1 / 1
" display"으로 검색하여,
8 건의 기사가 검색 되었습니다.
-
KOTRA 싱가포르 무역관 7 Temasek Boulevard, #13-02 Suntec Tower One,Singapore 038987Tel : +65 6426 7200kotrasg1@gmail.com 방문연수싱가포르 □ 연수 내용◇싱가포르 진출을 위한 통로○ KOTRA 싱가포르 무역관은 1964년 10월 23일 개관했으며 공식명칭은 '대한무역투자진흥공사 싱가포르 무역관'으로 KOTRA의 싱가포르 대표사무소라는 법적지위를 가지고 있다.50년 이상 싱가포르에서 한국 기업들을 위한 시장조사 등의 각종 지원업무를 담당하고 있으며, 5번의 사무실 이전을 거쳐 현재는 비지니스의 중심지인 Suntec에 자리를 잡고 있다. ▲ 싱가포르 무역관 입구[출처=브레인파크]○ KOTRA 싱가포르 무역관은 글로벌 경제성장의 중심지로 떠오르는 동남아시아-태평양 지역을 총괄하는 지역본부 역할도 겸하고 있어, 싱가포르를 중심으로 동남아시아 지역사업을 확장하려는 기업들에게도 많은 조언과 도움을 주고 있다.○ 현재 한국 업계의 수출 확대와 투자유치를 최우선 과제로 삼고 수출지원·전시회·신규수출 기업화·중소기업 지사화·조사·투자유치 사업을 중심으로 업무를 수행하고 있다.◇ KOTRA 싱가포르 무역관 수행사업구분내용수출지원 사업지방자치단체, 유관기관 등과 협력하여 무역사절단을 파견하여, 현지에서 유망 바이어들과 비즈니스 상담회 개최전시회 사업현지에서 열리는 유명 전시회에 국가관을 구성, 참가기업에 대한 현지홍보, 바이어 정보 제공, 현지의 주요 전시회 정보 제공신규수출 기업화전년도 해외 직접수출이 전무한 내수기업 중 글로벌 역량진단 및 선정 절차를 거쳐 선정된 기업에 대해 1년간 KOTRA 국내외 네트워크를 활용하여 지원중소기업 지사회사업싱가포르무역관이 한국 중소기업의 지사가 되어 시장조사, 바이어 발굴 및 수출상담 등을 수행, 지사화 업체의 현지 세일즈 출장 시 제반 활동 지원조사 사업현지시장 조사, 수출유망품목과 시장성 조사, 우리 중소기업을 위한 맞춤형 서비스로서 특정제품에 대한 시장성 조사 및 바이어 발굴투자유치 사업한국 투자유치 확대를 위해 한국투자환경 및 경제동향 소개, 잠재투자가 방한활동 지원, 한국 투자유치사절단의 현지활동 지원, 투자설명회 및 상담회 개최◇ 동남아시아 ‘Little Red Dot' 싱가포르○ 싱가포르는 말레이시아 연방으로부터 1965년에 독립하여 그 당시에는 작은 어촌마을에 불과했다. 하지만 현재는 싱가포르 인구는 560만7,283명, 1인당 GDP 5만2,961 USD, 경제성장률 3.6%, 실업률 2.2%의 완전고용시장으로 발달하였다. ▲ 건국 50주년 기념 로고[출처=브레인파크]○ 1960년대 노동집약적 산업을 통해 고용기회를 확대했으며 1980년대부터 본격적으로 고도기술 산업 활성화를 위하여 산업 클러스터 조성을 시작했다.2000년대 이후에는 지식/혁신 경제 지향을 목적으로 금융, 물류, 항공, 의료·바이오, 관광, 인재 분야 허브 구축을 이어나가고 있다.○ 현재 싱가포르는 중개무역의 중심지, 개방을 통한 외국 자본 유치, 전시회 컨퍼런스 등 MICE 중심지, 도시설계·개발 벤치마킹 사례, 동남아 소비재·유통의 중심지로 잘 알려져 있다.◇ 비즈니스의 중심지, 싱가포르○ 2017년에는 기업하기 좋은 나라 2위, 국가경쟁력 3위(World Economic Forum조사)로 선정되기도 했다. 싱가포르가 이와 같은 비즈니스 중심지로 성장할 수 있었던 것은 △노동 시장의 유연성 △영어 사용 △규제 최소화 △양질의 인프라 △합리적인 노동력 △철저한 지적재산권 보호 등 잘 구축된 비즈니스 인프라 덕분이다.현재 싱가포르에는 금융, 법률, 회계 등 분야에서 다국적기업 7,000여개가 소재하며 비즈니스 허브를 구축하고 있다.○ 비즈니스 허브를 조성하기 위해 싱가포르 정부에서는 외국인, 투자자에게 유리한 시장질서와 세제 정책을 펼치기도 했다.외국기업, 다국적기업 유치 성공요인들로는 △자본 및 외환시장 자유화 △낮은 법인세(17%) △낮은 소득세(최대 20%) △고급 기술인력 풍부 △정부규제 최소화 △형식주의 관료제 철폐 △투자유치 정책 및 인센티브 제도 △일관성 있는 정부정책 등이 있다.◇ 싱가포르 대표 4대 산업단지○ 싱가포르에는 비즈니스 허브로의 성장을 지원하는 4대 산업단지가 존재한다. 먼저 ‘One-North Biopolis'는 바이오, ICT 정보 통신 기술 등의 연구 개발을 위한 첨단 기술 클러스터로 싱가포르 국영기업인 JTC Corporation에서 개발했다.이 곳은 캠퍼스 단지 형태로 구성되어 있으며 싱가포르 국립대학, 싱가포르 공과대학 등 산학협력이 활발하게 이루어지는 곳이다.▲ One-North Biopolis 단지[출처=브레인파크]○ ‘Seletar Aerospace Park’는 싱가포르 항공·우주산업 관련 제조업이 활발한 산업단지이다. 싱가포르의 항공 산업이 성장 잠재력이 커지고 항공 관련 서비스에 대한 수요가 커지면서 조성되었다.△우주 항공 시스템 및 부품 설계 및 제조 △항공 전문가 및 기술 인력을위한 항공 캠퍼스 운영 △항공 우주 정비 수리 및 정밀 검사 등 분야를 다루는 통합 클러스터가 구축되어 있다.○ ‘Jurong Island’는 2009년 7개의 작은 섬의 매립과 합병이 완료된 후 화학산업단지로 발전했으며, 현재 이 섬에는 100개가 넘은 에너지 및 화학 관련 기업이 입주해 있다.마지막으로 ‘Wafer Fab & Advanced Display Parks’는 싱가포르의 Woodlands, Tampines, Pasir Ris, North Coast 지역의 특수 웨이퍼 제조 단지를 이르는 말이다.▲ 싱가포르 경제구조 특징[출처=브레인파크]◇ 싱가포르 스타트업 지원 정책 총정리○ 2018년 1월 KOTRA 싱가포르 무역관에서는 싱가포르 투자진출 지원을 목적으로 ‘싱가포르 스타트업 지원 정책을 총정리’라는 보고서를 발간했다.싱가포르 스타트업 산업환경, 스타트업을 위한 정부 지원 정책 등으로 내용이 구성되어 있다. 위 보고서에 대한 일부 내용은 아래와 같다.◇ 싱가포르 스타트업 산업환경○ 2014년 싱가포르 정부는 더 나은 삶을 지원하고 생산성을 높이며 새로운 일자리를 창출할 수 있는 혁신적인 기술력을 가진 '스마트네이션'을 국가 목표로 선포하고 본격적인 스타트업 지원 정책 시행했다.○ 싱가포르는 글로벌 스타트업 미디어 기관인 Compass가 조사한 2015 Global Startup Ecosystem Ranking에서는 10위에 선정되었으며 세계적인 스타트업 산업의 센터로 자리매김하는 중이다.○ 싱가포르 정부기관 Infocomm Development Authority of Singapore(IDA) 산하 VC(Venture Capital)인 Infocomm Investments가 발간한 Singapore Startup Ecosystem 2015에 따르면 2005년~2013년 사이 싱가포르 스타트업 수는 2만4000개에서 4만2000개로 2배 가량 증가했다고 발표하기도 했다.○ 또한 Global Entrepreneurship Monitor Report의 설문에 응답한 싱가포르 거주자 5명 중 1명은 '향후 3년 이내에 자신의 사업을 시작할 것'이라고 응답했다. 이는 싱가포르 사람들의 창업에 대한 관심도가 얼마나 높은지 보여주고 있다.○ 싱가포르는 기업 및 연구소가 실생활 환경에서 기술과 솔루션 개발 및 테스트, 상업화할 수 있는 생활연구소(Living Lab) 개념의 테스트베드를 구축했다.센서 네트워크와 데이터 플랫폼을 공유하는 테스트 베드로써 Jurong Lake District를 중심으로 전 지역에 걸쳐 총 13개의 테스트 베드를 구축하고 비즈니스 기회 확장해 나가고 있다.