Earticle

최근 발전한 언어 모델을 이용하여 다양한 전문 분야의 연구에 활용하고자 하는 시도가 계속되고 있다. 본 논문에서 는 경영학 도메인에 특화된 경량 언어 모델을 이용하여 경영학 논문의 초록을 이해하고 향후 연구에 도움이 될 수 있음을 보였다. 먼저, 경영학에 특화된 언어 모델의 논문 초록 문장에 대하여 Perplexity로 측정되는 이해도가 특 화되지 않은 모델에 비해서 60% 정도 향상되었음을 보였다. 이를 이용하여 각 논문의 유사도를 비교함으로써 학술 지 사이의 관계를 파악하였다. 마지막으로 특화 모델이 경영학적으로 의미를 갖는 단어를 선택함에 있어서 70%의 정확도를 보였는데, 이는 학문적인 가설 도출이나 지식 축적에 도움이 될 수 있다. 본 논문의 결과는 대규모 모델을 사용하기 어려운 경영학 분야의 연구뿐만 아니라 다른 전문 분야의 연구에도 적용되어, 학문과 기술의 발전을 가속 화 할 수 있을 것으로 기대된다.

Recent advancements in language models have led to ongoing efforts to apply them in various specialized research fields. In this paper, we demonstrate the potential of lightweight language models specific in the domain of management to understand the abstracts of research papers. First, we show that the understanding of sentences in abstracts by the specific language models improve by approximately 60% compared to general models. Using these models, the similarities between papers were compared, revealing relationships among academic journals. Finally, the specific models achieve an accuracy of 70% in selecting words that are meaningful in management contexts, which could assist in formulating academic hypotheses and accumulating knowledge. The findings of this paper are expected to apply not only to research in the field of management but also to other specific fields, thereby accelerating the advancement of academia and technology.

딥러닝 기반 의료 영상 판독 소견서 생성 연구는 최근 몇 년간 의료 영상 분석 분야에서 중요한 발전을 이루었으며, 주로 비전 모델과 언어 모델의 융합에 초점을 맞춰왔다. 이러한 연구는 의료 전문가들의 업무 효율성을 높이고, 진 단의 일관성을 향상시키며 오류를 줄이는 데 기여할 것으로 기대된다. 본 논문에서는 자연어 처리 기술과 의료 영상 분석 기술의 융합을 통해 흉부 방사선 영상에 대한 판독 소견서를 자동으로 생성하는 최근 연구들을 소개하고, 이를 위한 주요 딥러닝 모델과 공용 데이터셋인 MIMIC-CXR 및 IU-Xray를 활용하여 성능 비교를 수행하였다. 성능 분석 결과, MIMIC-CXR 데이터셋에서는 RGRG 모델이 BLEU-4에서 0.126의 점수로 우수한 성능을 보였으며, IU-Xray 데이터셋에서는 COMG 모델이 BLEU-4에서 0.206을 기록하였다. 연구 결과, 각 모델이 특정 지표에서 강점을 보이는 반면, 데이터 불균형 및 개인정보 보호 문제와 같은 한계가 존재함을 확인하였다. 이를 바탕으로 향 후 연구의 발전 방향을 제시하며, 이러한 기술이 임상 현장에서 실질적으로 적용될 수 있는 가능성을 논의한다.

Research on deep learning-based automatic generation of radiology reports has seen significant advancements in recent years, with a primary focus on the integration of vision and language models. These advancements are expected to enhance the efficiency of medical professionals, improve diagnostic consistency, and reduce errors. In this paper, we introduce recent studies that combine natural language processing and medical image analysis techniques to automatically generate radiology reports for chest X-rays. Using key deep learning models and public datasets, including MIMIC-CXR and IU-Xray, we conducted a comparative performance evaluation. The analysis shows that on the MIMIC-CXR dataset, the RGRG model achieved superior performance with a BLEU-4 score of 0.126, while on the IU-Xray dataset, the COMG model recorded a BLEU-4 score of 0.206. Our findings reveal that while each model excels in specific evaluation metrics, limitations such as data imbalance and privacy concerns persist. Based on these findings, we propose future research directions and discuss the potential for these technologies to be practically applied in clinical settings.

