Earticle

급속한 기술 발전과 대외 환경 변화로 인한 기업 경영 환경의 어려움이 가중되고 있다. 특히, 조직의 역량을 파악하고, 성장 방향에 필요한 역량을 확보하는 전략이 중요해지고 있다. 이에 생성형 AI 기술을 활용한 기업 역량 모델 정의 및 진단, 향상 방안을 연구하였다. 특히, 다양한 산업 도메인별로 생성형 AI 기반 역량 모델을 적용하였으며, 이를 기반으로 향후 기업 경영환경에 AI 도입에 대한 시 사점을 연구하였다.

The rising popularity of intelligent embedded systems, coupled with the substantial computational and memory requirements of convolutional neural networks (CNNs), necessitates cost-effective on-device model inference. Various post-optimization techniques are used to reduce the model size and precision bits. However, these techniques often result in a significant reduction in performance. To solve these issues, we propose a quantization-aware training (QAT) strategy for optimizing the CNNs to low-bit integers, resulting in faster inference and less memory utilization. We inject fake quantization modules into the original architecture, train the model in complete precision, and then convert the model to an 8-bit integer (INT8). The resultant QAT model performs all the computation of the convolution layers, activation layers, and batch-normalization in INT8. Our method reduces the size of ResNet50 and ResNet101 by a factor of 3.9x and improves the inference speed by more than 2x. We utilize the CIFAR-10 and CIFAR-100 datasets to test the performance of the models.

일반적으로 자율 주행 시스템의 구현을 위해 SLAM알고리즘이 핵심적으로 사용되어 왔다. 그러나 SLAM을 활용한 기존의 자율 주행 시스템은 정확한 지도를 생성하는 과정이 어려우며, 변동성이 높은 환경에서 취약함을 보인다. 본 연구는 SLAM에 의존하지 않는 자율 주행 로봇의 네비게이션 시스템을 구현하기 위해 Twin Delayed Deep Deterministic Policy Gradient(TD3) 강화학습 알고리즘을 활용하였다. 이 연구의 목적은 로봇이 미지의 환경에서 장애물을 효과적으로 회피하며 목적지까지 안정적으로 주행할 수 있도록 하는 것이었다. 효과적인 시뮬레이션 환경을 Gazebo를 이용하여 진행하고, 훈련된 에이전트를 직접 구현한 로봇 플랫폼에 적용하여 주행 성능을 검증하였다.

주요정보통신기반시설은 과거부터 폐쇄망으로 운영되어 외부 사이버 보안 위협으로부터 비교적 안 전한 것으로 생각되어 왔다. 하지만, 최근 주요정보통신기반시설 내 블록체인, 인공지능과 같은 최신 기술이 도입되면서 내부망과 외부망의 접점이 모호해짐에 따라 지속적으로 주요정보통신기반시설을 타겟으로 한 해킹, 악성코드, 랜섬웨어 유포 등 다양한 사이버 보안 위협이 발생하고 있다. 이에 국내 에서는 주요정보통신기반시설의 보안을 보장하기 위해 보안 관제 시스템에 대한 연구/개발을 지속적 으로 진행중에 있다. 하지만, 현재까지 제시된 보안 관제 시스템은 주요정보통신기반시설의 계층적 특 성을 고려하지 않고 있으며, 보안 위협 관련 정보 전달 체계에 대해서도 명확히 제시하고 있지 않다. 이에 본 논문에서는 이와 같은 한계점을 보완하기 위해 주요정보통신기반시설의 계층 관점에서 분석 하여 보안 관제 시스템이 위치해야 할 계층을 계층형 주요정보통신기반시설 보안 관제 시스템을 통해 제안하고자 하며, 보안과 관련된 주요 공유 데이터의 경우, structured threat information expression 2.0 및 trusted automated exchange of indicator information 기반의 획일화된 데이터 전달 체계를 통해 이루어질 수 있도록 한다. 제안된 보안 관제 시스템을 통해 국가의 기반이 되는 주 요정보통신기반시설의 보안 관제의 중요성에 대해 제고할 계기를 마련하고자 하며, 향후 개발될 주요 정보통신기반시설 보안 관제 시스템의 초석이 될 수 있을 것으로 예상된다.