▲ 싱가포르 스마트네이션 테스트 베드, 자료원:Smart Nation Singapore [출처=브레인파크]○ 싱가포르 통화청(Monetary Authority of Singapore, MAS)은 Smart Financial Center로 거듭나기 위해서는 기술의 혁신적이고 안전한 활용을 돕는 규제 환경 제공이 필요하다고 판단, 2016년 핀테크 규제 테스트베드 시행안을 발표하고 2016년부터 핀테크 페스티벌 행사 개최하기도 했다.○ 싱가포르의 대표적인 스타트업 관련 전시회는 아래와 같다.• Tech in Asia : 아시아 최대의 테크 전시회• Echelon Asia Summit : 싱가포르 유명 IT 미디어 매체로써 아시아 지역의 스타트업을 발굴 및 소개하고 기술과 비즈니스를 주제로 개최• FinTech Festival : 싱가포르 통화청(MAS)과 싱가포르 은행연합(Association of Banks in Singapore, ABS)이 공동 주최▲ 싱가포르 스타트업 에코시스템[출처=브레인파크]◇ 싱가포르 창업 혁신 지원기관 ‘엔터프라이즈 싱가포르’ 신설○ 엔터프라이즈 싱가포르(Enterprise Singapore)는 2018년 4월 1일 International Enterprise Singapore과 SPRING Singapore(The Standards, Productivity and Innovation Board)를 합병하여 싱가포르 통상산업부 산하에 설립한 원스톱 비즈니스 개발기관이다.○ 엔터프라이즈 싱가포르는 무역 진흥을 주도하며 대기업의 국제화 요구를 지원하고 표준화, 인증 및 법적 계측을 위한 국가 기관으로서의 역할을 수행할 예정이다.SPRING의 소비자 보호 기능은 2018년 2분기까지 싱가포르 경쟁위원회(Competition Commission)에 양도될 예정이며, 두 기관의 합병에는 단일기관에서 공정 거래와 경쟁을 보호하는 작업을 통합하는데 의미가 있다.○ 엔터프라이즈 싱가포르는 싱가포르 기업의 성장을 촉진하기 위한 정부기구로, △기업역량 향상과 혁신 △국제화 △세계무역과 스타트업의 허브로 성장시키기 위한 역할을 하고 있다. 또한 국가표준과 승인기구로서 싱가포르의 제품과 서비스 품질 보장에 있어 신뢰를 구축하기 위해 노력하고 있다. ▲ 엔터프라이즈 싱가포르 개관식[출처=브레인파크]○ 이 곳은 싱가포르 기업이 현재의 기업 환경을 잘 헤쳐 나가도록 하기 위해 기업 중심의 접근법을 제공한다. 여기에는 기업의 성장단계, 산업분야, 관심 해외시장에 맞춘 프로그램과 지원정책을 제공하는 것이 포함된다.○ 이를 위해 지역 및 해외 파트너와의 강력한 네트워크를 활용하고 있으며, 'The 23 Industry Transformation Maps(ITMs)'을 통한 기업 경쟁력 향상에 노력하고 있다.기업능력의 업그레이드와 혁신을 통한 신흥시장 점유를 위해 △제품 개선을 위한 신기술 적용 △해외시장 확대 촉진 △인재풀 구축을 위한 리더십 강화 등 다분야에서 지원정책을 마련하고 있다.□ 질의응답- 싱가포르 코트라의 주요 업무는."무역·투자·일자리 분야 업무 비중이 크다. 무역과 관련하여 전시, 무역사절단, 시장조사 업무를 수행하고 있으며, 투자 관련해서는 M&A, 투자유치, 법인설립 업무 지원도 한다. 또한 싱가포르 구인처를 발굴하여 수시로 채용설명회를 진행하여 일자리 정보를 제공한다."- 싱가포르 스타트업이 아세안지역에서 참가할만한 전시회는 있는지."싱가포르는 금융업이 발달한 덕분에 스타트업 분야도 핀테크 분야 전시·이벤트가 가장 활발하게 운영되고 있다. 싱가포르에서 3년째 핀테크 페스티벌을 개회하고 있으며 ‘Money 2020'라는 라스베거스 개최되었던 이벤트가 싱가포르에 올해 개최될 예정이다.그 이외에 스타트업 전반을 다루는 대규모 행사로는 테크인아시아, 애슐론 아시아 서밋 등이 있다. 특히 테크인아시아에서는 미디어 관련 뉴스레터도 정기적으로 배포하고 있기 때문에 필요하면 구독하는것도 정보 획득에 좋을 것 같다."- 한국에서는 표준산업분류코드를 기반으로 업종이 구분되어 있는데 싱가포르는 어떠한가? OECD 국가 기준을 따르고 있는지."싱가포르는 작은국가이다 보니 한 회사가 다양한 비즈니스를 다루는 경우가 많아서 산업분류에서 크게 예민한 편은 아니다."- 온라인으로 법인 설립이 가능한지."온라인 신청으로 법인 설립은 가능하지만 서류 구비 문제에 있기 때문에 대부분 담당기관에 방문하여 도움을 요청한다. 혼자서 온라인 법인 설립 준비를 하기에는 애로사항이 많기 때문에, 법인설립 컨설팅을 받는 경우도 많다."- 법인 설립 시 처음에는 보통 창업비자를 신청하는지."회사 성격마다 다르다. 스타트업 기업의 경우에는 보통 1년 기간의 창업비자를 발급받는 편이고 창업비자 기간을 현재 2년으로 확대하는 것을 싱가포르 정부에서 추진하고 있다."- 싱가포르 창업비자의 종류는."싱가포르에서는 실질적으로 일을 하지 않는 경우에는 비자를 받기가 어렵고 외국인이 받을 수 있는 싱가포르 비자는 크게 3가지로 나누어진다.(임플로이먼트 패스 비자, SP 비자, WP(Work Permit) 비자) 법인을 설립한 경우에는 임플로이먼트 패스 비자를 받을 수 있고, 스타트업의 경우도 비자 발급 조건이 상대적으로 까다롭지 않은 편이다. 싱가포르에서는 스타트업 기업 유치를 위해서 비자 기준을 완화하는 추세이다."- 한국기업이 창업지원을 위하여 싱가포르 코트라 무역관을 방문한 사례가 있었는지."싱가포르에서 창업을 바로 시작하는 것은 흔한 경우는 아니다. 싱가포르는 창업에 좋은 환경을 가지고 있다고 하지만 임대료 등 물가 문제로 인해서 어느 정도 한국에서 기반을 다진 기업들이 싱가포르로 비즈니스를 확장 혹은 이동 하는 경우가 더 많다. 동남아 국가에서 투자를 받아 싱가포르에 자리 잡는 경우도 간혹 있다."- 외국인을 대상으로 창업 지원하는 싱가포르 국가기관은."싱가포르 국가기관으로는 Enterprise Singapore, Startup SG, ACE 등이 있다. 특히 Startup SG 홈페이지에는 설립요건 등 스타트업을 대상으로 한 정보가 자세한 정보가 나와 있다."- 싱가포르 코트라 무역관과 싱가포르 창업 관련 기관 협업으로 네트워킹 이벤트가 개최된 적이 있는지."싱가포르와 협업을 원하는 국가가 많고 다양한 편이라 특정 한 나라와 교류를 위해 행사를 주최하는 경우는 흔치 않다. 하지만 핀테크 아시아와 같은 대형 이벤트에서 한국기업이 싱가포르 및 외국기업으로 좋은 평을 얻는 경우는 종종 있다."- 정부에서 운영하는 스타트업 기업과 투자기업간의 매칭프로그램은."싱가포르도 한국처럼 매칭 펀드 방식이 있는 것으로 알고 있다."- 한국기업이 싱가포르 코트라에서 현지법인 설립 상담을 받고자 하는 수요는."내부적으로 연간 20건 정도를 목표로 두고 있다. 통계에 따르면 현재 200개 정도의 스타트업 기업이 싱가포르에 진출해 있으며 코트라를 거치지 않고 신규 설립을 하는 경우도 있기 때문에 정확한 숫자를 집계하기는 어렵다."- 싱가포르가 담배, 술 등에 엄격한 법규를 적용하는 데에 특별한 이유는."세수와 연관된 항목인데, 국가에서 규제·관리를 하는 것으로 생각된다. 대신 치안이 좋다는 장점이 있다."- 싱가포르는 엔젤 투자가 활성화되어 있는 편인지."활성화된 편은 아니다. 최근 투자사례를 보았을 때도 비즈니스가 어느 정도 규모가 있고 운영이 안정적인 곳에 투자가 이루어졌다."- 싱가포르 코트라 무역관 업무 중 가장 큰 비중을 많이 차지하는 것은."직원 수 대비로 보았을 때 수출 마케팅에 비중을 많이 두는 편이다. 오랫동안 진행해왔던 사업이고, 한국기업에서도 수요가 많은 편이기 때문이다."- 한국에서도 도입하면 좋을 것 같은 싱가포르 (창업)플랫폼 사례는."구체적인 사례는 아는바가 없다. 하지만 싱가포르에서 어떤 사업이 추진되는 경우 부처가 협조가 잘 이루어진다는 것이 큰 장점으로 보인다. 