• 한국방사선학회논문지
• /
• 제13권2호
• /
• pp.175-183
• /
• 2019

뇌신경계 인터벤션 시술은 장시간의 시술로 인해 피부의 수포, 탈모, 홍반 등의 방사선 피폭으로 인한 위해가 빈번히 보고되고 있다. 인체공학적으로 제작된 Bismuth (원자번호 83;Bi) 차폐체를 뇌혈관계 인터벤션 시술에 적용함으로써 의료방사선 피폭으로부터 두피 및 수정체의 방사선 피폭을 최소화하고자 하였다. 측정 부위는 4부위로 후두부(9 points), 양쪽 측두부(12 points), 양쪽 수정체부(6 points), 코 끝부(6 points)이며, 측정 소자는 광자극 형광 선량계(Optically Stimulated Luminescence Dosimeter: OSLD)를 각 지점(points)에 측정기를 부착 후 자체 제작된 Bismuth차폐 기구를 사용 전(A그룹)과 후(B그룹)를 측정한 후 피부표면선량(entrance surface dose)을 비교 분석하였다. A 그룹(Bismuth unshield)과 B 그룹(Bismuth shield)의 피부선량 평균은 A 그룹은 92.44 mGy였고, B 그룹은 67.55 mGy로 측정되었다. A 그룹에 비해 B 그룹에서 평균 26.92% 감소되었다. 후두부의 피부선량 평균은 A 그룹(9 point)은 146.08 mGy, B 그룹(9 point)은 103.23 mGy로 측정되었고 A 그룹에 비해 B 그룹에서 평균 29.32 % 감소하였다. 측두부의 피부선량 평균은 A 그룹(6 point)은 101.90 mGy, B 그룹(6 point)은 72.69 mGy로 측정되었고 A 그룹에 비해 B 그룹에서 평균 28.67% 감소하였다. 수정체부의 피부선량 평균은 A 그룹(3 point)은 27.51 mGy, B 그룹(3 point)은 21.39 mGy로 측정되었고 A 그룹에 비해 B 그룹에서 평균 22.26% 감소하였다. Bismuth 차폐체의 사용은 뇌혈관 중재적 시술 후 나타날 수 있는 일시적 탈모 및 기타 확률적 영향에 따른 방사선 장해를 감소시킬 수 있는 대안이 될 것으로 사료된다.

• 지능정보연구
• /
• 제25권3호
• /
• pp.43-62
• /
• 2019

한때, 이상 탐지 분야는 특정 데이터로부터 도출한 기초 통계량을 기반으로 이상 유무를 판단하는 방법이 지배적이었다. 이와 같은 방법론이 가능했던 이유는 과거엔 데이터의 차원이 단순하여 고전적 통계 방법이 효과적으로 작용할 수 있었기 때문이다. 하지만 빅데이터 시대에 접어들며 데이터의 속성이 복잡하게 변화함에 따라 더는 기존의 방식으로 산업 전반에 발생하는 데이터를 정확하게 분석, 예측하기 어렵게 되었다. 따라서 기계 학습 방법을 접목한 SVM, Decision Tree와 같은 모형을 활용하게 되었다. 하지만 지도 학습 기반의 모형은 훈련 데이터의 이상과 정상의 클래스 수가 비슷할 때만 테스트 과정에서 정확한 예측을 할 수 있다는 특수성이 있고 산업에서 생성되는 데이터는 대부분 정답 클래스가 불균형하기에 지도 학습 모형을 적용할 경우, 항상 예측되는 결과의 타당성이 부족하다는 문제점이 있다. 이러한 단점을 극복하고자 현재는 클래스 분포에 영향을 받지 않는 비지도 학습 기반의 모델을 바탕으로 이상 탐지 모형을 구성하여 실제 산업에 적용하기 위해 시행착오를 거치고 있다. 본 연구는 이러한 추세에 발맞춰 적대적 생성 신경망을 활용하여 이상 탐지하는 방법을 제안하고자 한다. 시퀀스 데이터를 학습시키기 위해 적대적 생성 신경망의 구조를 LSTM으로 구성하고 생성자의 LSTM은 2개의 층으로 각각 32차원과 64차원의 은닉유닛으로 구성, 판별자의 LSTM은 64차원의 은닉유닛으로 구성된 1개의 층을 사용하였다. 기존 시퀀스 데이터의 이상 탐지 논문에서는 이상 점수를 도출하는 과정에서 판별자가 실제데이터일 확률의 엔트로피 값을 사용하지만 본 논문에서는 자질 매칭 기법을 활용한 함수로 변경하여 이상 점수를 도출하였다. 또한, 잠재 변수를 최적화하는 과정을 LSTM으로 구성하여 모델 성능을 향상시킬 수 있었다. 변형된 형태의 적대적 생성 모델은 오토인코더의 비해 모든 실험의 경우에서 정밀도가 우세하였고 정확도 측면에서는 대략 7% 정도 높음을 확인할 수 있었다.

