• 지능정보연구
• /
• 제25권3호
• /
• pp.221-238
• /
• 2019

최근, 기업 및 공공기관에서는 고객 상담과 응대 분야에 챗봇(Chatbot)서비스를 적극적으로 도입하고 있다. 챗봇 서비스의 도입은 기업이나 기관에게 있어서 인건비 절감 효과를 가져올 뿐만 아니라 고객과의 빠른 커뮤니케이션 효과를 기대할 수 있다. 데이터 분석 기술의 발전과 인공지능 기술의 고도화는 이런 챗봇 서비스의 성장을 견인하고 있다. 하지만 기술중심으로 개발된 챗봇은 사용자가 내재적으로 원하는 바와 괴리가 있을 수 있으므로, 챗봇이 단순히 기술의 영역이 아닌 사용자 경험의 영역에서 다루어질 필요가 있다. 본 연구는 사용자 경험 분야의 대표적 방법론인 디자인 사고 접근법을 챗봇 개발에 적용하여, 사용자 니즈 기반의 챗봇 개발 프로세스를 제안하고자 한다. 사용자 관찰을 통해 팩트(Fact) 수집을 시작으로, 인사이트(Insight)를 도출하고 기회영역(Opportunity)을 발굴하는 추상화의 과정을 수행한다. 이어서 사용자의 멘탈모델에 맞는 기능을 제공하고 원하는 정보를 구조화하는 구체화의 과정을 통해, 사용자의 니즈에 부합하는 챗봇을 개발할 수 있을 것으로 기대한다. 본 연구에서는 제안한 프로세스의 실효성을 확인하기 위하여 국내 화장품 시장을 대상으로 실제 구축 사례를 함께 제시한다. 본 연구는 챗봇 개발 프로세스에 사용자 경험을 접목한 점에서 이론적 시사점을 가지며, 기업이나 기관이 바로 적용 가능한 현실적인 방법을 제안한다는 면에서 실무적 시사점을 가진다.

• 한국수자원학회논문집
• /
• 제56권11호
• /
• pp.775-784
• /
• 2023

최근 이상기후로 수공 구조물의 설계빈도를 상회하는 극한호우의 증가 경향이 뚜렷함에 따라 과거에 설계된 농업용 저수지의 안전성 검토가 필요하다. 그러나 한국농어촌공사 관할 일정 규모 이상의 저수지를 제외한 지자체 관리 저수지는 비상시 긴급 방류가 가능 저수지는 전무하다(13,685개소). 이러한 경우 이동식 사이펀을 현장에 빠르게 투입하여 사전 방류하는 방법이 긴요하며, 본 연구에서는 사전 및 긴급방류 기능을 동시에 수행할 수 있는 직경 200 mm, 최소 수위차 6 m, 420(m²/h), 10,000(m²/day)의 이동식 사이펀을 경주시 유금저수지를 대상으로 적용 가능성을 평가하였다. 테스트베드인 유금 저수지는 1945년 준공되어 공용기간이 78년 정도 경과한 시설물로 수문학적 안정성 분석 결과 현재 댐마루 구간의 최저높이는 27.15(EL.m)로 검토 홍수위 27.44(EL.m) 보다 0.29 m 낮아 제방을 통한 월류 가능성이 있고 여유고도 1.72 m 부족한 것으로 나타나 수문학 안전성을 확보하지 못하는 것으로 검토되었다. 유금저수지는 수위-유량 계측이 주기적으로 이루어진지 얼마 되지 않아 저수지의 수위-유량 관계 곡선식을 명확하게 확립하기 어려워 수위-용적 곡선을 임의로 도출하였으며 도출된 곡선을 기반으로 중소규모 노후저수지 운영 알고리즘을 통해 사전방류시간, 여수로 방류량을 고려하고 빈도별 홍수량에 따른 저수지 월류시간을 예측함으로써 사전에 대피 시간을 확보하고 붕괴위험을 저감할 수 있는 기술을 확보하였다. 직경 200 mm 이동식사이펀 1열 기준, 30년 빈도 홍수량 유입 시 상한수위 기준 80% 수준(약 30,000 m²)을 유지하면서 주민대피 시간(약 1시간)을 확보할 수 있는 최적 사전방류시간은 12시간 이전으로 분석되었다. 중소규모 노후저수지를 대상으로 사이펀 활용 사전방류기술 및 저수지 운영 알고리즘에 따라 이상기후 대비 사전에 방류를 시행하고 관리자의 의사결정을 돕는다면, 저수지 붕괴 위험지역 내의 주민들의 안전을 확보하고 주민대피 지원체계 구축을 통해 주민들의 불안감 해소, 저수지 위험상황 시 위험회피 수단 제공으로 위험요소 감소가 충분히 가능하다.