어떤 플랫폼을 운영하더라도 높은 효율성을 추진하고 구체적으로 계획을 수립하고 업무 분장이 확실한편이다."- Industry 4.0 관련하여 싱가포르의 방향성이나 발전 수준은."싱가포르는 연구 파트너가 많다는 것이 장점이다. 다국적기업, 학교와 협력할 수 있는 연구 인프라가 잘 갖춰져 있다. 하지만 싱가포르는 작은 국가인 만큼 적용 가능한 산업분야가 다양하지 않는 점이 한계라고 생각한다."- 실업률이 낮다고 했는데 청년이나 시니어 모두를 보았을 때 취업과 창업 중 어떤 쪽을 추구하는지."개인 성향 차이가 있지만, 싱가포르에서 유능하거나 해외 경험이 있는 사람들은 싱가포르를 기반으로 아시아 국가로 진출을 목표로 창업 의지를 가진 사람들도 많이 있다. 특히 영어가 가능하다는 것이 큰 장점이다.싱가포르국립대학에서 진행된 창업 케이스 프레젠테이션을 보면 창업에 대한 목표가 계획이고 구체적인 편이다. 한국에서는 창업 실패에 대한 두려움이 크기 때문에 창업은 모험이라고 생각하는 성향이 있는 반면 싱가포르에서는 창업에 실패하더라도 경험을 살려 다른 선택을 할 수 있다고 생각하는 인식의 차이가 있다."- 싱가포르에도 클라우드 펀딩이 활성화되어 있는지."한국만큼은 활성화 되어있지 않은 것 같다."- 싱가포르 식품분야 전망은 어떤지? 유망품목은."최근 조사결과에 따르면 가공식품에 대한 수요가 높았고, 한국 음료와 주류도 인기가 많은 편이다."□ 일일보고서◇ 비즈니스 허브로써 주변국과 상생하는 싱가포르○ 실용주의 위주의 현지 상황에서 KOTRA 싱가포르 무역관의 스타트업에 대한 전폭적인 지원을 기대하기는 어려운 상황이지만 창업기업이 입주하기 위해서는 다양한 기회가 있는 나라라는 생각이 들었다.한국 내 해외진출 사업의 중복을 단일창구로 진행해야 하는 점과 보다 신속하게 진출할 수 있는 프로세스와 정책이 필요하다고 보인다. 또한 스타트업의 대표 입장에서 싱가포르를 보다 정확하게 이해하기 위해서는 언어도 중요하다고 느꼈다.○ 싱가포르의 개국 배경과 국가 시스템에 대한 이해를 할 수 있는 유익한 시간이었다. 싱가포르와 우리나라를 비교했을 때 언어적인 측면과 주변국과 연결된 상생 전략이 큰 장점인 것 같다.주변국과 우호적인 관계 설정으로 창업자 간 교류뿐만 아니라 말레이시아, 인도네시아 등 주변의 값싼 노동력을 통해 인력난 문제를 해결하고 국가적으로 효율적인 운영을 할 수 있도록 제공하는 것 같다.○ 싱가포르 나라 자체는 큰 규모의 시장은 아니지만, 다른 나라를 통하는 허브 역할을 하고 있어, 주변국(인도네시아, 말레이시아 등) 진출에 중요한 거점이 된다고 볼 수 있다. 또한 금융과 항만이 주요 사업 분야로써 글로벌 진출이 목표인 기업에게는 좋은 진출로가 될 것으로 판단된다.◇ 싱가포르 진출 활성화를 위한 시스템 도입 필요○ 싱가포르는 다인종·다문화 국가여서 문화적 장벽이 낮으며 높은 소비성향을 보인다. 게다가 무관세 정책 등 외국기업에게 관대한 정책으로 수출 및 투자에 유리한 조건이다.이런 좋은 비즈니스 환경에도 불구하고 아직까지 우리나라 기업의 싱가포르 진출 및 성공사례는 많지 않은 것 같다.○ 싱가포르 진출을 위한 특화된 프로그램 개발로 수출 희망기업을 위한 체계적인 지원 시스템이 갖춰져야 할 것이다. 동남아시장 진출의 교두보이자 아세안 비즈니스의 중심에 있는 싱가포르를 공략하고 나아가 거대 규모의 아세안 시장을 수출 주력시장으로 삼아 우리나라기업의 수출을 도모하였으면 한다.
-
□ 연수내용◇ 제조업에 특화된 AI서비스와 솔루션 제공이 목표○ 마키나락스는 2017년 12월 설립된 제조업에 특화된 AI서비스와 솔루션을 제공하는 스타트업으로 생산공정에 AI를 도입해 기계 고장이나 품질 이상 등을 예측하는 제조업에 특화된 AI서비스와 솔루션을 제공한다.○ 마키나락스는 Makina는 라틴어로 machine이다. Machine Intelligence를 폭넓게 해석한 것이다. Rocks는 Shaking으로 '인공지능을 통해 산업을 뒤흔들다'라는 뜻을 가졌다. ▲ 이재혁 대표[출처=브레인파크]○ 기계 인텔리전스, AI의 실행(Operation)을 통해 제조업을 다시 정의, 산업을 좀 더 효율적으로 만들자는 비전을 가지고 산업용 AI 솔루션과 제조업과 에너지 산업의 성장을 도모하는 플랫폼을 개발하는 것이 목표이다.◇ SK텔레콤에서 AI관련 팀이 분사하여 창업○ SK텔레콤에서 ‘제조업 특화 AI 데이터 분석 솔루션 기술’을 개발했던 SK텔레콤 소속 관계사(화학회사, 유공 등)에 Digital Transformation(디지털 변환)팀, 특히 인공지능 관련 데이터 분석하는 팀이 분사하여 1대 주주, 2대 주주는 SK텔레콤이다. 실리콘밸리와 서울 오피스에서 17명이 일하고 있다.○ 회사에 이해를 구한 상태에서 2017년 12월 한국에서 회사를 창업하고 2018년 미국 지사를 만들었다. SK텔레콤에서 3명, 삼성전자에서 1명 영입해서 4명으로 회사를 시작했다. 2018년 5월 SK텔레콤, 네이버, 현대에서 Seed-round 펀딩을 받았다.○ 이때 Seed-round란 처음에 회사를 만들면 시드(씨앗) 단계라고 한다. 그 다음으로 a, b, c, d 단계가 있다. 시드는 회사를 만들 때 자금이 필요한 단계, a는 뭔가를 발견해서 투자자들을 설득하는 단계, b는 발견한 것들 중 특정 무언가를 밀고 나가서 더 확장시키는 단계, c는 지역적으로 더 확장하거나 사람도 더 뽑고 매출도 올리는 단계(IPO, Initial Public Offering)이다. 보통 c가 터닝 포인트가 된다.○ 시드 단계에서는 보통 개인 투자를 받거나 창립자들이 돈을 내는데 마키나락스는 SK텔레콤이 자금을 지원했기 때문에 매출이 발생하면서 회사를 시작할 수 있었다.SK텔레콤, 네이버, 현대에서 20억 정도의 투자를 받았다. SK텔레콤이 외부 투자자 중에서는 지분을 가장 많이 받고 있다. B2B 하는 분들은 회사에 있거나 아이템을 발견해서 분사하는 경우가 많다.◇ SK텔레콤이 운영하는 스타트업 인큐베이션 공간에 입주○ 한국에서 창업 후 실리콘밸리에 자회사를 설립해 글로벌 하이테크 반도체 기업을 파트너로 확보했으며, 한국과 미국에서 반도체나 자동차 생산라인, 미생물 공정 생산라인 등에서 프로젝트를 진행하고 있다.○ 실리콘밸리 자회사는 SK텔레콤이 운영하는 스타트업 인큐베이션 공간, Inno- partners에 있다. 인큐베이션 공간과 경쟁적인 형태로 나온 것이 공유 오피스로 WeWork, 스타플레이스 등이 유명하다. 공유 오피스와 인큐베이션 공간의 차이는 공유 오피스는 임대료가 있고 인큐베이션 공간은 임대료가 없다는 것이다.▲ Innopartners 입주기업들○ Innopartners는 실리콘밸리 센터에 위치하고 있는데 스탠포드 대학교가 있고 그 앞에 멘로파크가 있다. 멘로파크에서 반도체 사업이 제일 먼저 시작했다.반도체 사업은 공해가 극심하다. 중간에 메인 공정 중 방사선 쏘는 방식은 공해가 별로 없는데, 독한 화학 물질로 깎아내리는 방식과 산업용 가스로 위에 쓰이는 방식(deposition)은 공해가 많이 발생해서 한국과 대만에서 공정을 진행하고 실리콘밸리에서는 설계, R&D하는 반도체만 남아 있다. 그 뒤로 소프트웨어, 하드웨어 사업이 주로 발달하게 되었다.◇ 어떤 중장비가 망가질지 예측하는 것이 바로 산업용 AI○ 산업용 AI가 나올 수 있던 배경은 IoT, 빅 데이터, AI이다. 각 분야별로 데이터 분석은 조금씩 다르다. IoT 시절 데이터 분석은 On&Off였다. 건설 중장비가 켜져 있는지, 꺼져 있는지만 잘 알아도 가능했다.Uptake가 이 때 나온 회사이다. On&Off를 잘 측정하고 왜 잘 안됐는지 데이터를 분석하고 축적하면서 등장한 것이 빅 데이터이다. 빅 데이터는 왜 작동이 잘 되지 않았는지 이유를 찾는 데 분석이 특화되어 있다. 어떤 중장비가 망가질 것인지 예측하는 것이 AI이다.