고령화 사회에서 치매 환자가 빠르게 증가함에 따라 조기 진단 및 예측의 중요성이 커지고 있다. 본 연구는 2013년 부터 2025년까지 발표된 치매 관련 머신러닝 및 딥러닝 연구를 대상으로 시계열·네트워크 분석을 통해 기술 확산과 발전 경로를 규명하였다. PubMed 데이터베이스에서 수집한 8,422편의 문헌을 기반으로 키워드 빈도, 클러스터, 연결중심성 분석을 수행하여 연구의 구조와 핵심 주제를 도출하였다. 분석 결과, ‘humans’, ‘alzheimer disease’, ‘machine learning’은 전 기간에 걸쳐 높은 중심성을 유지하였으며, 시기별로는 초기 영상처리 기반 연구에서 분자 생물학 연구를 거쳐 환자 중심의 임상·공중보건 연구로 발전하는 경향을 보였다. 4개의 주요 연구 클러스터(의료영 상 분석, 분자생물학·유전학, 역학·임상 데이터 분석, 노인 돌봄·기술 활용)가 식별되었으며, 각 클러스터는 독립적 이면서도 상호 연계된 구조를 형성하였다. 이러한 결과는 치매 연구가 AI 기반 기초·응용 기술의 확산과 함께 융합 적·실용적 연구로 진화하고 있음을 보여주며, 향후 치매 연구의 전략적 방향을 설정하는 데 유용한 시사점을 제공할 것으로 기대된다.

As the population ages, the importance of early diagnosis and prediction of dementia is growing. This study investigated the diffusion and development trajectory of machine learning and deep learning technologies in dementia research from 2013 to 2025 through time-series and network analyses. Based on 8,422 publications retrieved from the PubMed database, keyword frequency, clustering, and degree centrality analyses were conducted to identify the structural and thematic landscape of the field. Results showed that ‘humans,’ ‘Alzheimer disease,’ and ‘machine learning’ consistently held high centrality, with research trends evolving from early image-processing-based studies to molecular biology and, more recently, to patient-centered clinical and public health applications. Four main research clusters were identified—medical image analysis, molecular biology/genetics, epidemiology and clinical data analysis, and elderly care/technology utilization—forming an interconnected yet distinct structure. These results indicate that dementia research is evolving into integrative and practical studies alongside the spread of AI-based basic and applied technologies, and are expected to provide useful insights for setting strategic directions for future dementia research.

본 연구는 캘리포니아 전력거래소(California Independer System Operator, CAISO)의 익일 시장 가격 (Day-Ahead Market Price) 데이터를 활용하여 지역별 한계 가격제(Locational Marginal Price, LMP)를 예 측하기 위한 CNN-GRU 하이브리드 딥러닝 모델과 LSTM 모델을 비교하여 분석하였다. 고속 푸리에 변환(Fast Fourier Transform, FFT) 기반 노이즈 제거, 지연(Lag)·이동 평균(Rolling mean) 통계, 사인 코사인(Sine/ Cosine) 인코딩 등 시계열 전처리를 거쳐, 단기(7일)·중기(30일)·장기(90일) 예측 구간별 Optuna 자동 탐색 도 구를 통해 하이퍼파라미터를 자동 탐색하였다. 그 결과, 단기 예측에서는 LSTM이 평균 절댓값 오차(Mean Absolute Error, MAE), 평균 제곱근 오차(Root Mean Squared Error, RMSE)에서 다소 유리했으나, 중기· 장기 구간에서는 CNN-GRU 결합 모델이 대칭 평균 절대 백분율 오차(Symmetric Mean Absolute Percentage Error, SMAPE) 기준으로 상대적 오차를 효과적으로 제어함을 확인하였다. 향후 날씨·경제 지표 등 외부 요인을 추가 반영하고 트랜스포머(Transformer)·어텐션(Attention) 구조를 결합해 지역별 한계 가격제 예측 정확도를 더욱 높일 수 있는 후속 연구를 제안한다.

