Earticle

본 연구는 글로벌 음악 시장에서 주요 스트리밍 플랫폼인 Spotify의 일간 순위를 예측하는 모델을 구축하는 데 초점을 맞추고 있다. 최근 몇 년간 스트리밍 서비스의 급격한 확산으로 인해 음악 산업은 큰 변화를 겪고 있으며, 2023년 국제 음반 산업 연맹(IFPI)의 보고서에 따르면 음반 시장의 매출은 전년 대비 10.2% 증가한 286억 달러에 달한다. 스트리밍은 이제 음악 소비의 핵심 채널로 자리 잡았으며 특히 유료 스트리밍 서비스 구독자 수가 6억 6,700만 명 이상으로 증가하면서 Spotify와 같은 플랫폼에서 데이터를 분석하는 것은 음악 산업 내 마케팅 전략 수립에 매우 중요한 역할을 하고 있다. 이전 연구들은 주로 음반 자체의 특성에 집중하여 곡의 성공 여부를 예측하거나 시간에 따른 특성 변화를 살펴보는 데 그쳤다. 그러나 음반의 인기는 단순히 음악의 특성만으로 결정되는 것이 아니라 소비자의 실시간 반응, 소셜 미디어 상의 반응, 그리고 마케팅 활동에 의해 복합적으로 형성된다. 본 연구는 음반의 특성 뿐 아니라 유튜브와 같은 소셜 미디어 플랫폼의 사용자 행동 데이터를 분석하여 이러한 외부 반응이 Spotify의 인기 순위에 미치는 영향을 예측하는 모델을 제안한다. 본 연구에서는 K-POP 음반을 대상으로 2023년 11월부터 2024년 4월까지의 데이터를 활용하여 예측 모델을 개발하였다. 특히 Firm Generated Content(FGC)와 User Generated Content(UGC)에 대한 소비자 참여 데이터(조회수, 좋아요 수, 댓글 수 등)의 변화를 분석에 포함시켰으며 실시간으로 변화하는 사용자 반응이 음원의 인기도에 어떤 영향을 미치는지를 중점적으로 다루었다. 유튜브 조회수, 댓글, 좋아요 등의 데이터는 소비자의 감정과 트렌드를 반영하며, 이는 음원의 인기도 변동을 더 정교하게 예측할 수 있는 중요한 변수로 작용한다. 연구의 주요 성과로는 다양한 머신러닝 및 딥러닝 모델을 비교 분석하여 랜덤 포레스트(Random Forest)와 XGBoost와 같은 비선형 모델이 뛰어난 예측 성능을 보였다는 점이다. 랜덤 포레스트 모델은 가장 낮은 평균 제곱 오차(Mean Squared Error, MSE)인 0.739를 기록하며 가장 우수한 성과를 보였고, LightGBM 모델도 1.754로 안정적인 성능을 보였다. 반면, 기존에 많이 사용되던 LSTM(Long Short-Term Memory)모델은 시계열 데이터를 처리하는 데 적합하다는 이론적 배경에도 불구하고 2405.540이라는 MSE를 기록하며 상대적으로 낮은 성능을 보였다. 이는 복잡한 시계열 데이터를 학습하는 LSTM 모델이 다른 머신러닝 모델에 비해 더 많은 데이터를 요구하며 시퀀스 길이 조정 및 파라미터 튜닝이 필요하다는 점을 시사한다. 본 연구의 결과는 음악 산업 마케팅 담당자에게 실질적인 인사이트를 제공할 수 있다. 특히 랜덤 포레스트와 XGBoost 모델은 실시간으로 변동하는 사용자 반응을 바탕으로 음원의 인기도 변화를 보다 정확하게 예측할 수 있으며, 이를 통해 마케팅 전략을 신속하게 수정하거나 강화할 수 있다. 예를 들어, 특정 음반의 순위 하락이 예상될 경우 소셜 미디어에서 팬 참여를 유도하는 캠페인을 기획하여 순위 반등을 도모할 수 있을 것이다. 결론적으로 본 연구는 소셜 미디어 데이터를 활용하여 음원의 인기도를 예측하는 데 있어 머신러닝 및 딥러닝 모델의 성능을 비교 분석하였으며, 이를 통해 음악 산업의 마케팅 전략 수립에 중요한 기여를 할 수 있음을 보여준다. 소셜 미디어 반응이 음원의 성과에 미치는 영향을 정량적으로 분석함으로써 디지털 마케팅 전략에 새로운 인사이트를 제공하며, 이를 통해 음악 콘텐츠와 소비자 간의 상호작용을 심층적으로 이해할 수 있는 계기를 마련하였다.