○ 마키나락스가 하고 있는 것은 제조업의 다양한 문제를 AI기술을 접목해서 해결하려고 하는 것이다. 예를 들어 반도체의 경우 장비 하나가 비싼 것은 4000억 정도이다.따라서 망가지면 안되는데 1년 365일 24시간 작동시키고 독한 화학물질과 가스를 쓰기 때문에 망가질 수밖에 없다. 가동률을 낮추는 원인이 되는 이런 비싼 장비가 언제 망가질지 예측해서 가동률을 올리는 것이다. 해마다 다르지만 1%의 수율만 올라가면 이익이 1조 올라간다.○ 또 다른 예는 화학 공정에 가보면 파이프라인이 길게 연결되어 있는데, 파이프라인의 특정 부분이 막히기 마련이다. 막히는 걸 미리 예측하면 공정 가동률과 수익이 올라간다.그래서 산업용 AI 솔루션은 기존 가정에서 사용하는 AI 제품보다 높은 수준의 예측력을 보유한 AI를 필요로 한다. 기존 AI가 알고리즘과 데이터가 성능을 좌우한다면 마키나락스가 개발한 솔루션은 알고리즘, 데이터에 도메인 지식이 더해져 예측력면에서 뛰어나다.○ 마키나락스는 딥러닝 기반의 PdM(Predictive Maintenance) 알고리즘 및 관리 기법을 적용해, 제조 장비 및 공정에서 발생하는 센서 데이터를 분석을 토대로 △장비 고장 및 품질 이상 예측 △제조 불량 분석 △공정 최적화 솔루션을 제공해 공장의 생산성 및 품질 향상에 기여하고 있다.○ 마키나락스가 자체개발한 인공지능 솔루션은 최소 100억 원대부터인 반도체나 자동차 생산 설비의 고장이나 오류를 짧게는 12시간, 길게는 5일 전에 예측할 수 있도록 설계돼 막대한 손실을 예방한다.◇ 좋은 데이터와 데이터 기술자 확보를 위한 실리콘밸리 진출○ 한국에서 기업 솔루션을 제공하는 기업들이 많이 실패했다. 가장 큰 이유는 데이터가 있어야 하는데, 데이터 자체가 굉장히 흠이 있는 데이터라는 점이다. 장비가 얼마나 망가졌는지 외부에 알려줘야 하기 때문에 어려운 부분이다.○ 또한 데이터를 분석할 수 있는 기술자들의 인건비가 굉장히 높고 인력이 귀하다. 최소 연봉이 3억이다. SK텔레콤에서 인건비를 들여서 기술자들을 한국으로 데려와도 기술자들이 한국에서 일하고 싶어하지 않는다.한국에 가더라도 데이터 분석하는 부지는 다 지역에 있어 지역에 가려고 하지 않기 때문이다. 따라서 대기업도 기술자들을 확보・유지하기가 어렵다.그래서 최근 실리콘밸리에 SK Hynix가 진출하여 데이터 분석 기술자가 Hynix가 있는 이천으로 가지 않고 실리콘밸리에서 새로 지은 건물에서 데이터 분석을 할 수 있도록 하는 것이다.◇ 적용이 쉽지 않았던 산업용 AI○ 산업용 AI라는 개념은 예전부터 등장했지만 잘 적용되지 않았다. 포스코가 IoT 시절부터 투자를 많이 했었고 투자를 오랫동안 해서 데이터 분석을 열심히 했지만 지역에 위치하고 있어서 기술자들을 오랫동안 확보하지 못했다. 포스코는 빅 데이터에서 AI 분석까지 5년동안 프로그램을 실행했고 아래 2개를 많이 공표한다.• 용광로, 고로 온도를 일정하게 만드는 알고리즘: 변수가 많아서 어려운 부문이다.• 아이언 도금 최적화 공정‘○ 데이터 시티즌십’이라고 하는 어느 정도 역량이 있으면 교육을 받고 데이터 기술자가 될 수 있는 프로그램이 있다. 이런 프로그램을 통해 일상생활의 간단한 문제를 해결할 수 있다.SK텔레콤도 데이터 시티즌십을 통해 어떤 신입사원이 먼저 퇴사할 것인지에 대한 알고리즘을 만들었다. 그러나 정작 중요한 수율이 올라가는 과정에 대해서는 잘 없다.예전에는 노하우가 많은 엔지니어가 변수 여러 개를 두고 수율을 계산했으나 빅 데이터를 통해 변수가 늘어나면서 AI가 등장하게 된 것이다.▲ 산업용 AI 접목을 위한 4개 요소[출처=브레인파크]◇ 산업용 AI 접목○ 산업용 AI의 접목을 위해서는 아래 4개 요소가 필요하다.• 연결성 : 반도체의 경우 2014년 Hynix 인수할 때 공정 수가 300개였는데 2018년 기준 600개가 됐다. 내년 새로운 Fab이 만들어지면 800개가 넘어갈 것이다.• 복잡성 : 간단한 문제는 AI를 사용할 필요가 없고 빅 데이터, SAS 툴을 사용하면 된다. 하지만 문제가 점점 복잡해지기 때문에 AI를 사용해야 한다.• 기술 : 딥 러닝 아키텍처(컴퓨터 시스템의 구성)에서의 매개변수• 투자 : CAGR(연평균 성장률) 170억 + 2025 시장 (제조업에서의 산업용 AI) Þ 40% 상승◇ 소비자 중심 AI와 산업용 AI의 차이점○ 소비자 지향 AI와 산업용 AI의 차이는 사람이 잘하는 분야에 대해서도 사람보다 기계가 일을 많이 하는 것이 소비자 AI라면, 산업용 AI의 목적은 장비가 너무 복잡해서 언제 망가질지 사람이 예측할 수 없는 그런 부분을 예측하는 것이다. 소비자 중심 AI산업용 AI목표자연 지능과 관련된 업무에 초점산업 문제와 관련된 업무에 초점(예를 들어 수율 향상, 인간의 지능으로 해결하기 힘든 최적화)적용언어 번역, 자율 주행, 비디오 감시PDM(예측정비), 결함 추정, 공정 최적화데이터인간이 해석 가능한 데이터(사진, 비디오, 텍스트, 음성, 소비자 프로필과 활동 등)인간이 해석할 수 없는 데이터(센서 값, 처리 이미지, 현지 기술자 업무 등)○ 사람이 공정 수가 너무 많으면 최적화할 수 없기 때문에 AI가 한다. 사람이 도입한 것이기 때문에 사람 일자리를 위협하는 것을 제외하고 AI로 대체하는 것이다.B2C는 사람들이 다 이해하는 데이터(사진, 텍스트, 비디오 등), 후자는 사람이 이해하기 어려운 데이터(센서 데이터 그래프, 프로세스 이미지 등)이다. 프로세스 이미지는 예를 들어 자동차 부품 안을 찍어서 보면 실금이 잘 보이지 않기 때문에 AI가 찾아내는 것이 필요하다.◇ 산업계에서 산업용 AI의 문제점○ 투자자들이 인공지능에 많은 투자를 하고 있고 산업용 AI에 대해서만 2025년까지 17조 원의 시장으로 확대될 것으로 보고 있다. 마키나락스와 같은 기업이 필요한 이유는 사람들이 시작은 많이 하지만 70% 정도가 잘 되지 않기 때문이다.산업용 AI를 적용하기 위한 4단계가 있다.• 첫째, 개념 검증(PoC, Proof of Concept)• 둘째, 파일럿(실전 테스트 라인 선정)• 셋째, 생산 라인 적용(Deployment)• 넷째, 확장(한 두개 생산에서 공장 전체로 확장 )○ 하지만 대부분 2단계 파일럿에서 끝난다. 이유는 센서 데이터를 해석할 정도가 되려면 전문가이거나 데이터 처리를 사전에 많이 해본 사람이어야 하는데, 그런 경우가 많이 없기 때문이다.◇ 산업용 AI가 해결해나가야 할 도전과제○ 앞으로 해결해나가야 할 도전과제는 다음과 같다. 첫째, 늘어나는 복잡성, 더 높은 기대, 적용 과정에서의 고위험 등에 대한 ‘문제 정의(Problem Definition)’가 필요하다.실제 현장에서 발생되는 문제는 프로젝트 정의가 먼저 이루어져야 하는데, 시장 자체가 초기 적응 단계이다. 이 단계에서는 어떤 문제를 AI 기술로 해결할 수 있는지 아는 것이 어렵다.각 대기업마다 자랑하는 기술이 딱히 없다. 삼성에서 자랑하는 것은 AI 기반 빅데이터 플랫폼인 Brightics인데, 아직까지 이 플랫폼을 가지고 뚜렷하게 개선한 사례는 아직 없다.○ 둘째, 불균형 또는 잡음 라벨, AI 역량 부족, 도메인 지식 통합에 대한 알고리즘(Development)이 필요하다. 문제를 풀려면 도메인 지식이 있어야 하는데 30대 초반의 유능한 필드 엔지니어를 서울대에 6개월 데이터 분석 과정에 보내서 가르치면 데이터 분석 기술자가 되는지 실험해봤으나 데이터 분석 기술자가 되는 것이 아니라 수학만 배우고 온다는 결과가 나왔다. 배경지식이 많고 경험 있는 기술자를 찾는 것이 어렵다.○ 셋째, 시스템 통합, 연속적인 학습, 모델 관리를 통한 작동(Deployment)이 필요하다. 노조원이나 현지 엔지니어는 자신들의 일자리를 없앤다고 생각해서 기계 시각(Machine Vision Project)을 선호하지 않는다.