This study proposes a CNN-GRU hybrid deep learning model for forecasting the Locational Marginal Price(LMP) using Day-Ahead Market Price data from the California Independent System Operator(CAISO). The time series data underwent preprocessing steps, including FFT-based noise reduction, Lag and Rolling statistics, and Sine/Cosine encoding. Hyperparameters were automatically optimized using Optuna for short-term(7-day), mid-term(30-day), and long-term(90-day) forecasting horizons. While LSTM slightly outperformed in MAE and RMSE for short-term forecasts, CNN-GRU better controlled SMAPE in mid- and long-term predictions. Future research will explore integrating external factors such as weather and economic indicators, as well as incorporating Transformer and Attention mechanisms to further enhance LMP forecasting accuracy.

본 연구는 딥러닝을 바탕으로 군용객체를 검출하고, 포신을 갖고 있는 객체에 대해 포신을 제외한 몸체 영역을 추정 하는 시스템을 개발한다. 이를 위해 전차, 장갑차, 사람 객체의 클래스로 구성된 데이터셋을 구축한다. 특히, 전차 클래스는 주로 원격조종 전차를 촬영하여 얻은 데이터로 구축되고, 전체 데이터셋은 객체 탐지를 위해 YOLOX 검 출기의 학습과 테스트에 이용된다. 전차 클래스로 검출된 객체는 검출된 영역을 분리하고 영역의 하단 부분을 여러 개의 셀로 나눈다. 그 후, 각 셀의 RGB 히스토그램의 분포를 계산하고 셀 간의 유사도를 통한 스펙트럼 군집화를 적용하여 몸체와 배경을 분류한다. YOLOX-L 모델을 사용하였을 때 IoU 0.5에서 89.2%의 AP 결과를 얻었으며, 포신을 제외한 군용객체의 몸체 부분을 인식하는 것을 보였다. 본 연구에서 개발된 기술을 바탕으로 방위 시나리오 에서의 객체 탐지 능력을 향상시키고, 상대 전차의 몸체 부분을 바탕으로 포탑 구동을 통해 정확한 조준 및 포격하 는데 활용된다.

This study develops a system that detects military objects based on deep learning and estimates the bodies of military objects excluding gun barrels. For this purpose, we build a dataset consisting of classes of tanks, panzers, and human objects. In particular, the tank class mainly consists of data obtained by capturing remotely controlled tanks, and the entire dataset is used for training and testing of YOLOX detector for object detection. An object detected as the tank class is segmented into a regions of interests, and the lower part of the image is divided into several cells. After the distribution of the RGB histogram in each cell is computed, spectral clustering through similarity between histograms of cells is applied to classify the body and background. For YOLOX-L, we achieve 89.2% AP 50, and show that the body parts of military objects excluding the gun barrel are well recognized. The proposed system not only improves the ability to detect objects in defense scenarios, but also accurate aiming and artillery fire are achieved by driving the turret based on the body parts for opposing tanks.