최근 인공지능의 활용성이 확산되면서 이미지, 영상인식, 음성인식 및 합성 등의 분야에서 데이터 학습을 통한 생성모델, 초거대 언어모델이 본격적으로 등장하였으며, `16년 알파고 출현 이후 딥러닝의 확산과 하드웨어의 급격한 발전으로 인공지능 학습능력과 정확도가 급속하게 향상되었다. 인공지능 기술은 다른 기술분야에 비해 기술의 변화속도가 매우 빠르며, 서비스 구현을 위한 핵심 모델의 성능이 최근 몇 년사이에 큰 폭으로 향상되었고, COVID-19 펜데믹 이후 사회 및 산업 전분야에 급격한 디지털 대전환으로 인공지능 산업의 팽창과 민간투자, 스타트업의 활성화도 꾸준히 진행중이다. 이러한 배경에서 대형언어모델을 중심으로 하는 생성형 AI(Chat-GPT : Chat-Generative Pre-trained Transformer 등)가 본격 출현하면서 인공지능 시장을 선도하고 있으며, 국내 뿐만 아니라, 주요 선진국에서도 생성형 AI기술에 대한 선점과 사회적 파급효과를 위한 대응 정책을 수립하여 적극적으로 주도하고있다. 본 연구는 POSCO에서 활용중인 P-GPT를 중심으로 생성형 AI를 활용한 기업의 업무혁신과 역량 향상을 위한 시사점을 도출하기 위해 다음과 같은 연구를 수행하였다. 첫째, 생성형 AI산업에 관한 사례조사를 통해 기업들이 적용하고 있는 생성형 AI의 특징을 비교분석 함으로써, 기업들의 생성형 AI적용 방안에 대한 시사점을 도출하고자 한다. 둘째, 생성형AI를 활용한 업무프로세스 혁신방안을 위해 POSCO의 P-GPT 데이터를 기반으로 기업의 현재 활용 수준과 효과성을 평가하고자 한다. 셋째, 사내 직원을 대상으로 실태조사를 통해 직원들의 GPT사용경험, 피드백 데이터를 수집하고, 이를 분석하여 개선방안을 도출하고자 한다. 이에 본 연구의 목적은 생성형 AI를 적용하고자 하는 기업들에게 업무혁신을 위한 방안과 직원들의 역량향상 및 교육에 관한 시사점을 제시하는 것이다.

블록체인은 비트코인 등 암호화 화폐 외에도 금융, 보안, 증명, 결재, 유통, 물류, 의료분야 등 공공과 민간분야 구분 없이 다양한 분야에 응용이 가능하 며 정보공유를 통해 새로운 비즈니스 혁신을 가능 하게 해 준다. 그러나 블록체인 기술이 업무나 실 생활에서 접하기는 아직 초기 단계로 볼 수 있으며 도입에 많은 제약이 따르고, 성공적인 도입과 확산 을 위해 연구해야 할 점이 많이 남아 있다. 본 연 구에서는 블록체인의 기술적 특성과 혁신확산이론 을 중심으로 기술 수용 확산에 미치는 영향을 실증 연구하였다. 이를 위해 블록체인을 이미 도입하였 거나 블록체인 시스템 구축 프로젝트에 참여한 경 험이 있는 조직을 중심으로 설문조사를 진행하였고, 공공부문 종사자와 민간부문 종사자 집단으로 분류 하여 비교연구를 수행하였다. 분석 결과 블록체인 기술적 특성인 보안성, 효율성, 다양성이 모두 상대적 이점에 정(+)의 유의한 영향 을 미치는 것으로 나타났고, 인지된 혁신 특성에서 는 상대적 이점과 적합성 요인이 수용 확산에 정(+) 의 유의한 영향이 있는 것으로 나타났다. 이는 블 록체인 기술은 기존 정보시스템의 대체가 아닌 기 존의 중앙집중형 구조를 벗어나 정보를 공유함으로 써 얻어질 수 있는 새로운 가치와 혁신적인 서비스 를 창출하는데 부합되는 정도가 블록체인을 수용하 고 확산으로 이어지는데 중요한 요인으로 볼 수 있 다는 점을 시사한 것이다. 공공·민간분야의 비교에 서는 공공조직은 상대적 이점에 보안성이 가장 큰 영향을 미치고, 민간조직은 효율성이 상대적 이점 에 가장 큰 영향을 미치는 것으로 나타났다. 공공 조직은 자료의 안전성과 같은 보안성을 상대적 이 점으로 수용확산 의도가 나타난 반면, 민간조직에 서는 재무적 효율성 및 업무에 적용 가능성을 통해 수용확산 의도를 보이고 있다.

본 연구는 침묵의 나선이론을 바탕으로 사회적 담론에 관한 SNS 사용자의 의견표명 동기요인을 도출하고, 여론분위기에 따라 개인이 소셜미디어상에서 사회적인 목소리를 내거나 침묵하게 되는 과정을 살펴보았다. 본 연구는 의견표명 동기요인으로서 지각된 의견지지, 부정적 평가의 두려움, 자기검열, 자기감시를 제시하였고, 자기검열과 자기감시가 각각 공개적인 의견표명의지에 미치는 영향관계를 실증하였다. 본 연구는 침묵의 나선이론을 보완하여 여론형성 과정을 보여주는 새로운 이론적 프레임워크를 제시하였다. 또한 이를 소셜미디어 환경에서의 개인의 의견표명 과정에 적용하여 구체적인 인과관계 메커니즘을 실증하였다.