이 논문은 자연어 처리(NLP) 기술을 활용하여 금융 위험 관리를 수행하는 현대적 접근 방식에 대한 포 괄적인 조사를 제공한다. 금융 텍스트 데이터에서 유의미한 정보를 추출하고, 분석하는 데 있어 NLP를 어떻게 활용할 수 있는지 탐구했다. 본 연구는 금융 용어의 정확한 추출, 문맥상 의미 파악, 데이터 불균 형 문제 해결과 같은 주요 도전 과제들을 식별하고, 이를 해결하기 위한 최신 NLP 기법과 방법론들을 검토했다. 또한, 인과 관계 분석, 모델 최적화, 도메인 특화 모델링 접근법 등 향후 연구 방향을 제시했 다. 이 논문은 금융 기관, 정책 입안자, 학술 연구자들에게 금융 위험 관리의 혁신적 접근 방식을 이해하 는 데 도움을 주며, NLP 기술의 발전이 금융 서비스 분야에 어떤 영향을 미칠 수 있는지에 대한 통찰력 을 제공한다.

2021년 EU에서 DGA(Data Governance Act)가 승인된 이후, 데이터 공유를 촉진하기 위한 새로운 법적 규제가 마련되었다. DGA는 데이터 주권을 강조하고, 데이터의 자유로운 이동과 안전한 처리를 위한 조건을 제시한다. 이에 따라 본 논문은 블록체인을 활용한 자율적인 사용자 동의 기반 개인 데이터 처리 시스템을 제안한다. 제안한 시스템을 통해 개인의 데이터 주권 보장과 데이터의 투명하고 안전한 이동과 처리를 기대한다.

본논문에서는Different 기반이상탐지를위한재구성 모델로Dense Prediction Transformer, U-Net, ResU-Net 모델을 선정하고, 해당 딥러닝 모델의 Decoder에 전달되는 특징 정보량을 조절함으로써 변동되는 재구성 결과에 대한 분석을 진행 하였다. 제시한각모델은MVTec 데이터셋내Bottle 클래스의정상데이터만을학습한후결함이존재하는비정상데이터 를 재구성하며, 세밀한 표현이 가능한 선정 모델들의 특징 정보량을 직접 조절함으로써 단순한 Encoder-Decoder 구조의 방 식의한계인세밀한특징표현이어려운문제를해소하고, 높은해상도의재구성이가능하게한다. 최종적으로각모델의결 과에 대한 정성적 평가를 진행하여 입력되는 비정상 데이터와 재구성되는 데이터의 차이를 확인하였으며, 비교 모델 중 Dense Prediction Transformer 모델이Different 기반이상탐지기법의기반모델로가장적합한모델임을확인하였다.

IoT 네트워크를 대상으로 취약한 IoT 기기를 악용한 공격 사례가 계속 발생하고 있다. 기존 네트워 크 경계 중점의 수동적인 방어 방식은 IoT 네트워크에서 효과적으로 적용될 가능성이 낮으므로 성공 적인 공격대응을 위한 유효한 방어기술 연구가 필요하다. 이에 본 논문에서는 IoT 네트워크에서의 MTD 기반 사이버 기만기술 연구 동향을 살펴보고, 각 사례별 MTD 전략, 성능 평가 등으로 분석 결 과를 분류하였다. 이후, 구축비용 효율성 고려, 시스템 범용성 및 네트워크 주소 변이 정상 작동 여부 검토를 연구 동향에서의 보완 방안으로 제시하였다.

척추 압박 골절은 골다공증의 가장 흔한 합병증으로 기능적 제한과 요통을 유발하며, 생존율이 감소하는 등 심각한 건강 문제로 대두되고 있습니다. 척추 압박 골절은 정확한 진단과 적절한 치료 및 관리가 매우 중요하나, 현재의 진단 방법은 전문의의 판단에 의존하기 때문에 관찰자 간 변동성으로 인해 진단 불일치가 발생할 수 있습니다. 이에 비해 라디오믹스 특징은 정량적인 측정 지표로써, 전문의 간의 주관적 판단 차이를 줄이고 진단의 일관성을 높일 수 있습니다. 이번 연구에서는 방사선 영상 특징을 활용하여 약 470개의 개별 척추에 대해 척추 압박 골절의 양성 및 악성을 분류하는 머신 러닝 모델을 학습했습니다. 임상의가 판단한 개별 척추에 대해 추출한 방사선 영상 특징을 사용하여 다양한 머신 러닝 모델을 훈련한 결과, 정확도 0.72, 재현률 0.78, 정밀도 0.72, 그리고 F1 점수 0.75의 성능을 얻을 수 있었습니다. 이를 기반으로 진단 보조 측면에서 임상 현장에 적용한다면 척추 압박 골절 진단의 정확성과 일관성을 향상시킬 수 있으며, 이는 불필요한 추가 검사나 치료를 줄이고, 환자에게 적절한 치료 계획을 조기에 수립할 수 있게 하여 치료 효과를 높일 수 있습니다.

