Earticle

본 연구는 PC 구조물용 철선을 생산하는 3단 신선 공정을 대상으로, 품질 불량을 조기에 예측 하기 위한 멀티모달 AI 기반 실시간 품질 예측 시스템을 제안한다. 다이스 마모, 원재료 물성 편차, RPM 변동, 윤활·발열 조건 등 품질 영향 요인을 체계적으로 분석하고, 이를 반영하도록 컴퓨터 비전, 레 이저 직경 측정기, 공정 파라미터, 원재료 물성 데이터를 통합한 CNN-LSTM 하이브리드 딥러닝 모 델을 설계하였다. 총 1,247개 로트에 대해 시간 기반 rolling-window validation과 lot-level bootstrap 신뢰구간 평가를 수행한 결과, F1-Score 0.855±0.012, AUROC 0.971±0.008, Recall 0.917±0.015 를 보였으며, 추론 지연시간 28.3ms로 현장 실시간 운영 요건을 충족하였다. Ablation study를 통해 멀티모달 융합이 단일 모달리티 대비 F1-Score를 최대 25.4% 향상시킴을 확인하였고, SHAP 분석을 통해 2차 다이스 구간이 품질에 가장 결정적인 영향을 미치는 관리 포인트임을 도출하였다. 다만 단 일 기업·단일 라인 데이터 및 제한된 불량 표본 등의 한계가 있으나, 데이터 인프라가 취약한 중소 철 선 제조기업 환경에서 멀티모달 품질 예측 체계를 설계·구축·운영한 실증 사례로서 의의를 갖는다.

This study proposes a multimodal AI-based real-time quality prediction system for a three-stage wire drawing process producing steel wire for precast concrete structures. Qualityinfluencing factors including die wear, raw-material variation, RPM fluctuation, and lubrication conditions were analyzed, and computer vision, laser diameter gauges, process parameters, and raw-material properties were integrated using a CNN-LSTM architecture. The model was evaluated on 1,247 production lots through rolling-window validation and lot-level bootstrap confidence intervals, achieving F1 0.855±0.012, AUROC 0.971±0.008, and Recall 0.917±0.015 with 28.3 ms inference latency, meeting real-time requirements. Ablation analysis confirmed that multimodal fusion improved F1 by up to 25.4% over single-modality baselines, and SHAP analysis identified the second-stage die as the most critical control point. Limitations include a single-company dataset, limited defective samples, and absence of same-input Transformer comparisons. Nevertheless, this study demonstrates the practical feasibility of designing and operating a multimodal quality prediction system in a resource-constrained SME manufacturing environment.

산업제어시스템은 안전과 직결되어 인간 운전자의 지속적인 감시가 요구되는 운영 구조를 가짐 에 따라, 인력에 대한 높은 의존도, 인적 오류에 따른 안전사고, 경제적 비효율성 문제 등을 초래할 수 있다. 이를 완화하기 위한 대안으로 인공지능 기반 지능형 에이전트의 도입이 주목받고 있지만, 인공지 능 고유의 불확실성과 복잡성으로 인한 위험이 우선적으로 해결되어야 할 필요성이 존재한다. 이와 같 이 산업제어시스템 에이전트 도입에 대한 타당성 분석이 요구됨에 따라, 본 연구에서는 언어모델을 활 용한 계층화 분석 방안을 제시하고자 한다. 제안하는 언어모델 기반 계층화 분석 방안은 기존의 타당성 분석 방법론과 달리, 학습된 언어모델을 전문가 개체로 활용하였다는 점에서 차별점이 존재한다. 학습 된 언어모델을 제안하는 방법론에 활용한 결과, 지능형 에이전트의 자율성 수준에 따라 의미적 유사도 가 상이한 결과를 식별하였다. 이는 언어모델이 타당성 분석을 위한 초기 또는 보완적 자료로써 작용할 수 있음을 의미한다.