• 중소기업연구
• /
• 제39권1호
• /
• pp.1-39
• /
• 2017

1960~1970년대 창업했던 경영 1세대들이 평생을 바쳐 일군 기업을 다음세대에 승계해야 하는 중요한 시기를 맞이하여 가업 승계에 대한 고민이 증가하고 있는 상황이다. 가업승계 대상을 선정하는 과정에서 가족이나 내부직원에게 가업을 승계하는 형태, 매각 또는 외부 전문가 영입 등 다양한 승계형태를 고려하는 것이 필요하다. 해외에서는 가족기업의 가업승계에 대한 중요성을 인식하고 가업승계에 미치는 영향요인, 가업승계의 특성, 유형 등 다각화된 연구를 진행하고 그 결과를 바탕으로 관련 정책 개발 및 가업승계 지원에 활용하고 있다. 하지만, 국내에서는 아직까지 가족기업의 가업승계와 관련된 연구가 많이 이루어지지 않았고, 일반적인 기업승계 형태에 대한 연구가 주를 이루고 있다. 국내 경제에서 차지하는 비중 및 영향력을 감안하였을 때, 가족기업에 대한 체계적인 연구를 통해 가족기업의 가업승계에 대한 이슈를 해결해 줄 수 있는 가이드라인 및 정책개발이 필요한 실정이다. 이에 본 연구에서는 국내 가족기업의 가업승계에 대한 현황을 파악하기 위해 국내 540개 중소가족기업체 자료를 이용하여 Gomez-Mejia와 동료들(2007)이 주장하는 행동대리 이론(Behavioral Agency Theory)관점에서 사회 정서적 가치(SEW) 5영역을 중심으로 가족기업의 주요한 특성이 승계유형에 미치는 영향을 분석하였다. 실증분석 결과, 비 재무적 특성인 기업업력, 사회 공헌의 변수는 가족승계 > 내부승계 > 외부승계 순서로, 지식자산은 내부승계 > 가족승계 > 외부승계 순서로, 가족의 경영참여는 가족승계 > 외부승계 순서로 승계유형 선택에 영향을 미치는 것으로 확인되었다. 사회 공헌 특성이 승계유형 선택에 가장 많은 영향을 미쳤다. 재무적인 요인인 경영성과나 R&D 투자 변수는 승계 유형 선택에 유의한 영향을 미치지 못하였다. 연립경영의 경우 가족승계 확률이 높았고, 연립경영은 R&D 투자, 사회공헌, 기업업력 변수가 가족기업으로 선택하는 것을 강화하는 조절효과가 있었다. 본 연구에서 사용된 행동대리인 이론이 가업승계에 설명력이 높은 것으로 확인되었다. 가족기업은 사회 정서적 가치(SEW)를 유지하려는 성향이 크며, 일반적인 상장 대기업의 경우와는 달리 중소가족기업에서는 성과 등 재무적인 요인이 아니라 오랜 업력을 바탕으로 축적된 노하우, 사회 공헌 등 비재무적인 요인이 승계에 많은 영향을 미치고 있는 것으로 나타났다. 본 연구를 통해 기업가의 가업승계에 실무적인 도움이 될 것으로 기대하며, 정부의 정책 개발에 가이드라인을 제시할 수 있을 것으로 예상된다.