패션 이미지에는 의류의 카테고리, 색상, 소재, 핏과 같은 의류 속성 정보가 포함 되어있다. 의류 속성 정보는 소비자가 의류를 구매하는 과정에서 중요한 요소다. 하지만 패션 산업에서 패션 이미지를 통해 의류의 속성을 분류하는 과정은 작업자 개인의 주관적인 기준으로 이루어져 일관성이 부족하다. 이를 개선하고자 인공지능 기술을 도입하여 패션 이미지 분석을 통해 의류의 속성을 식별하는 연구가 증가하고 있다. 대다수의 연구는 상의 또는 하의의 속성만을 분류하는 데 중점을 두고 있기 때문에 상의의 속성을 파악하고자 할 때, 전신 패션 이미지는 하의의 영향으로 인하여 상의에 대한 의류 속성을 정확하게 파악하는 것이 어렵다. 즉, 전신 패션 이미지에서 상하의의 속성을 동시에 인식하는 것이 어렵다는 한계가 존재한다. 따라서 본 연구는 패션 이미지 내의 상하의를 구분하여 의류 속성을 올바르게 분류할 수 있는 딥러닝 모델을 제안한다. 제안된 모델은 사용자에게 정확한 의류 속성 정보를 제공하여 의류에 대한 신뢰도를 높이고, 패션 분야에서 의류 속성 분류 작업의 효율성을 향상시킬 것이다. 본 연구는 패션 이미지에서 카테고리, 색상, 소재, 핏을 분류하기 위해 딥러닝 모델 ResNet과 MobileNet을 이용하였다. 학습에 이용한 데이터셋은 AI-Hub의 ‘K-Fashion 패션 이미지’를 활용하였다. 해당 데이터에서 이미지 772,534장과 의류 카테고리와 색상, 소재, 핏 속성을 포함한 라벨 총 222개를 사용하였다. 사용한 모델은 Weighted F1-Score를 기준으로 비교하였으며, 비교 결과, ResNet은 0.753, MobileNet는 0.782로 MobileNet이 0.029 더 우수한 성능을 보였다.

오늘날 AI는 4차산업혁명을 대표하는 ICT 기술로서 여러 분야에 활용되고 있다. 금융권에서도 디지털 전환과 혁신을 이끄는 주요 기술로서 AI 도입이 가속화되고 동시에 AI 기반 이미지 합성기술(Deepfake)을 악용한 디지털 금융 범죄가 새로운 금융 보안의 위협으로 나타나고 있지만 마땅한 대응책이 없는 상황이다. 2019년부터 이미 국내 국정원과 금융보안원, 입법조사처에서는 딥페이크가 금융권을 공격할 수 있다는 우려를 제기했으며, 미국 전문 리서치 기업인 가트너에서도 2023년부터 발생하는 디지털 금융 범죄 중 20% 이상이 딥페이크 범죄일 것으로 분석하였다. 본 논문에서는 딥페이크 탐지 기술을 분석하고 딥페이크 기술의 발전 동향을 파악하여 디지털 금융권에서 어떻게 범죄로 악용될 수 있는지 금융의 잠재적 보안 취약점을 분석하였다. 본 연구 수행의 결과로 디지털 금융권에서의 딥페이크 악용에 대한 잠재적 보안 위협 시사점을 이야기하고 보안대책을 제안하여 선제적으로 대응해 안전하고 신뢰할 수 있는 디지털 금융 환경 조성에 기여할 수 있을 것으로 기대한다.

AI 모델의 편향성은 해당 모델의 예측, 추론 등의 결과가 특정 집단에 대하여 불리하게 작용하거나 특정 상황에 대하여 왜곡된 예측을 하는 현상을 의미한다. 이러한 AI의 편향성은 부정확한 예측에 따른 모델 성능의 저하와 더불어 모델이 일부 집단에 대하여 불공정한 차별적인 결과를 발생시킴에 따라, 최근 들어 AI 윤리와 공정성의 관점에서 AI 모델의 편향성 완화 방안 마련을 위한 연구의 필요성이 제기되고 있다. AI 모델의 편향성을 형성하는 주요 요인에는 학습 데이터 불균형, 알고리즘 편향, 사회, 문화적 환경을 고려하지 못한 사용자 오류 등이 존재한다. 즉, 학습 데이터의 대표성 부족, 라벨링 오류 등의 데이터 편향성 및 학습 데이터에 적합하지 못한 알고리즘 적용에 따라 형성되는 알고리즘의 편향 등이 대표적이다. 이에 본 연구는 AI 모델에 내재된 편향성을 완화할 수 있는 방안을 data preprocessing, data in-processing, data post-processing 의 관점에서 제시하고자 한다.