본 논문에서는 클러스터링 알고리즘을 활용하여 과다 허용 방화벽 정책을 최적화 하는 방법을 제시 한다. 과다 허용 방화벽 정책의 트래픽 로그 데이터 1,698,420개를 클러스터링 알고리즘을 활용하여 효율적인 방화벽 정책을 도출하고 이를 시각화 및 성능 지표로 평가하였다. 이를 통해 특히 인력이 부 족한 네트워크 보안 관리 분야에서 적은 자원으로 보안 위험 감소에 기여할 수 있는 방안을 제시한다.

늘어나는 해외 교통량과 세계화로 인해 국가 간 통행량이 증가하고 있다. 이는 전염병 또한 단기간 에 대륙 간 전파될 수 있게 하며 실제로 2020년대 초반 COVID-19 팬데믹이 널리 퍼지는데 이와 같 은 이유가 있다. 향후 발생가능한 신규 팬데믹을 방지하기 위해 사전에 병독성을 일으키는 미생물에 관한 연구와 가능한 치료제, 백신 개발이 이루어져야 한다. 그러나 한정된 예산과 인력으로는 in-vitro, in-vivo 미생물 실험을 하기 어렵다. 컴퓨터 기반 시뮬레이션인 in-silico 실험을 통해 in-vitro, in-vivo 실험 결과들을 모방할 수 있으며 양질의 학습데이터가 제공되면 딥러닝 기반 in-silico 모델 학습에 용이하다. 기존의 단백질 서열 분석 in-silico 모델들은 SWISS-PROT, HMP와 같은 검증된 단 백질 데이터로 학습되었으나 수집된 데이터의 수가 적은 관계로 신뢰도가 높은 결과를 얻기에는 다소 무리가 있다. 본 논문에는 컴퓨터로 라벨링된 TrEMBLE 데이터를 통해 학습시킨 in-silico 모델의 성 능을 시험하여 컴퓨터로 라벨링된 TrEMBLE 데이터의 향후 in-silico 모델 학습을 위한 학습 데이터 로서의 효용성을 확인하고자 한다.

최근 멀티모달 연구가 활발해지면서, 이미지-텍스트, 영상-텍스트, 오디오-텍스트 등 다양한 개념을 통합하여 인간처럼 사물을 받아들이는 기술이 발전하고 있다. 그 중에서도, contrastive languageimage pretraining 은 제로샷 학습과 대조 학습을 통해 라벨을 학습하지 않고도 이미지와 텍스트 간의 관계를 학습하여 이미지 분류를 하는 대표적인 대규모 언어 모델로, 다양한 분야에서 활용되고 있다. 그러나, 대규모 언어 모델의 성능은 프롬프트 엔지니어링에 크게 영향을 받는다. 이에 따라, 본 논문에서는 contrastive language-image pretraining 의 추론 과정에서 프롬프트 엔지니어링을 분석하고, 능숙한 활용을 위한 필수 고려 사항과 전략을 제시한다. 이를 통해, 사용자들이 contrastive language-image pretraining 을 더욱 효과적으로 활용할 수 있을 것으로 기대된다

The vehicle-related challenges are escalating, such as vehicle thefts, traffic violations, and outdated license registrations. Computer visions using artificial intelligence can be utilized as a tool to find solutions. However inaccuracies in license plate recognition can occur due to environmental factors such as camera dust, camera location, and vibration causing blurry images and distracting. To solve these challenges, we propose an automatic license plate recognition system. Proposed system operates in two main stages: license plate detection and recognition. Initially, it detects and isolates the license plate from the vehicle image. Following this, the proposed system determines whether the plate is single or double-lined and proceeds to accurately classify and arrange the characters on the plate in their correct order. Utilizing the YOLOv7 object detection model and trained on the Karplate dataset, in addition the model is training on a data augmentation that represent the environmental factors, where we notes that the YOLOv7 _training is more accurate in recognizing the car plates and accurately recognizes various license plate layouts, presenting a significant results in vehicle identification technology.