• 지능정보연구
• /
• 제23권4호
• /
• pp.111-126
• /
• 2017

연관 상품 추천은 수많은 상품을 다루는 온라인 상거래에서 소비자의 상품 탐색 시간을 줄여주며 판매자의 매출 증대에 크게 기여한다. 이는 주문과 같은 거래의 빈도를 기반으로 생성되므로, 통계적으로 판매 확률이 높은 상품을 효과적으로 선별할 수 있다. 하지만, 판매 가능성이 높은 경우라도 신상품처럼 판매 초기에 거래 건수가 충분하지 않은 상품은 추천에서 누락될 수 있다. 연관 추천에서 누락된 상품은 이로 인해 노출 기회를 잃게 되고, 이는 거래 건수 감소로 이어져, 또 다시 추천 기회를 잃는 악순환을 겪을 수도 한다. 따라서, 충분한 거래 건수가 쌓이기 전까지 초기 매출은 일정 기간 동안 정체되는 현상을 보이는데, 의류 등과 같이 유행에 민감하거나 계절 변화에 영향을 많이 받는 상품은 이로 인해 매출에 큰 타격을 입을 수도 있다. 본 연구는 이와 같이 거래 초기의 낮은 거래 빈도로 인해 잘 드러나지 않는 상품 간의 잠재적인 연관성을 찾아 추천 기회를 확보할 수 있도록 연관 규칙을 확장하기 위한 목적으로 수행되었다. 두 상품 간에 직접적인 연관성이 나타나지 않더라도 다른 상품을 매개로 두 상품 간의 잠재적 연관성을 예측할 수 있을 것이며, 이런 연관성은 주문에서 나타나는 상품 간 상호작용으로 표현될 수 있으므로, 사회연결망 분석을 활용한 분석을 시도하였다. 사회연결망 분석기법을 통해 각 상품의 속성과 두 상품 간 경로의 특성을 추출하고 회귀분석을 실시하여, 두 상품 간 경로의 최단 거리 및 경로의 개수, 각 상품이 얼마나 많은 상품과 연관성을 갖는지, 두 상품의 분류 카테고리가 어느 정도 일치하는지가 두 상품 간의 잠재적 연관성에 미친다는 것을 확인하였다. 모형의 성능을 평가하기 위해, 일정 기간의 주문 데이터로부터 연결망을 구성하고, 이후 10일 간 생성될 상품 간 연관성을 예측하는 실험을 진행하였다. 실험 결과는 모형을 적용하지 않는 경우보다 제안 모형을 활용할 때 훨씬 많은 연관성을 찾을 수 있음을 보여준다.

• 지능정보연구
• /
• 제26권2호
• /
• pp.27-42
• /
• 2020

인터넷이라는 가상 공간을 활용함으로써 물리적 공간의 제약을 갖는 오프라인 쇼핑의 한계를 넘어선 온라인 쇼핑은 다양한 기호를 가진 소비자를 만족시킬 수 있는 수많은 상품을 진열할 수 있게 되었다. 그러나, 이는 역설적으로 소비자가 구매의사결정 과정에서 너무 많은 대안을 비교 평가해야 하는 어려움을 겪게 함으로써 오히려 상품 선택을 방해하는 원인이 되기도 한다. 이런 부작용을 해소하기 위한 노력으로서, 연관 상품 추천은 수많은 상품을 다루는 온라인 상거래에서 소비자의 구매의사결정 과정 중 정보탐색 및 대안평가에 소요되는 시간과 노력을 줄여주고 이탈을 방지하며 판매자의 매출 증대에 기여할 수 있다. 연관 상품 추천에 사용되는 연관 규칙 마이닝 기법은 통계적 방법을 통해 주문과 같은 거래 데이터로부터 서로 연관성 높은 상품을 효과적으로 발견할 수 있다. 하지만, 이 기법은 거래 건수를 기반으로 하므로, 잠재적으로 판매 가능성이 높을지라도 충분한 거래 건수가 확보되지 못한 상품은 추천 목록에서 누락될 수 있다. 이렇게 추천 시 제외된 상품은 소비자에게 구매될 수 있는 충분한 기회를 확보하지 못할 수 있으며, 또 다시 다른 상품에 비해 상대적으로 낮은 추천 기회를 얻는 악순환을 겪을 수도 있다. 본 연구는 구매의사결정이 결국 상품이 지닌 속성에 대한 사용자의 평가를 기반으로 한다는 점에 착안하여, 추천 시 상품의 속성을 반영하면 소비자가 특정 상품을 선택할 확률을 좀더 정확하게 예측할 수 있다는 점을 추천 시스템에 반영하기 위한 목적으로 수행되었다. 즉, 어떤 상품 페이지를 방문한 소비자는 그 상품이 지닌 속성들에 어느 정도 관심을 보인 것이며 추천 시스템은 이런 속성들을 기반으로 연관성을 지닌 상품을 더 정교하게 찾을 수 있다는 것이다. 상품의 주요 속성의 하나로서, 카테고리는 두 상품 간에 아직 드러나지 않은 잠재적인 연관성을 찾기에 적합한 대상이 될 수 있다고 판단하였다. 본 연구는 연관 상품 추천에 상품 간의 연관성뿐만 아니라 카테고리 간의 연관성을 추가로 반영함으로써 추천의 정확도를 높일 수 있는 예측모형을 개발하였고, 온라인 쇼핑몰로부터 수집된 주문 데이터를 활용하여 이루어진 실험은 기존 모형에 비해 추천 성능이 개선됨을 보였다. 실무적인 관점에서 볼 때, 본 연구는 소비자의 구매 만족도를 향상시키고 판매자의 매출을 증가시키는 데에 기여할 수 있을 것으로 기대된다.