To ensure human safety, industrial control systems are structured in a way that requires continuous monitoring by human operators. This operational model leads to high dependence on specialized personnel and results in inefficiencies in labor costs. As an alternative, the introduction of intelligent agent–based operational technologies has gained attention; however, the inherent uncertainty and complexity of artificial intelligence pose significant risks. In this context, this study proposes a hierarchical analysis approach using language models to evaluate the feasibility of deploying intelligent agents for industrial control system operations. The key contribution of the proposed approach lies in leveraging a domain-specialized, pre-trained language model as an expert entity. Applying the proposed methodology to trained language models demonstrated that they can produce differing semantic similarity scores depending on the autonomy level of intelligent agents. This experiment confirmed that language models can serve as one clue for feasibility analysis.

본 논문은 대학 강의의 상호작용 부재, 질문 기피, 피드백 지연 문제를 해결하고자 생성형 AI와 실시간 음성 인식(STT) 기술을 결합한 웹 기반 교수·학습 지원 시스템을 설계하고 개발한다. 제안 시스템은 전체 학습 과정을 세 단계로 구분하여 지원한다. 수업 중에는 학습자의 잠재적 의문점을 도출 하기 위해 교수자의 발화를 실시간으로 분석하여 질문 목록을 생성하고 익명 응답을 수집한다. 수업 직후에는 실제 수업 내용을 기반으로 핵심 키워드를 제공하여 교수자의 강의 성찰을 돕고, 학습자에 게는 강의 텍스트와 화면 캡처가 결합된 멀티모달 요약본을 제공하여 효율적인 복습을 돕는다. 수업 외적으로는 강의 자료 기반의 사고 유도형 Q&A와 과제에 대한 즉각적인 AI 예비 피드백을 제공한다. 구현한 시스템은 유의미한 교육 데이터가 효과적으로 추출됨을 확인하였으며, 주요 기능별 응답 지연 시간은 실제 수업 환경에서 수용 가능한 수준임을 확인하였다. 제안 시스템은 수업의 상호작용을 촉 진하고 적시 피드백과 맥락 기반의 복습 환경을 제공하여 학습 효과를 높이는데 기여한다.

This paper develops a web-based teaching and learning support system integrating generative AI and STT technology to address limited interaction, question avoidance, and delayed feedback in university lectures. The system operates across three phases. During class, it analyzes real-time speech to generate question lists and collects anonymous responses to identify learning needs. Post-class, it provides instructors with keywords for reflection and students with multimodal summaries (transcripts and screen captures) for review. Outside class, it offers hint-based Q&A and immediate AI feedback on assignments. Validation confirmed that the system effectively extracts meaningful educational data with acceptable response latency for classroom use. The proposed system contributes to enhancing learning effectiveness by promoting interaction and providing timely, context-aware review environments.

피지컬 AI는 체화된 인지 이론을 기반으로 실제 물리 환경과 직접 상호작용하는 지능형 시스템 을 구현하는 차세대 인공지능 기술 분야이다. 본 연구에서는 피지컬 AI 학부 인재 양성을 위한 교육 모형을 제안하고, 교육과정을 기본 AI, LLM, 로봇 시스템, 시뮬레이션의 네 가지 핵심 영역으로 구 조화하였다. 연구의 실증적 타당성을 확보하기 위해 문헌 고찰, 주요 대학 교육과정 분석, 채용 공고 분석을 결합한 삼각검증법을 적용하였다. 이를 바탕으로 본 연구에서는 4개 영역 기반의 학부 커리큘 럼, 시뮬레이션 중심 실습 환경, 그리고 L1~L4 단계의 산학협력 모델을 제시하였다. 본 연구는 피지 컬 AI 교육을 위한 대학 학부 교육 프레임워크를 제안하였다는 점에서 학문적 의의를 가지며, 대학과 교육 정책 담당자가 피지컬 AI 인재 양성 프로그램을 설계하고 운영하는 데 활용할 수 있는 실질적 가이드라인을 제공한다.

Physical AI is a next-generation field of artificial intelligence that aims to develop intelligent systems capable of directly interacting with real-world physical environments based on the theory of embodied cognition. This study proposed an educational model for undergraduate Physical AI talent development and structured the curriculum into four core domains: Basic AI, LLM, Robot Systems, and Simulation. To ensure the empirical validity of the study, a triangulation method combining literature review, curriculum analysis of major universities, and job posting analysis was applied. Based on these findings, this study presented a undergraduate curriculum based on the four domains, simulation-centered practical training environments, and an L1~L4 industry academia collaboration model. This study is academically significant in that it proposed an undergraduate education framework for Physical AI education and provides practical guidelines that universities and educational policymakers can use to design and operate Physical AI talent development programs.