제조 산업에서 용접 결함 검사는 용접부의 신뢰성과 품질을 확보하기 위한 핵심 공정 중 하나이다. 그러나 기존의 수동 검사 방식은 검사자의 주관성, 장시간 검사로 인한 피로 누적, 그리고 숙련도 차이에 따라 검사 결과의 신뢰성 이 저하될 수 있다는 한계를 지닌다. 이러한 문제를 해결하기 위하여 본 연구에서는 인공지능(AI) 기반 컴퓨터 비전 기술을 활용한 용접 품질 자동 평가 방법을 제안한다. 구체적으로는 픽셀 수준의 세분화(segmentation)를 통해 용 접 결함을 자동으로 탐지 및 분류하고자 하였으며, 이를 위해 다양한 딥러닝 모델의 성능을 비교·분석하였다. 합성곱 신경망(CNN) 기반 모델과 트랜스포머 구조를 포함한 YOLOv5x-seg, Mask R-CNN, DeepLabv3+ 모델을 적 용하였다. 용접 결함 유형은 기공(Porosity), 융합 부족(Lack of Fusion), 용입 불량(Incomplete Penetration), 언더컷(Undercut)의 네 가지 주요 결함과 Normal Weld(정상 용접부)로 정의하였다. 먼저, 폴리곤(polygon) 형 태로 정밀하게 주석(annotation)된 용접 결함 이미지 데이터셋을 구축하였으며, 이를 각 딥러닝 모델의 학습 및 검 증에 활용하였다. 실험 결과, YOLOv5x-seg 모델은 mAP@0.5 기준 82.6%의 정확도를 기록하여 가장 우수한 성능을 나타냈으며, 다른 모델 대비 높은 결함 탐지율과 분할 성능을 확인하였다. 본 연구 결과를 통해 딥러닝 기반 용접 결함 세분화 기법이 기존의 수동검사 방식을 효과적으로 대체할 수 있음을 확인하였으며, 향후 산업 현장에서 의 실시간 용접 품질 모니터링 및 자동화 검사 시스템 구현에 대한 가능성을 입증하였다.

Weld defect inspection is a critical process for ensuring the reliability and quality of welded structures in the manufacturing industry. However, conventional inspection methods suffer from several inherent limitations, including inspector subjectivity, time-consuming procedures, fatigueinduced errors, and performance variability depending on the level of expertise. To address these challenges, this study proposes an automated weld quality evaluation method based on artificial intelligence (AI) and computer vision techniques. Pixel-level image segmentation is employed to automatically detect and classify weld defects, and the performance of various deep learning models is systematically compared. Both convolutional neural network (CNN)-based models and transformer-based architectures are implemented, including YOLOv5x-seg, Mask R-CNN, and DeepLabv3+. The proposed framework targets four major types of weld defects—porosity, lack of fusion, incomplete penetration, and undercut—along with normal welds. A weld defect image dataset with precise polygon-based annotations is constructed and utilized for model training and evaluation. Experimental results demonstrate that the YOLOv5x-seg model achieves the best overall performance, attaining a mean average precision of 82.6% at an IoU threshold of 0.5 (mAP@0.5), while outperforming the other models in both defect detection accuracy and segmentation quality. These results indicate that deep learning-based weld defect segmentation can effectively replace conventional manual inspection methods. Moreover, the proposed approach shows strong potential for real-time weld quality monitoring and the deployment of automated inspection systems in industrial environments.

뇌종양은 치사율이 높은 질병으로 일반적으로 전문의의 MRI 판독을 통하여 진단된다. 그러나, 뇌종양의 크기, 위치 가 다양하기 때문에, 전문의가 수행하는 MRI 판독은 많은 시간과 비용이 소요될 수 밖에 없다. 이를 해결하기 위해 MRI 영상에서 뇌종양 영역에 대한 자동 분할에 대한 요구가 증가하고 있으며, 최근 딥러닝 기술이 발달함에 따라, 딥러닝 기법을 활용한 뇌종양 분할 연구가 다양하게 진행되고 있다. 이에, 본 논문에서는 3D U-Net 기반의 변형된 모델을 통해 MRI 영상에서 보다 효과적으로 뇌종양을 검출하는 방법을 제시한다. 제안하는 모델은 기존의 3D U-Net에서 depthwise- Convolution을 적용하여 연산의 효율적을 높였으며, 잔차 블록을 사용하여 네트워크의 학 습을 향상시켰다. 그 결과, 뇌종양 영역 WT, TC, ET Dice 점수는 각 90.08%, 86.95%, 79.48%로 기존의 3D U-Net보다 나은 성능을 보였다.