• 지능정보연구
• /
• 제25권1호
• /
• pp.85-107
• /
• 2019

온라인 소비자는 쇼핑 웹사이트에서 특정 제품군이나 브랜드에 속한 제품들을 둘러보고 구매를 진행할 수 있고, 혹은 단순히 넓은 범위의 탐색 반경을 보이며 여러 페이지들을 돌아보다 구매를 진행하지 않고 이탈할 수 있다. 이러한 온라인 소비자의 행동과 구매에 관련된 연구는 꾸준히 진행되어왔으며, 실무에서도 소비자들의 행동 데이터를 바탕으로 한 서비스 및 어플리케이션이 개발되고 있다. 최근에는 빅데이터 기술의 발달로 소비자 개인 단위의 맞춤화 전략 및 추천 시스템이 활용되고 있으며 사용자의 쇼핑 경험을 최적화하기 위한 시도가 진행되고 있다. 하지만 이와 같은 시도에도 온라인 소비자가 실제로 웹사이트를 방문해 제품 구매 단계까지 전환될 확률은 매우 낮은 실정이다. 이는 온라인 소비자들이 단지 제품 구매를 위해 웹사이트를 방문하는 것이 아니라 그들의 쇼핑 동기 및 목적에 따라 웹사이트를 다르게 활용하고 탐색하기 때문이다. 따라서 단지 구매가 진행되는 방문 외에도 다양한 방문 형태를 분석하는 것은 온라인 소비자들의 행동을 이해하는데 중요하다고 할 수 있다. 이러한 관점에서 본 연구에서는 온라인 소비자의 탐색 행동의 다양성과 복잡성을 설명하기 위해 실제 E-commerce 기업의 클릭스트림 데이터를 기반으로 세션 단위의 클러스터링 분석을 진행해 탐색 행동을 유형화하였다. 이를 통해 각 유형별로 상세 단위의 탐색 행동과 구매 여부가 차이가 있음을 확인하였다. 또한 소비자 개인이 여러 방문에 걸친 일련의 탐색 유형에 대한 패턴을 분석하기 위해 순차 패턴 마이닝 기법을 활용하였으며, 같은 기간 내에 제품 구매까지 완료한 소비자와 구매를 진행하지 않은 채 방문만 진행한 소비자들의 탐색패턴에 대한 차이를 확인할 수 있었다. 본 연구의 시사점은 대규모의 클릭스트림 데이터를 활용해 온라인 소비자의 탐색 유형을 분석하고 이에 대한 패턴을 분석해 구매 과정 상의 행동을 데이터 기반으로 설명하였다는 점에 있다. 또한 온라인 소매 기업은 다양한 형태의 탐색 유형에 맞는 마케팅 전략 및 추천을 통해 구매 전환 개선을 시도할 수 있으며, 소비자의 탐색 패턴의 변화를 통해 전략의 효과를 평가할 수 있을 것이다.