본 연구는 공연예술 분야에서 무빙 포스터의 활용 트렌드 및 전략적 의미를 탐색적으로 고찰하 고, 전문가 심층 인터뷰를 통해 공연예술 현장에서의 무빙 포스터 인식과 활용 가능성의 주요 범주를 도출하였다. 최근 공연예술계에서 무빙 포스터가 디지털 환경에 적합한 새로운 홍보 형식으로 주목받 고 있으나, 온라인 담론 구조와 실제 공연 홍보 실천을 연계해 분석한 연구는 아직 부족한 실정이다. 본 연구에서는 텍스트 마이닝 기반 빅데이터 분석을 통해 무빙 포스터 관련 핵심 키워드와 의미 네트 워크를 도출하고, 공연예술 흥행작 비교 분석을 통해 장르 및 규모별 무빙 포스터 활용 여부와 홍보 전략을 검토하였다. 더불어, 공연 홍보용 무빙 포스터 디자이너, 공연기획 및 홍보 전문가에 대한 심 층인터뷰를 통해 무빙 포스터 도입 배경, 기획 및 제작 고려 요소, 표현 방식 및 트렌드, 데이터 활용 에 대한 평가와 향후 전망을 도출하였다. 이를 바탕으로 공연예술에서 무빙 포스터가 예매 전 단계의 기대감 형성, 공연 정체성 표현, 디지털 플랫폼 기반 관객 커뮤니케이션 등에서 수행하는 역할과, 스 타 이미지, 실황 영상 중심 공연에서의 한계를 논의하고 향후 공연예술 홍보 전략에서 무빙 포스터를 효과적으로 활용하기 위한 실무적 시사점을 제시하였다.

This study examines usage trends and strategic implications of moving posters in the performing arts sector, identifying how they are perceived and applied through expert interviews. Although moving posters have gained attention as a digital-era promotional format, research link-ing online discourse with real-world practice remains limited. To address this gap, text-miningbased big data analysis was conducted to extract core keywords and semantic networks, followed by a comparative analysis of box-office productions to explore differences by genre and scale. Indepth interviews with designers and performing arts marketing experts further investigated adoption contexts, planning considerations, stylistic approaches, data use, and future potential. Findings show that moving posters help build pre-sale anticipation, convey performance identity, and strengthen digital audience communication. However, their effectiveness is constrained in stardriven or live-performance-focused productions. Overall, the study offers practical insights for strategically integrating moving posters into future performing arts promotion to enhance engagement and communication effectiveness.

전자금융의 확산으로 스미싱, 파밍 등 다양한 금융사기가 급증하면서 이상거래탐지시스템(FDS; Fraud Detection System)의 중요성이 부각되고 있다. 기존 룰 기반 FDS는 새로운 사기 유형에 취 약하고 규칙 갱신의 한계가 있어, 최근 금융권은 인공지능(AI)과 빅데이터를 결합한 지능형 FDS로 전 환하고 있다. AI 기반 FDS는 대규모 거래 데이터를 학습하여 이상 패턴을 실시간 탐지하며, 자가학 습(Self-learning) 구조를 통해 탐지 정확도를 지속적으로 향상시킨다. 국내에서는 주요 은행들이 머 신러닝과 설명 가능한 AI(XAI)를 도입해 자동화와 탐지 효율을 강화하고 있으며, 해외에서도 페이팔 등 주요 기업이 딥러닝 기반 FDS를 상용화하였다. 그러나 AI FDS는 데이터 품질, 개인정보 보호 규 제 등 기술적·법적 한계를 지니며, 이를 해결하기 위해 연합학습(Federated Learning)과 XAI의 활 용이 필요하다. 향후에는 생성형 AI 및 대규모 언어모델(LLM)을 통한 자동 탐지 고도화, 표준화된 평 가체계 구축, 클라우드 기반 인프라 확산이 핵심 과제로 제시된다. 빅데이터·AI 기반 FDS는 금융보 안을 넘어 디지털 신뢰 인프라의 핵심 기술로 발전할 것으로 기대된다.

