생산 시스템에서 수집되는 다양한 데이터를 기계학습 방법론으로 분석하고, 이를 활용하여 기업 생산 시스템을 최적화하기 위한 연구를 수행한다.
스마트 팩토리 시스템에 맞는 설비, 공정의 실시간 모니터링
수집 데이터의 이상 탐지 및 이상 분류, 추적 통한 원인 분석
제품 수요 예측을 통한 효율적인 생산 계획 수립 및 생산 시스템 관리
에너지 소비 패턴 모니터링 및 분류, 사용량 예측을 통한 효율적인 자원 관리
2. Anomaly Detection
정상 데이터의 특징을 기반으로 정상의 범주에 해당되지 않는 데이터 상태를 감지한다. 여러 비정상 상황을 인지하는 모델을 개발한다.
Supervised/Semi-supervised/Unsupervised 방식을 기반으로 정상 데이터의 패턴을 학습하기 위한 알고리즘 개발 및 적용
최소한의 정상 데이터, Multi-class 등의 여러 정상 데이터 패턴에 대한 시나리오 설계
제조, 철강, 금융, 음성, 의료 등 다양한 산업분야에 활용 가능
3. Prognostics and Health Management
설비의 건전성을 모니터링(Health Monitoring)하고 이상 징후를 진단(Diagnosis)하여, 유지∙보수 시점 예측(Prognosis)을 통해 설비를 정비하는 건전성관리(Health Management) 기술이다. 고장 시점 또는 유지∙보수 시점을 정확하게 예측하는 기법은 설비 운영/관리의 최적화를 목적으로 한다.
최적의 설비 유지∙보수 시점 예측을 위한 예측 모델 기반의 예지 보전 기법 개발
설비의 잔존수명 예측을 위한 건강 지표 개발
데이터 기반의 이상탐지/이상분류 모델 개발
시계열 데이터를 통한 설비의 건전성/잔여수명 예측
4. Timeseries Forecasting
주식, 환경, 의료, 마케팅 등 다양한 도메인에서 시계열 예측 연구를 수행한다. 시계열 패턴을 반영한 딥러닝을 활용해 예측 정확도를 높이고 변수 간의 관계를 반영한 알고리즘을 개발한다.
복잡한 시간 패턴을 가진 데이터 분해 및 분할
단변량, 다변량 시계열 예측
시계열 결측치, 이상치에 대한 전처리 방법론 개발
해석가능한 방법을 이용해 의사결정에 활용
5. Classification
기계학습 방법론을 활용해 데이터 각 범주의 관계와 특성을 파악하고, 새롭게 관측된 데이터의 범주를 스스로 판별하는 연구를 수행한다.
센서로부터 수집되는 단변량 및 다변량 시계열 데이터로부터 특성을 고려하여 제품의 양불량을 예측하는 공정 이상 진단 기술과 수율 향상을 위한 인사이트 제공
이미지로부터 외관의 결함 발생 여부를 판단하고 향후 수집되는 유사한 패턴 데이터 분류
Label Uncertainty, Class Imbalance 상황에 맞는 데이터 처리 방법론 및 알고리즘 개발
객체 탐지(Object Detection)와 세그먼테이션(Segmentation) 등 다양한 응용분야 활용
제조공정과 더불어 생명공학, 군수, 의료 등 실생활에서 활용가능한 알고리즘 개발
6. XAI
이미지 및 time series 데이터에서 AI가 취한 결정과 조치를 설명하기 위한 연구를 수행한다. Explainable AI를 통해 기계 학습 모델에 대한 해석성과 투명성, 정당성을 확보한다.
Gradient, CAM, Perturbation 등을 기반으로 모델 출력에 대한 근거 제시
Time series에 대한 통찰력 제공 및 다양한 기능의 중요성 판별
다양한 시계열 데이터에서 공통적으로 나타나는 특징을 설명
모델 편향성(model bias) 발생 원인파악을 통한 모델 신뢰성 보장
7. Representation
데이터 변환 및 알고리즘 기반 특징 추출 방법론을 적용해 분류 또는 예측 문제를 수행하는 과정에서 추가적인 정보를 제공한다.