Brain tumors are a lethal disease that is generally diagnosed through MRI readings by specialists. However, due to the diverse sizes and locations of brain tumors, MRI readings performed by specialists inevitably consume a great deal of time and cost. To resolve this, there is an increasing demand for automatic segmentation of brain tumor areas in MRI images, and with the recent development of deep learning technology, various studies on brain tumor segmentation using deep learning techniques are being conducted. In this paper, a modified 3D U-Net-based model is proposed to detect brain tumors in MRI images. The proposed model enhances computational efficiency by applying depthwise convolution in the traditional 3D U-Net and improves network training using residual blocks. As a result, the brain tumor area WT, TC, ET Dice scores were 90.08%, 86.95%, and 79.48% respectively, demonstrating better performance than the conventional 3D U-Net

급속한 기술 발전으로 생성형 AI가 교육에 새로운 가능성을 제시하고 있으나, 기존 연구는 정규 교육과정 학생들에 편중되어 있다. 본 연구는 평생 학습자와 전공 학생 간 협력을 통한 생성형 AI 교육 모델을 제시한다. 교육 모델은 컴퓨팅 사고력의 핵심 요소인 추상화, 알고리즘, 프로그래밍, 디버깅을 기반으로 구성하고, 페어 프로그래밍을 도입 하여 세대 융합적 지식 공유를 촉진한다. 주요 특징은 생성형 AI 엔진을 교육용 파이프라인에 통합하여 평생 학습자 의 경험을 활용한 개인화 콘텐츠 창작과 전공자의 기술 지원을 통한 디지털 역량 강화에 있다. 교육 모델의 효과성 검증을 위해 평생 학습자 10명과 전공자 5명을 대상으로 실제 교육을 진행한 결과, AI 기술 활용 능력의 유의미한 향상과 협력 학습을 통한 세대 간 지식 공유의 효과성이 확인되었다. 본 연구는 AI 시대 평생교육의 새로운 방향을 제시한다는 점에서 의의가 있다.

Generative AI presents new opportunities in the field of education. However, previous studies have predominantly focused on students in formal education settings. This study proposes an education model that facilitates generative AI learning through collaboration between lifelong learners and university students majoring in related disciplines. The model consists of the core components of computational thinking:abstraction, algorithms, programming, and debugging, and incorporates pair programming to promote effective intergenerational knowledge exchange. A core feature is the integration of a generative AI engine into the educational pipeline, enabling personalized content creation that draws on lifelong learners’ experiences while enhancing digital competencies through expert technical support. To evaluate the effectiveness of the model, an educational program was implemented with 10 lifelong learners and 5 student participants. The results demonstrated a significant improvement in AI technology utilization and confirmed the value of collaborative learning in fostering intergenerational knowledge sharing. This study offers meaningful insights into the future direction of lifelong education in the era of AI.