• 대한토목학회논문집
• /
• 제37권1호
• /
• pp.203-215
• /
• 2017

최근 스마트폰 보급과 측위 기술의 향상으로 보행자용 내비게이션 서비스(Pedestrian Navigation Service, PNS)에 대한 관심이 높아지고 있으며, 보행자의 이동 특성과 길 찾기 성공률 측면에서 보행자에게 길안내를 하는데 랜드마크를 이용하는 것이 효율적이다. 이에 PNS를 위하여 랜드마크를 추출하려는 연구들이 진행되어 왔다. 그러나 이들 선행연구는 랜드마크를 추출할 때 건물들 간의 차이만을 고려하고, PNS가 구동되는 화면 속 지도에 대한 사용자의 시각적 주의를 고려하지 않았다는 한계를 가지고 있다. 본 연구는 건물의 속성을 지역적 변수와 전역적 변수로 정의함으로써 이와 같은 문제를 개선하고자 한다. 지역적 변수는 건물들 간의 차이를 나타내고 전역적 변수는 건물이 가지는 고유한 특성을 나타냄으로써 건물의 현출성과 시각적 주의 정도를 반영한다. 또한, 네트워크 보로노이 다이어그램을 이용하여 네트워크의 연결성을 고려하고 랜드마크 후보군 추출 시 발생하는 중첩 현상을 해결한다. PNS를 위한 랜드마크를 추출하기 위하여 선행 연구를 바탕을 건물 속성정보를 정의하였다. 다음으로, 보행자를 위한 선택점을 선정하고, 해당 선택점 별로 랜드마크 후보군을 추출하였다. 이들 랜드마크 후보군에 대해서 정의된 건물 속성정보를 산출하고, 주성분 분석을 이용하여 랜드마크를 추출하였다. 제안된 기법을 서울특별시 관악구 일부 지역을 대상으로 적용하여 랜드마크를 추출하고, 네이버와 다음 지도 서비스의 레이블과 길찾기 시 표출되는 랜드마크와 비교하여 정확도를 평가하였다. 그 결과, 네이버와 다음 레이블 219개 중에서 60.3%에 해당하는 132개가 제안된 방법으로 랜드마크로 추출되었으며, 네이버와 다음 지도 서비스에는 없지만 선택점에서 추가로 추출된 228개의 랜드마크는 지역적 수준에서 길 찾기 시 방향 전환을 결정하는데 도움이 될 수 있음을 확인하였다.

• 한국지리정보학회지
• /
• 제22권3호
• /
• pp.82-98
• /
• 2019

정보화 사회로 진입하면서 공간정보의 중요성은 급격하게 부각되고 있다. 특히 스마트시티, 디지털트윈과 같은 Real World Object의 3차원 공간정보 구축 및 모델링은 중요한 핵심기술로 자리매김하고 있다. 구축된 3차원 공간정보는 국토관리, 경관분석, 환경 및 복지 서비스 등 다양한 분야에서 활용된다. 영상기반의 3차원 모델링은 객체 벽면에 대한 텍스처링을 생성하여 객체의 가시성과 현실성을 높이고 있다. 하지만 이러한 텍스처링은 영상 취득 당시의 가로수, 인접 객체, 차량, 현수막 등의 물리적 적치물에 의해 필연적으로 폐색영역이 발생한다. 이러한 폐색영역은 구축된 3차원 모델링의 현실성과 정확성 저하의 주요원인이다. 폐색영역 해결을 위한 다양한 연구가 수행되고 있으며, 딥러닝을 이용한 폐색영역 검출 및 해결방안에 대한 연구가 수행되고 있다. 딥러닝 알고리즘 적용한 폐색영역 검출 및 해결을 위해서는 충분한 학습 데이터가 필요하며, 수집된 학습 데이터 품질은 딥러닝의 성능 및 결과에 직접적인 영향을 미친다. 따라서 본 연구에서는 이러한 학습 데이터의 품질에 따라 딥러닝의 성능 및 결과를 확인하기 위하여 다양한 영상품질을 이용하여 영상의 폐색영역 검출 능력을 분석하였다. 폐색을 유발하는 객체가 포함된 영상을 인위적이고 정량화된 영상품질별로 생성하여 구현된 딥러닝 알고리즘에 적용하였다. 연구결과, 밝기값 조절 영상품질은 밝은 영상일수록 0.56 검출비율로 낮게 나타났고 픽셀크기와 인위적 노이즈 조절 영상품질은 원본영상에서 중간단계의 비율로 조절된 영상부터 결과 검출비율이 급격히 낮아지는 것을 확인할 수 있었다. F-measure 성능평가 방법에서 노이즈 조절한 영상품질 변화가 0.53으로 가장 높게 나타났다. 연구결과로 획득된 영상품질별에 따른 폐색영역 검출 능력은 향후 딥러닝을 실제 적용을 위한 귀중한 기준으로 활용될 것이다. 영상 취득 단계에서 일정 수준의 영상 취득과 노이즈, 밝기값, 픽셀크기 등에 대한 기준을 마련함으로써 딥러닝을 실질적인 적용에 많은 기여가 예상된다.