The expansion of electronic finance has led to increasing financial fraud, making Fraud Detection Systems (FDS) more essential. Traditional rule-based systems are limited in detecting new fraud types, leading to the adoption of AI and Big Data-based intelligent FDSs. AI-based FDSs analyze massive transaction data, detect anomalies in real time, and improve accuracy through self-learn-ing. Korean and global financial institutions are applying machine learning and eXplainable AI (XAI) to enhance detection and automation. Despite progress, issues such as data quality and privacy regulations remain. Federated Learning and XAI offer potential solutions, while future directions include generative AI integration, standardized evaluation, and cloud-based infrastructure. Ultimately, AIpowered FDSs are expected to become a key foundation for financial security and digital trust.

산업제어시스템은 가용성과 운영 연속성을 최우선 목표로 하므로, 실제 공격 탐지뿐만 아니라 오탐과 미탐으로 인한 불필요한 공정 중단 및 운영 비용을 최소화하는 것이 필수적이다. 그러나 현장 에서 주로 사용되는 규칙 기반 탐지 모델은 보수적인 임계치 설정으로 인해 오탐이 빈번하고 실제 운 영 비용 관점에서 평가하지 못하는 한계가 있었다. 본 연구는 오탐과 미탐에 가중치를 부여한 비용 함 수를 제안하여, 규칙 기반 및 4종의 머신러닝 모델의(Isolation Forest, OC-SVM, AE, VAE) 운영 효과를 정량 비교하였다. SWaT 데이터셋 실험 결과, 재구성 기반 딥러닝 모델은 설비 간 상호작용을 학습하여 오탐을 획기적으로 줄였으며, 규칙 기반 대비 약 14배 높은 운영 효과를 입증하였다. 본 연 구를 통해 머신러닝 도입이 실질적인 운영 비용 절감과 시스템 안정성 제고에 기여함을 시사한다.

In Industrial Control Systems, minimizing operational losses from False Positives and False Negatives is critical due to the paramount importance of availability. Traditional rule-based methods, however, frequently generate false alarms due to rigid thresholds and are rarely evaluated based on operational costs. This study introduces a cost function weighted by FP and FN to quantify the operational effectiveness of anomaly detection models. We compared a rule-based model with four machine learning models (Isolation Forest, OC-SVM, AE, and VAE) using the SWaT dataset. The results show that reconstruction-based deep learning models drastically reduced false positives by capturing physical interactions, demonstrating approximately 14-fold higher operational effectiveness compared to the rule-based model. This indicates that machine learning integration significantly enhances both cost-efficiency and system stability in Industrial Control Systems environments.

중소기업과 일반 가정 환경은 제한된 예산과 전문 인력 부족으로 인해 다계층 보안 체계 구축 에 어려움을 겪는다. 본 연구는 소규모 네트워크 환경을 대상으로 관리형 트래픽 유도 메커니즘을 적 용한 경량 네트워크 보안 센서 기반 매니지드 보안 서비스 아키텍처를 제안한다. 제안 시스템은 공유 기 LAN 포트에 센서를 연결하는 방식으로 네트워크 구성 변경 없이 인·아웃바운드 트래픽 가시성을 확보하고, 수집된 데이터를 클라우드 MSOC로 전송하여 상시 모니터링과 대응을 수행한다. 24개 환 경에서 3개월간 실증한 결과, 평균 99.9% 이상의 트래픽 캡처율과 F1-score 0.89를 달성했으며, 평 균 1.1초 이내의 fail-open 복구 성능과 기존 방식 대비 83% 향상된 운영 효율성을 확인하였다.

Small businesses and home environments face practical constraints in deploying multilayered security architectures due to limited budgets and a shortage of specialized personnel. This study proposes a lightweight network security sensor–based managed security service (MSS) architecture that applies a Manage-based traffic steering mechanism for small-scale network environments. The proposed system connects a sensor to the LAN port of a gateway device, enabling inbound and outbound traffic visibility without requiring any changes to the existing network configuration. Collected traffic metadata and event data are transmitted to a cloud-based MSOC for continuous monitoring and incident response. A three-month empirical evaluation across 24 environments demonstrated an average traffic capture rate exceeding 99.9% and an F1-score of 0.89. The system also achieved fail-open recovery within an average of 1.1 seconds and improved operational efficiency by 83% compared to conventional approaches.