따라서 PoC, 파일럿은 잘 되는데 Deployment가 어렵다. Machine Vision 구현 사이트를 1년 후에 들어가면 방치되어 있는 것들이 많다. 한국에 기계 시각을 구축할 수 있다는 SI(System Integrator, 시스템 통합 사업자) 업체가 협회에 등록된 것만 400개가 넘는다.그러나 정작 성공사례는 없다. 현재 기술의 현주소이다. 시작하더라도 3단계 Deployment할 때 현실적인 문제는 정상 데이터, 비정상 데이터이다.1만 장씩 각각 있다는 공장은 현실에 없다. 흔한 예로 그냥 정상 데이터가 1만 장, 비정상 데이터는 두 장밖에 없다. 정상 데이터는 많고 비정상 데이터는 없다.▲ 산업용 AI가 해결해나가야 할 도전과제[출처=브레인파크]◇ 산업용 AI에 초점을 맞춘 기계 학습○ 크게 4가지 정도의 핵심 기술이 있다. 최근에 딥러닝 모델을 활용한 스타트업 기업들이 많아지고 있다. 딥러닝 모델에 기반하여 주어진 데이터를 가지고 어떻게 좋은 학습 모델을 만들지 집중하는 경우가 많은데 이 분야에서 일을 하다 보니 이 부분도 중요한 것은 맞지만 그 외에도 성공하기 위해 다른 기술들이 많이 필요하다는 것을 알았다.▲ 마키나락스의 4개 핵심 기술[출처=브레인파크]○ 첫째, Active Learning이다. 데이터를 전부 라벨링할 수 없고 레이블은 얻으면 얻을수록 도움이 되기 때문에 효율적으로 얻어야 한다.샘플링을 한 번 할 때마다 비용이 들기 때문에 비용을 최소화하면서 모델의 성능을 올릴 수 있는 라벨링은 무엇인지 찾는 것이 중요하다.어떤 데이터 샘플을 뽑아야 라벨링이 효과적일지, 뽑은 데이터 샘플을 어떤 방식으로 엔지니어 혹은 도메인 전문가들에게 요청해야 흔쾌히 수락할지 2가지 측면에서 고민하고 있다.연속적으로 클릭해서 라벨링 해야 하면 불편해서 수락하지 않을 것이고, 드롭 다운 메뉴에서 고르거나 한 번 클릭할 수 있는 샘플이면 수락할 것이다.○ 둘째, Deep Learning이다. 일반적인 이미지, 텍스트 데이터 라벨링은 비용이 들어도 모든 사람이 할 수 있어서 클라우드 소싱 방식을 선택할 수 있고 데이터가 공개되어 있는 경우가 많아서 작업이 수월하다. 반면 산업용 데이터는 굉장히 제한적인 사람들만 접근이 가능하고 소수만 고장이 났는지 체크할 수 있다.○ 셋째, Continual Learning이다. 아카데미에서는 새로운 과제를 학습할 때 과거에 학습했던 과정도 잊지 않고 잘 가지고 있는 것을 말한다.반면 산업에서는 하나의 장비를 사용하더라도 제조 환경은 계속 바뀌는데, 달라질 때마다 계속 새로운 모델을 만들 수 없기 때문에 계속 변화하는 환경에서 모델 성능을 사람의 개입 없이 어떻게 잘 유지할 수 있을지 고민하고 있다.○ 넷째, Reinforcement Learning이다. 마키나락스도 Reinforcement Learning을 중심으로 하는 프로젝트가 있기는 하지만 보통 시뮬레이션이 가능한 환경이다.반도체, 자동차 장비처럼 좋은 시뮬레이터가 없는 경우 마키나락스가 사용하는 데 아직까지는 제한이 있다. 데이터를 마음대로 뽑을 수 없기 때문에 쓸 수 있는 부분에서만 최대한 활용하려고 한다.◇ 우리가 가지고 있는 기술: 어플리케이션의 핵심○ 핵심 기술로부터 발견한 주요 어플리케이션으로 자동화, 주요 원인 찾기 등이 있다. 이런 분야에 대해서 내부적으로 연구, 개발하고 있고 프로젝트를 하면서 얻은 기술을 IP로 쌓아가고 있다. 경우에 따라서 어떤 기술은 논문으로도 가치가 있다고 느껴지면 논문도 제출하고 있다.○ 가장 첫 단계로 기계 데이터 분석(Machine Data Analytics)이 이루어진다.• 센서 & 시계열데이터 분석 기술○ 다음 단계에서 △비정상 행위 탐지(Anomaly Detection), △시간 예측(Event Forecasting), △근본 원인 분석(Root Cause Analysis), △공정 최적화(Process Optimization)가 이루어진다.• 패널 이미지에서의 결함 추정• SVD 분해를 이용한 태양열 예측• 바이오리액터(생물 반응 장치) 자율제어• NNM(Neural Network Model, 신경망 모형)을 이용하여 다양한 제조 장비 환경에서 이상징후감지• 딥 러닝 모델에 기반하여 자산 고장 예측하기 위해 준 감독 학습○ 마지막으로 4개 핵심기술 △Active Learning, △Deep Learning, △Continual Learning, △Reinforcement Learning이 활용된다.• Continual Learning을 사용한 이상징후 감지• Layerwise Information: loss-based 이상치 탐지• 산업 데이터에 대한 딥 러닝 분석• Class-labeled 이상치 탐지• 딥 러닝 모델을 이용한 데이터 라벨링○ 프로젝트를 할 때 필요한 모델을 구현하거나 누군가가 구현해 놓은 코드를 활용하는 경우가 있는데, 두 경우 다 검증이 안된 것이라는 문제점이 있다.따라서 마키나락스는 자체적으로 자주 쓰이는 모델을 구현하고 검증도 마쳐서 필요할 때 신속하게 활용할 수 있게 한다. 또한 구현해 놓은 모델에 새로운 구성요소를 붙여서 융통성 있게 활용할 수 있도록 한다.▲ Core to Applications[출처=브레인파크]◇ 다양한 부문에 적용되는 산업용 AI○ 일반적인 제조업이 아니라 반도체, 배터리 등 수백 가지 공정까지 가는 여러 가지 변수를 가진 제조 과정이 관련되어 있는 산업을 High Complexity 산업이라고 한다. 딥러닝 기술이 유의미하다고 보는 4가지 산업분야는 다음과 같다.• 반도체 & 디스플레이(Semiconductor & Display): 장비예측정비(PdM), 가상계측(VM), HVAC(Heating, Ventilation, Air Conditioning: 공기조화기술) 최적화• 화학, 제약(Chemicals & Pharma): 프로세스 자동조종장치, 품질검사, 장비예측정비(PdM)• 자동차, 자동차 부품(Automotive): 로봇예측정비(PdM), 조직상 결함 감지, HVAC 최적화• 파워 & 에너지(Power & Energy): 태양열 & 풍력 예측, 배터리 응용프로그램, 발전 최적화◇ 최소 12시간 전 고장을 예측하는 Semicon Time-To-Failure○ 이러한 기술들이 실제로 공장, 산업에 쓰이고 있는 주요 프로젝트를 소개하면 다음과 같다.○ Semicon Time-To-Failure라는 프로젝트를 통해 반도체 세계 1위 장비 기업과 일하고 있다. 유명한 하이테크 기업의 시초가 실리콘밸리에 있어서 부지값이 매우 비싸고 수십억에서 수천억에 달하는 반도체 장비를 활용하는 기업이 많다.이들 기업은 부품이 망가지기 전에 교체, 공정을 바꿔주는 등 일을 해야 하는데 엔지니어들이 항상 24시간 대기하고 있을 수 없기 때문에 미리 예측할 필요성이 점점 커지게 되어 프로젝트가 시작되었다.프로젝트 시작시 다른 여러 경쟁사에 똑같은 데이터 원본을 주고 모델을 만들어보라고 했는데 결과적으로 마키나락스가 1등을 했다. 경쟁 업체 중에선 IBM USA, 실리콘밸리 스타트업 등이 있었다.○ 2년 이상 프로젝트를 진행해왔고, 3단계까지 왔다. Validation Pilot을 하고 있고 내년에는 추가적으로 더 구체적인 Development 프로젝트를 할 것이다.○ 최소 12-24시간 전에 고장을 예측・감지할 수 있고 30-50% 다운타임(정지시간)을 줄일 수 있다. 정확도는 90%이다. 이는 2년치 데이터(정상적인 이벤트, 실패한 이벤트 등) 중 90%를 정확하게 맞췄음을 뜻한다.○ 반도체 센서 종류가 보통 200-400개, 평균 300개가 있는데 300개 센서 데이터 값을 계속 받아보는 것은 실제 온라인 데이터로 하고 있다. 프로젝트의 고도화가 이렇게 진행되고 있다.◇ 완성차 제조현장의 로봇고장 예측 프로젝트○ Robot Arm Anomaly Detection 프로젝트도 고장을 예측하는 프로젝트인데, 완전히 다른 산업인 완성된 차를 제조하는 공장에서 쓰이고 있는 산업용 로봇의 고장을 예측한다.