• 지능정보연구
• /
• 제25권1호
• /
• pp.43-61
• /
• 2019

최근 4차 산업혁명과 함께 인공지능 기술에 대한 연구가 활발히 진행되고 있으며, 이전의 그 어느 때보다도 기술의 발전이 빠르게 진행되고 있는 추세이다. 이러한 인공지능 환경에서 양질의 지식베이스는 인공지능 기술의 향상 및 사용자 경험을 높이기 위한 기반 기술로써 중요한 역할을 하고 있다. 특히 최근에는 인공지능 스피커를 통한 질의응답과 같은 서비스의 기반 지식으로 활용되고 있다. 하지만 지식베이스를 구축하는 것은 사람의 많은 노력을 요하며, 이로 인해 지식을 구축하는데 많은 시간과 비용이 소모된다. 이러한 문제를 해결하기 위해 본 연구에서는 기계학습을 이용하여 지식베이스의 구조에 따라 학습을 수행하고, 이를 통해 자연어 문서로부터 지식을 추출하여 지식화하는 방법에 대해 제안하고자 한다. 이러한 방법의 적절성을 보이기 위해 DBpedia 온톨로지의 구조를 기반으로 학습을 수행하여 지식을 구축할 것이다. 즉, DBpedia의 온톨로지 구조에 따라 위키피디아 문서에 기술되어 있는 인포박스를 이용하여 학습을 수행하고 이를 바탕으로 자연어 텍스트로부터 지식을 추출하여 온톨로지화하기 위한 방법론을 제안하고자 한다. 학습을 바탕으로 지식을 추출하기 위한 과정은 문서 분류, 적합 문장 분류, 그리고 지식 추출 및 지식베이스 변환의 과정으로 이루어진다. 이와 같은 방법론에 따라 실제 지식 추출을 위한 플랫폼을 구축하였으며, 실험을 통해 본 연구에서 제안하고자 하는 방법론이 지식을 확장하는데 있어 유용하게 활용될 수 있음을 증명하였다. 이러한 방법을 통해 구축된 지식은 향후 지식베이스를 기반으로 한 인공지능을 위해 활용될 수 있을 것으로 판단된다.