마이크로서비스 아키텍처는 구성 요소의 독립성을 보장하여 유지보수성을 높이고 사용자 요구사항을 민첩하게 반영 하는 소프트웨어 아키텍처를 말한다. 마이크로서비스 아키텍처는 구성 요소 독립성을 보장하기 위해 컨테이너 가상 화 기술을 접목한 마이크로서비스 구축 방법을 주로 활용하며, 개별 마이크로서비스의 연결 명세 또는 모델을 활용 해 마이크로서비스 간 연관 관계를 수립한다. 그러나, 마이크로서비스 아키텍처를 활용하여 기존 서비스를 개선하거 나 새로운 서비스를 개발하기 위해서는 소프트웨어 네트워크, 소프트웨어 모델링, 자원 가상화 등의 다양한 기반 지 식이 요구된다. 이는, 마이크로서비스 아키텍처를 분석하고 활용하는 과정에서 진입장벽으로 동작하며, 명확한 구축 방안을 수립하기 어렵게 만드는 요인이 된다. 따라서, 본 논문에서는 마이크로서비스 아키텍처 도입의 진입장벽을 낮추고 자동화 기반 기술을 제공하기 위해, 즉각적인 피드백과 추가 학습이 가능한 생성형 AI 기반의 마이크로서비 스 아키텍처의 학습 기반 관리 방법을 제시한다. 제시하는 방법은 컨테이너 기반 마이크로서비스를 구축하는 컨테이 너 명세를 생성형 AI를 통해 도출한다. 또한, 마이크로서비스 아키텍처의 기능 관계 도출을 지원하기 위해 BCE 패 턴 정의에 기반한 약결합 및 기능 명세를 학습하여 마이크로서비스 간의 결합 결정을 지원하는 방법을 제시한다. 제 시하는 방법은 쿠버네티스 컨테이너 환경의 마이크로서비스 배포 과정에서 생성형 AI 모델인 GPT를 활용한 사례 연구를 통해 본 논문에서 제시한 방법이 마이크로서비스를 구축하고 결합 결정을 지원하기 적합함을 확인한다. 본 논문에서 제시한 마이크로서비스 학습 기반 관리 방법은 마이크로서비스의 도입에 기술적 어려움을 겪는 다양한 IT 서비스 관계자들을 지원할 수 있을 것으로 기대된다.

Microservice architecture refers to a software architecture that guarantees the independence of components to increase maintainability and nimbly reflects user requirements. Microservice architecture mainly utilizes a microservice construction method that incorporates container virtualization technology to ensure component independence, and establishes relationships between microservices by utilizing connection specifications or models of individual microservices. However, improving existing services or developing new services using microservice architecture requires various basic knowledge such as software networks, software modeling, and resource virtualization. This acts as an entry barrier to analyzing and utilizing microservice architecture, and is a factor that makes it difficult to establish a clear construction plan. Therefore, in this paper, we propose a learning-based management method for microservice architecture based on generative AI that enables immediate feedback and additional learning in order to lower the entry barrier to introducing microservice architecture and provide automation-based technology. The proposed method derives a container specification that builds container based microservices through generative AI. In addition, we propose a method that can determine the coupling between microservices by learning loose coupling and functional specifications based on the BCE pattern definition to support the derivation of functional relationships in microservice architecture. The proposed method is suitable for building microservices and supporting combination decisions through a case study utilizing GPT, a generative AI model, in the process of deploying microservices in a Kubernetes container environment. It is expected that the microservice learning-based management method presented in this paper will be able to support various IT service providers who are experiencing technical difficulties in introducing microservices.

데이터를 활용한 디지털 기술의 발전은 데이터 소유자와 소비자 모두에게 새로운 기회를 제공하고 있다. 하지만 데 이터 보호와 개인정보 침해의 문제는 여전히 데이터 활용의 잠재력을 제한하고 있다. 개인정보보호법과 GDPR(General Data Protection Regulation) 등 법적 규제들은 데이터 보호와 개인 정보 관리의 기준을 제시 하지만, 여전히 복잡한 설계, 부인방지 등의 문제에 대한 기술적 해결책이 필요하다. 이에 본 논문은 블록체인을 활 용한 자율적 사용자 동의 기반 개인 데이터 처리 시스템을 제안한다. 이 시스템은 개인정보보호 법규들을 준수하면 서도, 블록체인의 부인방지 기능을 통해 데이터 유출이나 악용 시 책임을 명확히 할 수 있다.

The advancement of digital technologies driven by data utilization offers new opportunities for both data owners and consumers. However, issues related to data protection and privacy breaches continue to limit the potential of data usage. Legal frameworks such as the Personal Information Protection Act and the General Data Protection Regulation(GDPR) provide guidelines for data protection and privacy management, but technical solutions are still needed to address challenges like complex system design and non-repudiation. In response, this paper proposes a blockchain-based autonomous user-consent personal data processing system. This system complies with privacy regulations while leveraging blockchain’s non-repudiation features to clarify accountability in cases of data breaches or misuse.