매번 다른 산업을 접할 때마다 도메인 지식과 여러 기술이 필요한데, 이 경우 Semi-supervised Novelty Detection 기술을 가지고 동일한 컨셉을 로봇 팔에 적용했다.○ 로봇 팔은 평균 1억 2천만원 정도이며 그 자체로는 고가의 장비가 아니다. 그래서 창고에 부품을 쌓아놓고 고장이 나면 정비사가 갈아끼우는데 30~40분도 걸리지 않는다.문제는 외국은 1분당 차가 한 대씩 완성되기 때문에 자동차 라인에서 로봇이 수십대에서 수백 대가 늘어져 있고 다운타임이 30분 이상 생기면 어마어마한 손실이 발생한다는 점이다. 따라서 고객사에서 사용하고 있는 로봇의 고장을 최소 3~5일 전에 알았으면 좋겠다는 요구가 있었다.○ 작년까지 쓰인 산업용 로봇이 260만대가 있고 매년 15%씩 증가할 것이라는 산업연구결과가 나오고 있다.○ 반도체가 300가지의 여러가지 다른 데이터 값을 사용했다면 로봇 팔은 순간전류값만 가지고 모델을 만들 수 있었다. 순간전류값은 그 축에 있는 센서에서 나오는 로봇의 표준값인데 Kawasaki, Denso, Honda, ABB, 유니버설 회사에서 순간전류값으로 토크(Torque)를 계산한다.○ 일본 로봇 제작사와 인터뷰도 하고 벤치마킹도 시도해봤는데 그들이 쓰는 룰에 따라 필요한 센서 값, 실험을 통해서 그리스에서 나오는 철 농도를 계산한 값을 사용하고 있었다.앞으로 방향은 PdM 솔루션이고 예지가 아니라 예방에 집중한다고 한다. 추가적인 센서, 바이브레이션을 메이커 회사의 부품 뿐만 아니라 타사에서도 유사한 데이터를 뽑아낼 수 있을지를 고민하고 있다.○ 정확도는 90%이며 5일전에 고장을 감지할 수 있다. AI 솔루션(Edge와 클라우드 관련)을 활용하며 몇백만 달러를 절감하는 효과를 낸다.◇ 초기 단계의 결함을 검출, 큰 손실을 예방하는 프로젝트○ Auto Body Defect Detection프로젝트는 프레스 기계로 자동차 부품 중에 하나인 보닛, 루프를 만드는 제조현장에서 자주 겪는 이슈인 금속판에 스크래치가 생겨날 때 CNN 기술을 사용해서 외관 검사하는 프로젝트이다.○ 결함이 있는 부품을 계속 조립한다해도 마지막 단계인 품질단계에서 제품으로 출시될 수 없기 때문에 처음 단계로 다시 되돌아가야 한다.당시에는 제조현장에서 엔지니어들이 육안으로 확인해야 했는데 마키나락스의 모델을 활용함으로써 앞으로는 전수 확인이 가능하다. 초기 단계에 결함을 빨리 검출해서 향후에 있을 큰 손실을 미리 예방하자는 취지에서 진행했다. 정확도는 95%에 달한다.◇ 계량 데이터에 기반한 공정 최적화 프로젝트○ 미생물 공정 자동조종장치(Microbial Process Autopilot) 프로젝트는 제약사에서 미생물을 직접 키워서 거기서 나오는 바이오 물질을 제약을 생산하는 데 쓰는데 미생물의 생산을 담당하는 주요 장비가 바이오리액터이다.미생물이 잘 자라서 필요한 바이오 물질이 나오도록 사람이 parameter setting을 계속 하면서 최적의 조건을 맞춰줘야 하는데 지난 과거의 데이터를 기반으로 최적의 모델을 만들어서 자동으로 조정할 수 있게 해달라고 고객이 요청해서 POC도 성공적으로 맞추고 모델을 만들었다.올해 연말에 2단계를 진행할 예정이다. 제약사 뿐만 아니라 바이오리액터를 사용하는 곳이면 다 적용할 수 있다고 보고있다.○ 리튬 배터리 결함 예측(Li+Battery Defect Prediction) 프로젝트는 리튬 배터리 셀메이커와 진행했던 프로젝트. 배터리 수율을 높이기 위해 제조공정에서 공정인자 중 어떤 것이 결함에 영향을 주는지 결함에 대한 분석을 요청해왔다. POC는 끝나고 추후 2단계를 진행할 것이다. 정확도는 90%이며 정렬되지 않은 데이터 원본으로부터 결함 요인을 분석할 수 있다.○ 태양열 발전량 예측(Solar Power Prediction) 프로젝트는 커머셜 프로젝트는 아니었고 동서발전, KTX 한국전력거래소에서 경진대회를 각각 열었다.동서발전에서는 태양광 발전량을 예측하는 분야로 최우수상을 받았다. 날씨가 좋을 때는 발전량을 예측하기가 쉽지만 흐린 날에는 정확도가 50% 이하로 떨어진다.그래서 흐린 날 어떻게 예측 정확도를 높일 수 있는지에 대한 창의적인 아이디어였다. 마이크로 날씨 데이터, 위성사진을 추가적으로 분석해서 정확도를 높이는 데 마키나락스의 기술을 적용했다. 이 부분에서 한국전력거래소에서 장려상을 받았다.
-
□ 연수내용◇ 컴퓨터공학을 기본소양으로 AI의 근간을 쌓는 미국 대학○ 미국 대학에서는 AI의 근간이 되는 컴퓨터공학이 이미 기본 소양으로 여겨지고 있다. MIT 학생 중 컴퓨터공학 전공과학을 듣는 학생은 지난해 기준 50%에 이르고 스탠퍼드대 공대생 중 컴퓨터공학 전공자는 45% 수준이다. MIT, 스탠퍼드, 카네기멜런, 워싱턴대 등은 공동으로 AI를 교육하는 프로그램을 운영하고 있다.○ 미국 캘리포니아 버클리대(UC버클리)는 2015년부터 데이터 사이언스를 연계한 대학원 전공 과정을 운영하고 있다.데이터 사이언스는 엄청난 양의 빅데이터를 분석하기 위해 AI 기술의 핵심인 딥러닝(심층 학습) 등을 활용하는 기술이다. 알파고를 통해 딥러닝의 유용성이 입증되면서 최근 가장 각광받고 있는 분야이기도 하다.◇ 세계에서 3번째로 노벨상을 많이 배출한 UC버클리○ 1868년 10개의 캘리포니아 대학교 중 최초로 설립된 UC버클리는 2019년 U.S. News & World Report 세계랭킹에서 4위에 랭크되었다.107 명의 노벨상(2018년 12월 기준) 수상자들과 연고가 있는 UC버클리는 세계에서 3번째로 노벨상 수상자를 많이 배출한 대학교인 세계적 명문대학이다.○ 버클리 졸업생들은 여러 유명 기업들을 창업한 것으로 유명하다. 애플(스티브 워즈니악), 인텔(고든 무어), 마이스페이스(톰 앤더슨), 갭(도널드 피셔), DHL(래리 힐블롬), 구글 보이스(크레이그 워커)와 구글 어스(존 행크), HTC(쉐어 왕), 썬 마이크로시스템즈(빌 조이), BBN 테크놀로지(리처드 볼트), 마벨 테크놀로지 그룹(세핫 수타르자와 웨일리 다이), VM웨어(다이앤 그린과 멘델 로젠블럼), 일본 소프트뱅크(손정의) 등이 버클리 졸업생에 의해서 설립된 대표적인 회사들이다.◇ 버클리 대학 내 인공지능 관련 연구인력이 모인 인공지능연구소○ UC 버클리는 연구 중심의 종합대학으로, 7,000개가 넘는 강의와 300개에 가까운 전공을 제공하고 있다. 해마다 5,500명의 학사와 2,000명의 석사, 900명의 박사를 배출한다.▲ UC버클리[출처=브레인파크]○ 버클리 인공지능연구소는 △컴퓨터 비전 △기계학습 △자연어 처리 △계획 △로봇공학 분야에 걸친 UC버클리 대학 내 연구인력이 모인 연구소다.○ 30여 명의 교수진과 200여 명의 대학원생은 멀티모달 딥러닝(Multi-modal deep learning)과 인간-호환 AI와 관련한 최첨단 기술들을 연구하며 AI와 다른 과학 분야 간 접목을 위한 연구도 진행한다. 연구진은 인공지능 관련 연구를 진행할 때 최대한 다양한 접근법을 활용하고 있다.○ 연구소는 최첨단 AI 연구 가속화를 위해 ‘BAIR Open Research Commons’라는 새로운 산업 제휴 프로그램을 시작했으며 연구진은 Commons 협정을 기반으로 제휴 산업 파트너와 공동으로 그리고 균등하게 지적 재산을 공유하면서 협력적인 공동 프로젝트를 진행한다.○ 후원기업으로는 아마존, 페이스북, 구글, 마이크로소프트, 삼성, 웨이브 컴퓨팅 등이 있으며 이들 기업은 프로그램의 초기에 BAIR 시설과 연구 노력을 지원할 20개 이상의 공동 프로젝트에 대한 기금을 조성했다.○ 기존 학과와 학부들은 그대로 놔둔 채 이들을 모두 아우를 수 있는 `디비전`이라는 개념을 만들어 학부생들이 전공과 관계없이 데이터 사이언스를 학습할 수 있도록 한다.