• 지능정보연구
• /
• 제26권4호
• /
• pp.127-148
• /
• 2020

데이터 센터는 컴퓨터 시스템과 관련 구성요소를 수용하기 위한 물리적 환경시설로, 빅데이터, 인공지능 스마트 공장, 웨어러블, 스마트 홈 등 차세대 핵심 산업의 필수 기반기술이다. 특히, 클라우드 컴퓨팅의 성장으로 데이터 센터 인프라의 비례적 확장은 불가피하다. 이러한 데이터 센터 설비의 상태를 모니터링하는 것은 시스템을 유지, 관리하고 장애를 예방하기 위한 방법이다. 설비를 구성하는 일부 요소에 장애가 발생하는 경우 해당 장비뿐 아니라 연결된 다른 장비에도 영향을 미칠 수 있으며, 막대한 손해를 초래할 수 있다. 특히, IT 시설은 상호의존성에 의해 불규칙하고 원인을 알기 어렵다. 데이터 센터 내 장애를 예측하는 선행연구에서는, 장치들이 혼재된 상황임을 가정하지 않고 단일 서버를 단일 상태로 보고 장애를 예측했다. 이에 본 연구에서는, 서버 내부에서 발생하는 장애(Outage A)와 서버 외부에서 발생하는 장애(Outage B)로 데이터 센터 장애를 구분하고, 서버 내에서 발생하는 복합적인 장애 분석에 중점을 두었다. 서버 외부 장애는 전력, 냉각, 사용자 실수 등인데, 이와 같은 장애는 데이터 센터 설비 구축 초기 단계에서 예방이 가능했기 때문에 다양한 솔루션이 개발되고 있는 상황이다. 반면 서버 내 발생하는 장애는 원인 규명이 어려워 아직까지 적절한 예방이 이뤄지지 못하고 있다. 특히 서버 장애가 단일적으로 발생하지 않고, 다른 서버 장애의 원인이 되기도 하고, 다른 서버부터 장애의 원인이 되는 무언가를 받기도 하는 이유다. 즉, 기존 연구들은 서버들 간 영향을 주지 않는 단일 서버인 상태로 가정하고 장애를 분석했다면, 본 연구에서는 서버들 간 영향을 준다고 가정하고 장애 발생 상태를 분석했다. 데이터 센터 내 복합 장애 상황을 정의하기 위해, 데이터 센터 내 존재하는 각 장비별로 장애가 발생한 장애 이력 데이터를 활용했다. 본 연구에서 고려되는 장애는 Network Node Down, Server Down, Windows Activation Services Down, Database Management System Service Down으로 크게 4가지이다. 각 장비별로 발생되는 장애들을 시간 순으로 정렬하고, 특정 장비에서 장애가 발생하였을 때, 발생 시점으로부터 5분 내 특정 장비에서 장애가 발생하였다면 이를 동시에 장애가 발생하였다고 정의하였다. 이렇게 동시에 장애가 발생한 장비들에 대해서 Sequence를 구성한 후, 구성한 Sequence 내에서 동시에 자주 발생하는 장비 5개를 선정하였고, 선정된 장비들이 동시에 장애가 발생된 경우를 시각화를 통해 확인하였다. 장애 분석을 위해 수집된 서버 리소스 정보는 시계열 단위이며 흐름성을 가진다는 점에서 이전 상태를 통해 다음 상태를 예측할 수 있는 딥러닝 알고리즘인 LSTM(Long Short-term Memory)을 사용했다. 또한 단일 서버와 달리 복합장애는 서버별로 장애 발생에 끼치는 수준이 다르다는 점을 감안하여 Hierarchical Attention Network 딥러닝 모델 구조를 활용했다. 본 알고리즘은 장애에 끼치는 영향이 클 수록 해당 서버에 가중치를 주어 예측 정확도를 높이는 방법이다. 연구는 장애유형을 정의하고 분석 대상을 선정하는 것으로 시작하여, 첫 번째 실험에서는 동일한 수집 데이터에 대해 단일 서버 상태와 복합 서버 상태로 가정하고 비교분석하였다. 두 번째 실험은 서버의 임계치를 각각 최적화 하여 복합 서버 상태일 때의 예측 정확도를 향상시켰다. 단일 서버와 다중 서버로 각각 가정한 첫 번째 실험에서 단일 서버로 가정한 경우 실제 장애가 발생했음에도 불구하고 5개 서버 중 3개의 서버에서는 장애가 발생하지 않은것으로 예측했다. 그러나 다중 서버로 가정했을때에는 5개 서버 모두 장애가 발생한 것으로 예측했다. 실험 결과 서버 간 영향이 있을 것이라고 추측한 가설이 입증된 것이다. 연구결과 단일 서버로 가정했을 때 보다 다중 서버로 가정했을 때 예측 성능이 우수함을 확인했다. 특히 서버별 영향이 다를것으로 가정하고 Hierarchical Attention Network 알고리즘을 적용한 것이 분석 효과를 향상시키는 역할을 했다. 또한 각 서버마다 다른 임계치를 적용함으로써 예측 정확도를 향상시킬 수 있었다. 본 연구는 원인 규명이 어려운 장애를 과거 데이터를 통해 예측 가능하게 함을 보였고, 데이터 센터의 서버 내에서 발생하는 장애를 예측할 수 있는 모델을 제시했다. 본 연구결과를 활용하여 장애 발생을 사전에 방지할 수 있을 것으로 기대된다.