객체 탐지 기술은 인공지능 기술 중에서 가장 많이 활용되는 분야 중 하나이며, 실사용 목적의 객체 탐지 모델에서 성능 최적화는 매우 중요한 문제이다. 최근 객체 탐지 연구에서는 모델 전체의 정확도와 속도 향상보다는 동일한 백본에서의 탐지 모듈 성능 개선에 초점이 맞춰져 있다. 본 연구에서는 최신 비전 트랜스포머 모델을 기존 연구에 결합하여 객체 탐지 모델의 성능을 최적화하는 방안을 제시한다. 이를 위해 Deformable Detection Transformer 모델의 백본을 Swin Transformer 로 교체하고, 매칭 비용과 손실 함수에 사용되는 지표를 Generalized Intersection over Union 에서 Complete Intersection over Union 로 교체한다. 이를 통해 최신 비전 연구와 객체 탐지 연구의 간극을 줄이면서, 객체 탐지 모델의 성능과 수렴 속도를 향상시킬 수 있는 방안을 탐색한다. 제안하는 모델의 성능을 검증하기 위해 객체 탐지 분야의 대표적인 데이터셋 중 하나인 COCO 데이터셋을 활용하며, 기존의 Deformable Detection Transformer 모델과 비교하여 성능을 비교한다.

Artificial neural networks have been constantly increasing in size and complexity, so their resource demands have also increased. These high computational requirements and processing time make them impractical for real-life development scenarios involving embedded systems. Resource-constrained environments such as mobile devices, IoT gadgets and edge computing platforms demand efficient models with lower computational complexity and fast real-time inference speeds. We have developed an iterative pruning technique to reduce the inference time of the model by pruning less essential neurons. Unlike traditional pruning methods that require a separate pruning step after training, our technique prunes the network gradually as it learns. This method ensures the model adapts dynamically by removing unnecessary parameters while maintaining accuracy. Our technique works by temporarily reducing the weights of a few neurons and then studying how the networks resist those neurons. Neurons with high resistance are restored to their original state, while the others with low resistance are pruned.

In recent years, anomaly recognition using audio has attracted the attention of the research community, due to the increasing number of abnormal situations day by day. In the past, researchers have mainly focused on video-based anomaly recognition. However, occlusion is one of the most important factors due to which the anomalous object is unidentifiable. Therefore, in this paper, we proposed a modified vision transformer that utilized the Shifted Patch Tokenization (SPT), and Local Self-Attention (LSA) mechanism and reduced the number of multilayer perceptrons in the head, enabling the model to capture rich spatial information within the spectrogram of anomalous data. The proposed model is implemented using the Sound Events for Surveillance Applications (SESA) dataset and obtained 87% testing accuracy. Thus, the proposed model is an efficient and effective solution for audio-based anomaly recognition.

랜섬웨어로 인한 피해 규모는 시간이 지날수록 커지고 있으며, 그에 따른 다양한 방어기법이 연구되 고 있다. 본 논문에서는 랜섬웨어 탐지 및 방어를 위한 새로운 접근법을 제안한다. 특히, 허니팟 기법 과 윈도우 이벤트 로그 분석을 결합하여 랜섬웨어의 활동을 식별하고 차단하는 방법에 초점을 맞추었 다. 또한, ETW를 활용해 탐지부터 종료까지의 시간을 단축시키는 방법을 제안한다. 실험 결과, 제안 한 기법은 다양한 랜섬웨어 샘플에 대해 신속한 반응 속도를 보임으로써 효과적인 랜섬웨어 방어 기 법으로서 가능성을 보여주었다.

Nowadays, surveillance systems play a pivotal role in monitoring various sectors to ensure public safety and security. These systems generate massive amounts of video data. Therefore, effective analysis of these streams is an important research area with multiple applications. Several methods have been reported for the automatic recognition of abnormal activities, but these techniques show limited performance while learning complex temporal dependencies of real-world surveillance of abnormal activities. We introduce a Deep Learning (DL)-assisted framework that is mainly divided into two parts. First, the surveillance video stream is preprocessed, and then the BoTNeT-152 is employed to extract spatial features. Secondly, a Residual Deep Bidirectional Long Short-Term Memory (RBLSMT) Network is introduced to learn the complex temporal dependencies across multiple frames for abnormal activity recognition. To assess the effectiveness of our proposed method, we evaluated its performance on the benchmark real-world UCFCrime2Local dataset, achieving an accuracy of 86% reveals a significant improvement of up to 2% compared to existing methods which shows the superiority of the suggested technique in addressing the challenges posed by complex surveillance environments.