◇ AI분야 고전논문상을 수상한 존케니교수의 지도를 받는 김진규학생○ 버클리대 인공지능연구소 방문은 컴퓨터공학과에서 박사과정에 있는 김진규 학생과의 간담회 형태로 진행되었다. 김진규학생은 고려대학교 전자공학과 학사, 석사를 거쳐 현재는 존 케니 교수(Prof. John Canny)의 지도학생으로 연구 중이다.존 케니 교수가 석사 과정 때 발표한 논문이 컴퓨터 비전 쪽에서 가장 많이 읽힌 논문으로 유명하며 2002년 인공지능분야에서 가장 영향력있는 논문상을 수상하기도 했다. 지금은 CS 학부장이다.○ 김진규 학생의 연구분야는 AI, 컴퓨터 비전, MAPE 등을 하고 있고 어플리케이션으로 자율 주행을 연구하고 있다. 특히 Advisable AI를 많이 하고 있고 DARPA에서 AI 관련 세미나를 열었을 때 직접 연구내용도 발표했다.○ 버클리로 오기 전에는 컴퓨터 이미징, Data Mining, 물리경제학 등 관련 연구를 진행했으며 현재는 DARPA 프로젝트로 자율 주행을 연구하고 있다. 병역특례로 LG Display, 삼성, 팬텀AI, 혼다, Waymo에서 인턴을 했다.○ 주요 이력• niversity of California, Berkeley, PHD IN COMPUTER SCIENCE (ADVISOR: PROF. JOHN CANNY)• Korea University, MS IN ELECTRICAL COMPUTER ENGINEERING (ADVISOR: PROF. SUNGROH YOON)• Korea University, BS IN ELECTRICAL ENGINEERING, Summa Cum Laude (GPA: 4.45/4.5)○ 발표논문• 2018.10. 「Explainable Deep Driving by Visualizing Causal Attention」, Jinkyu Kim and John Cann, The Springer Series on Challenges in Machine Learnin• 2018.09. 「Textual Explanations for Self-Driving Vehicles」, Jinkyu Kim, Anna Rohrbach, Trevor Darrell, John Canny, and Zeynep Akata, ECCV• 2017.12, 「Show, Attend, Control, and Justify: Interpretable Learning for Self-Driving Cars」, Jinkyu Kim, Anna Rohrbach, Trevor Darrell, John Canny, and Zeynep Akata, NeurIPS Symposium• 2017.10, 「Interpretable Learning for Self-Driving Cars by Visualizing Causal Attention」, Jinkyu Kim and John Canny, ICCV◇ 자율주행의 취지와 흐름○ 자율주행은 교통사고를 줄이는 것, 사람들의 운전시간을 줄이고, 주차장에 쓰이는 공간을 줄이자는 취지를 갖고 있다.우버의 자율주행은 볼보 차체에 자율주행 센서와 컨트롤 유닛을 달아서 자율주행 차를 만들었다. 트럭에도 진행 중이었는데 최근에 우버에서 트럭에 대한 자율주행 사업은 중단했다. 자율주행 분야로 투자를 많이 했으나 트럭 대신 일반자동차에 집중하고 있다.○ Waymo는 일반자동차와 트럭 모두 진행하고 있다. 대부분의 자율주행 차가 상위단에 라이더센서를 두고 360도로 레이저를 쏴서 주변에 무슨 물체가 있는지 감지한다.카메라가 앞, 뒤로 6개정도 달려 있어서 주변 시야를 확보한다. 레이더 센서는 요새 차에 다 들어가 있는데, 고속도로에서 자율주행하는 차는 모두 레이더를 쓰고 있다. 또한 보통 트렁크에 컴퓨터를 실어 넣는다. 최근에 재규어에 레이더를 달아서 실험하고 있다.○ Waymo는 피닉스 지역에서 서비스하고 있는데, 리프트와 연결해서 리프트에서 자율주행차를 불러올 수 있게 한다. 센서에서 정보를 취합한 후 컴퓨팅하고 자동차로 컨트롤한다. 우버의 앱, 구글 맵으로 차량을 호출하면 내비게이션도 해준다.◇ 인식-예측-통제로 이루어지는 자율주행○ 자율주행은 크게 인식(Perception), 예측(Prediction), 통제(Control)의 과정을 거치는데 첫 번째 인식(Perception)은 센서가 들어오면 Perception 모듈을 가장 먼저 거친다. 어떤 물체가 어디 있는지를 판단하는 단계이다.○ 사람이 지나가는 경우, 자전거나 차량이 지나가는 경우도 모두 감지한다. 라이더 센서로 3D 바운딩 박스를 찾고, 카메라를 사용해서 신호등을 구별한다.라이더 센서를 쓸 때 최대 200m 거리의 차량과 사람을 모두 감지한다. 감지 문제는 거의 다 해결됐다고 보고 있다. 차량은 빨간색 바운딩 박스로 사람은 노란색 바운딩 박스로 표시하고 2년 전까지는 카메라로 감지를 많이 했으나 최근에는 라이더로만 감지를 한다.○ 문제는 기존에 생각하지 못했던 감지문제들이다. 예를 들어 경찰관의 수신호(다른 방향으로 가라는)나 미국은 구급차가 오면 무조건 비켜줘야 하기 때문에 구급차 소리가 들리고 차가 자기 쪽으로 올 경우 피해야 되는지 아닌지 등에 대한 감지로 연구가 진행중이다.○ 예측(Prediction)은 물체가 어디로 갈지 판단하는 과정으로 차가 차선을 변경할 것인지, 사람이 어디로 움직일 것인지를 예측하여 어느 차선으로 움직여야 할지 Planning을 한다.○ 통제(Control)는 어디로 갈지 정해진 상태에서(perception, prediction 과정을 거친 후) 문제가 없는 과정이다. 20년 전부터 실행되어 왔다.○ 자율주행에서 문제가 되는 것은 prediction과 planning 부분이다. 연구 주제와도 연결되어 있어 Waymo와 우버에서도 대학과 협력을 원하고 Waymo에서 Planning을 연구하는 버클리 교수님을 초빙하기도 했다.○ Waymo는 피닉스 지역에서 운전자 없이 사용자가 자율주행차를 호출해서 갈 수 있도록 서비스를 6개월 전에 시행해서 지금 계속 테스트 중이다.◇ 상용화 경쟁중인 자율주행○ 자율주행에 있어 너무 많은 복잡한 정보를 주면 사용자가 혼란스러울 것이고, 너무 간단한 정보만 주면 사용자가 받아들일 정보가 없기 때문에 사용자에게 어떤 정보를 줘야 하고 어떤 정보는 주지 말아야 하는지 고민하고 있다.○ 캘리포니아는 법적으로 운전자가 앉아 있어야 해서 두 사람이 앞자리에 앉아있는데, 한 사람은 만일의 사고에 대비하여 핸들을 잡을 준비를 하고 있고 옆 사람은 안에서 감지 활동을 점검하고 있다.신호등 감지가 중요한데, 옆 사람이 빨간색이라고 소리 지르면 차가 빨간색을 감지했다는 걸 알기 때문에 핸들을 잡지 않는다. 하지만 옆 사람이 감지가 안됐다고 말하는 순간 바로 핸들을 잡고 조종할 것이다. 법이 풀리면 캘리포니아도 운전자 없이 테스트해보지 않을까 생각한다.○ 그래서 테스트가 굉장히 중요하고 온라인 테스팅은 차를 계속 굴리면서 문제가 있는지 없는지 판단한다. Waymo의 소프트 엔지니어로 들어가면 10분에 한 번씩 버그 메일을 받는다. 버그가 발생했으니 해결하라는 메일이다. 엔지니어는 버그를 없애는 작업을 계속 한다.○ 다음으로 오프라인 테스팅을 한다. 시뮬레이터 환경을 만들어서 여러가지 시나리오를 테스트한다. 실제 차를 돌려보기도 하고 기존에 보지 못한 인풋의 새로운 이미지가 있는지 판단한다.○ 차량, 사람, 차가 어디로 움직일 수 있는지에 대한 레인, 횡단보도, 정지신호 등의 정보를 다 가지고 있는 맵이 있다. HD 맵을 한국에서 만들려고 한다고 들었다. 그러한 맵이 만들어지면 자율주행 차에 적용하여 테스트할 수 있을 것이다.○ 현재 자율 주행은 크게 Waymo, Uber, Zoox, Cruise가 앞서 나가고 있으나 서로 협력하지는 않는다. 