉, 기존 서울을 행정구역 25개 또는 5개의 권역으로 나뉘어 실거래가지수 등 부동산 가격 관련 통계지표를 작성하던 방식을 속성의 영향력이 유사한 영역을 묶어 16개의 구역으로 나누었다. 따라서 본 연구에서는 K-Means Clustering 알고리즘에 실거래가 데이터로 헤도닉 모형을 활용하여 연립 다세대 실거래가를 기반으로 한 군집분류방법을 도출하였다. 또한, 학문적 실무적 시사점을 제시하였고, 본 연구의 한계점과 향후 연구 방향에 대해 제시하였다.

• 지능정보연구
• /
• 제24권4호
• /
• pp.111-136
• /
• 2018

지식베이스를 구축하는 작업은 도메인 전문가가 온톨로지 스키마를 이해한 뒤, 직접 지식을 정제하는 수작업이 요구되는 만큼 비용이 많이 드는 활동이다. 이에, 도메인 전문가 없이 다양한 웹 환경으로부터 질의에 대한 답변 정보를 추출하기 위한 자동화된 시스템의 연구개발의 필요성이 제기되고 있다. 기존의 정보 추출 관련 연구들은 웹에 존재하는 다양한 형태의 문서 중 학습데이터와 상이한 형태의 문서에서는 정보를 효과적으로 추출하기 어렵다는 한계점이 존재한다. 또한, 기계 독해와 관련된 연구들은 문서에 정답이 있는 경우를 가정하고 질의에 대한 답변정보를 추출하는 경우로서, 문서의 정답포함 여부를 보장할 수 없는 실제 웹의 비정형 문서로부터의 정보추출에서는 낮은 성능을 보인다는 한계점이 존재한다. 본 연구에서는 지식베이스 확장을 위하여 웹에 존재하는 멀티소스 비정형 문서로부터 질의에 대한 정보를 추출하기 위한 시스템의 개발 방법론을 제안하고자 한다. 본 연구에서 제안한 방법론은 "주어(Subject)-서술어(Predicate)"로 구분된 질의에 대하여 위키피디아, 네이버 백과사전, 네이버 뉴스 3개 웹 소스로부터 수집된 비정형 문서로부터 관련 정보를 추출하며, 제안된 방법론을 적용한 시스템의 성능평가를 위하여, Wu and Weld(2007)의 모델을 베이스라인 모델로 선정하여 성능을 비교분석 하였다. 연구결과 제안된 모델이 베이스라인 모델에 비해, 위키피디아, 네이버 백과사전, 네이버 뉴스 등 다양한 형태의 문서에서 정보를 효과적으로 추출하는 강건한 모델임을 입증하였다. 본 연구의 결과는 현업 지식베이스 관리자에게 지식베이스 확장을 위한 웹에서 질의에 대한 답변정보를 추출하기 위한 시스템 개발의 지침서로서 실무적인 시사점을 제공함과 동시에, 추후 다양한 형태의 질의응답 시스템 및 정보추출 연구로의 확장에 기여할 수 있을 것으로 기대한다.

• 지능정보연구
• /
• 제27권2호
• /
• pp.55-78
• /
• 2021

최근 인간과 상호작용할 수 있는 '소셜로봇'을 활용하여 복잡하고 다양한 사회문제를 해소하고 개인의 삶의 질을 제고하려는 시도가 주목받고 있다. 과거 로봇은 인간을 대신해서 산업 현장에 투입되고 노동력을 제공해주는 존재로 인식되었다. 그러나 오늘날의 로봇은 각종 산업분야를 관통하는 핵심 키워드인 'Smart'의 등장을 기점으로 인간과 함께 공존하며 사회적 교감이 가능한 '소셜로봇(Social Robot)'으로 그 개념이 확장되고 있다. 구체적으로 고객을 응대하는 서비스 로봇, 에듀테인먼트(Edutainment) 성격의 로봇, 그리고 인간과의 교감, 상호작용에 주목한 감성로봇 등이 출시되고 있다. 그러나 4차 산업혁명을 계기로 ICT 서비스 환경이 급격한 발전을 이룬 현재까지 소셜로봇의 대중화는 체감되지 않고 있다. 소셜로봇의 핵심 기능이 사용자와의 사회적 교감임을 고려하면, 소셜로봇의 대중화를 촉진하기 위해서는 기기에 적용되는 기술 이외의 요소들도 중요하게 고려할 필요가 있다. 본 연구는 로봇의 디자인 요소가 소셜로봇에 대한 소비자들의 구매를 이끌어내는데 중요하게 작용할 것으로 판단한다. 로봇의 외형이 유발하는 감성은 사용자의 인지, 추론, 평가와 기대를 형성하는 과정에서 중요한 영향을 미치며 나아가 로봇에 대한 태도와 호감 그리고 성능 추론 등에도 영향을 줄 수 있다. 그러나 소셜로봇에 대한 기존 연구들은 로봇의 개발방법론을 제안하거나, 소셜로봇이 사용자에게 제공하는 효과를 단편적으로 검증하는 수준에 머무르고 있다. 따라서 본 연구는 소셜로봇의 외형으로부터 사용자가 느끼는 감성이 소셜로봇에 대한 사용자의 태도에 미치는 영향을 검증해보고자 한다. 이때 서로 다른 출처의 이종 데이터 간 결합을 통하여 소셜로봇 디자인평가 모형을 구성한다. 구체적으로 소셜로봇의 외형에 대하여 사전에 구축된 ABOT Database로부터 다수의 소셜로봇에 대한 세 가지 정량적 지표 데이터를 확보하였다. 소셜로봇의 디자인 감성은 (1) 기존의 디자인평가 문헌과 (2) 소셜로봇 제품 후기와 블로그 등의 온라인 구전, (3) 소셜로봇 디자인에 대한 정성적인 인터뷰를 통해 도출하였다. 이후 사용자 설문을 통하여 각각의 소셜로봇에 대해 사용자가 느끼는 감성과 태도에 대한 평가를 수집하였다. 세부적인 감성 평가항목 23개에 대하여, 차원 축소 방법론을 통해 6개의 감성 차원을 도출하였다. 이어서 도출된 감성 차원들이 사용자의 소셜로봇에 대한 태도에 미치는 영향을 검증하기 위해 회귀분석을 수행하여 감성과 태도 간의 관계를 파악해 보았다. 마지막으로 정량적으로 수집된 소셜로봇의 외형에 대한 지표가 감성과 태도 간의 관계에 영향을 줄 수 있음을 검증하기 위해 조절회귀분석을 수행하였다. 기술적인ABOT Database 속성 지표들과 감성 차원들 간의 순수조절효과를 확인하고, 도출된 조절효과에 대한 시각화를 수행하여 외형, 감성, 그리고 태도 간의 관계를 다각적인 관점에서 해석하였다. 본 연구는 이종간 데이터를 연결하여 소셜로봇의 기술적 속성과 소비자 감성, 태도까지 변수 간 관계를 총체적으로 실증 분석했다는 점에서 이론적 공헌을 가지며, 소셜로봇 디자인 개발 전략에 대한 의사결정을 지원하기 위한 기준으로 소비자 감성의 활용 가능성을 제안하였다는 실무적 의의를 가진다.

• 지능정보연구
• /
• 제27권1호
• /
• pp.83-102
• /
• 2021

2020년 8월 정부는 한국판 뉴딜을 뒷받침하기 위한 공공기관의 역할 강화방안으로서 각 공공기관별 역량을 바탕으로 5대 분야에 걸쳐 총 20가지 과제를 선정하였다. 빅데이터(Big Data), 인공지능 등을 활용하여 대국민 서비스를 제고하고 공공기관이 보유한 양질의 데이터를 개방하는 등의 다양한 정책을 통해 한국판 뉴딜(New Deal)의 성과를 조기에 창출하고 이를 극대화하기 위한 다양한 노력을 기울이고 있다. 그중에서 한국무역보험공사(KSURE)는 정책금융 공공기관으로 국내 수출기업들을 지원하기 위해 여러 제도를 운영하고 있는데 아직까지는 본 기관이 가지고 있는 빅데이터를 적극적으로 활용하지 못하고 있는 실정이다. 본 연구는 한국무역보험공사의 수출신용보증 사고 발생을 사전에 예측하고자 공사가 보유한 내부 데이터에 기계학습 모형을 적용하였고 해당 모형 간에 예측성과를 비교하였다. 예측 모형으로는 로지스틱(Logit) 회귀모형, 랜덤 포레스트(Random Forest), XGBoost, LightGBM, 심층신경망을 사용하였고, 평가 기준으로는 전체 표본의 예측 정확도 이외에도 표본별 사고 확률을 구간으로 나누어 높은 확률로 예측된 표본과 낮은 확률로 예측된 경우의 정확도를 서로 비교하였다. 각 모형별 전체 표본의 예측 정확도는 70% 내외로 나타났고 개별 표본을 사고 확률 구간별로 세부 분석한 결과 양 극단의 확률구간(0~20%, 80~100%)에서 90~100%의 예측 정확도를 보여 모형의 현실적 활용 가능성을 보여주었다. 제2종 오류의 중요성 및 전체적 예측 정확도를 종합적으로 고려할 경우, XGBoost와 심층신경망이 가장 우수한 모형으로 평가되었다. 랜덤포레스트와 LightGBM은 그 다음으로 우수하며, 로지스틱 회귀모형은 가장 낮은 성과를 보였다. 본 연구는 한국무역보험공사의 빅데이터를 기계학습모형으로 분석해 업무의 효율성을 높이는 사례로서 향후 기계학습 등을 활용하여 실무 현장에서 빅데이터 분석 및 활용이 활발해지기를 기대한다.