경계선을 만들어서 서로의 기술이 유출되지 않도록 하고 있다.자율주행차는 곧 상용화될텐데, 누가 먼저 상용화하느냐에 따라서 그 시장을 다 차지하지 않을까 생각한다. 그 점을 Waymo와 우버도 알고 있고 서로 먼저 시장에 내놓기 위해 노력하고 있다. Waymo는 라이더 센서, 카메라 센서 등 모든 센서를 직접 만들고 있다.▲ 우버의 자율주행차[출처=브레인파크]□ 질의응답- 카메라 센서에 특정한 무언가로 인해 완전히 오작동이 일어나는 경우는."그건 딥러닝에서 문제가 되는 부분이다. 인풋에 노이즈를 꼈을 때 감지가 잘 안 되는 경우가 발생한다. Waymo는 카메라를 사용해서 딥러닝을 돌리고 있진 않고 정말 기초적인 방법으로 신호등을 찾고 있다.가령 본인의 차 위치를 알고 있고 HD 맵도 알고 있으면 신호등이 어디 있는지도 알고 있기 때문에 카메라에서 위치만 따로 빼와서 빨간불인지 초록불인지만 판단한다."- 레이더와 라이다를 쓰면 나오는 비용이 어느 정도인가?"카메라로 계속 해왔지만 한계는 있다. Waymo와 Uber가 라이더로 바꾸고 나서 감지가 너무 잘 돼서 성과가 좋아졌다. Waymo가 라이다 센서를 만들고 있다. 그 말은 직접 커스터 마이징을 해서 가격을 낮추겠다는 뜻이다.어느 가격까지 떨어뜨렸을 때 수익을 얻을 수 있는 테이블이 있다. Planning은 현재 룰 베이스이다. 관련된 룰을 하나씩 하나씩 얹고 있는데, 예측할 수 없는 상황에서는 어떻게 해야되는지에 관한 문제가 있다."- 카메라에 한계가 있다고 하셨는데 어떤 한계가 있는 건가? 카메라에 오물이 묻거나 비가 오는 경우에 안전 관련 감지가 있는지."그래서 3가지 센서를 쓰는 것이다. 라이다 센서, 카메라, 레이더. 이 중 하나가 고장나도 다른 것이 작동할 수 있도록 3가지를 쓴다. Waymo 차량의 상위 단에 와이퍼가 안에 있다. 비가 오면 물기를 닦아낸다."- 자율주행 트럭이 자율주행 차보다 더 빨리 상용화될 수 있을 것 같은데, 기술적인 측면에서 성공적이지 않아서 포기한 것인지."Waymo와 우버가 본인들이 기술을 만들었을 때 그 기술로 인해 생기는 수익 예상치가 있다. 일반 차량에 자율주행기능을 넣었을 때의 수익이 트럭에 넣었을때보다 4배 더 높다.기술적인 측면에서 차이가 큰 것은 아니지만 돈이 되지는 않는다. 고속도로 내에서 움직이는 것, 물류센터 간 이동하는 것만 자율주행으로 하고 나머지는 사람이 운전한다."- 신호등에 대해서 반응속도가 어떻게 되는가? 또한 여러 개의 신호등 중에 자기가 봐야 하는 신호등이 무엇인지 어떻게 아는지."반응속도는 10밀리세컨드이다. 0.1초에 하나씩 감지 결과가 나온다. 그래서 맵이 중요하다. 맵을 통해 여러 신호등 중 자기가 봐야 하는 신호등을 알 수 있다."- 센서 반경이 어느 정도인지."Waymo는 라이다 센서가 2개 있는데 하나는 멀리 보는 것(200m)이고 나머지 하나는 가까이 보는 것(50m)이다."- 아까 예시에서 운전자가 빨간 불이라고 말했을 때 핸들을 잡고 다시 자율주행으로 돌아갈 때 딜레이는 없는지."사람이 핸들을 잡으면 바로 사람이 운전하는 모드로 바뀌지만 자율주행 모드로 다시 갈 때는 정차해서 테스트한다."- 시뮬레이터가 필요한데 같이 작업하는지."시뮬레이터가 있고 그 안에서 기존의 Waymo 차량에 들어간 소프트웨어를 똑같이 돌릴 수 있게 해놨다. 차량 위치도 조정할 수 있다. 본인 차량 외에 차량이 움직이는 것은 간단하게 설계되어 있었는데 최근에는 사람처럼 움직이게 하려고 노력하고 있다."- computing이 얼마나 좋아야 하는가? Planning과 Control이 어떻게 다른지."Titan X 이상의 GPU가 2개 정도 있다고 보면 된다. 그거로 라이다 데이터를 분석하고 있고 그 뒤에 planning과 control을 담당하는 컴퓨팅이 따로 있다. 후자의 사양은 정확히 모르겠다.Planning은 본인 차가 어디로 가야 하는지에 대한 포인트를 갖고 있고, Control은 실제 steering angle과 액셀러레이터, 브레이크를 가지고 시간에 맞게 그 위치에 가게끔 해준다."- 예측할 때 어려움은 없는가? 예를 들어 사람이 이 속도로 움직일 거라고 생각했다가 사람이 갑자기 뛰거나 해서 속도가 변할 때."사람이 움직일 때 0.1초 간격으로 계속 감지를 하기 때문에 큰 문제는 없다. 문제가 되는 부분은 interaction이다. 사람이 가고있는 방향이 있는데 다른 차량이 사람 쪽으로 와서 사람이 움직여야 할 경우의 대응은 아직 없다. 이 부분에 대해서 연구논문들이 나오고 있지만 크게 좋아지지는 않았다."□ 프로젝트 발표 : ㅇㅇ대학교 ㅇㅇㅇ 학생◇ 연구분야○ ㅇㅇ대학교의 ㅇㅇㅇ 학생은 강필성 교수의 지도를 받고 있으며 같은 연구실에 5명의 박사과정 학생, 13명의 석사과정 학생들이 있다.○ 연구분야는 Data Science & Business Analytics로 텍스트, 이미지와 같은 구조화되지 않은 데이터 뿐만 아니라 구조화된 데이터도 다루고 있다.구조화된 데이터의 경우 안정적인 전력 소모를 위한 수요를 예측하고 있다. 실제 선박에서 장비를 가지고 촬영한 영상 클립을 이용해서 딥 러닝 기법 중 하나인 컨볼루셔널을 이용해서 해산의 파양 및 파고를 예측하고 있다.○ 뉴스 텍스트 감정 분석 모델 구축 프로젝트를 진행하고 있다. 단어에 대한 긍정・부정 사전을 구축하고 있다. CNN과 CAM을 이용한 감성분석 및 시각화, RNN과 Attention을 이용한 감성분석 및 시각화를 진행하고 있다.○ Stock Market Prediction: Hierarchical Attention Events를 활용하여 주가에 영향을 미치는 이벤트를 분석하고 있다. 구분 분석(Dependency parser)을 사용해서 뉴스 공장의 이벤트를 축출하고(Event Extraction), 이벤트를 이용하여 주가의 상승과 하락을 예측한다.◇ 연구사례○ 전반적인 연구에 대한 목표는 뉴스 기사 이벤트를 축출하여 타겟 시장의 방향성을 예측하는 것이다. 누가 누구에게 어떤 행위를 하는지(이벤트) 예측하기가 힘든데 이벤트를 축출하는 방법은 각 문장의 Actor, Action, Object를 파악하는 것이다.이를 Event Tuple이라고 한다. Event Tuple은 하나만 만들어지는 것이 아니라 여러 후보가 생기는데, 이 점을 보완하고자 버트의 language model을 이용하여 각 Tuple에 대해 스코어를 산출한다. 그 중 가장 적합한 Tuple을 선정하게 된다.○ 단계별로 살펴보면, 다음과 같은 예시 문장에 대해 룰 베이스, 구분 분석 등을 이용해 54개의 Tuple이 만들어진다.1. Tuple에 버트의 Mask language model을 적용하여 각 Tuple마다 마스킹 작업을 가한다.2. 마스킹된 Tuple을 가지고 Mask prediction을 가한 후 나온 확률값의 평균을 구한다.3. 이 평균이 가장 높은 Tuple을 최종적으로 산출한다.4. 축출한 Event Tuple을 가지고 Neural Tensor Network를 사용해서 Event Embedding을 한다.5. Actor, Action, Object가 입력으로 들어가고 최종적으로 Event Vector가 축출된다.6. NTN 모델에서 추출한 Event Embedding이 Hierarchical Attention Model의 input으로 들어가고, 중요도를 분류하는 Event-Level Attention, 시간적 맥락에 따라 가중치를 부여하는 Temporal Attention을 거치고 난 뒤 최종적으로 해당 주가의 상승과 하락을 분류한다.◇ 질의응답- 주가 예측하실 때 시간 맥락 (Temporal Attention)을 말씀하셨는데 시간에 따라 가중치가 달라지는건지."Input이 하루, 일주일, 30일 단위로 입력이 된다. 이런 정보를 반영해서 시간 단위에 따른 주가의 상승과 하락을 구별한다."- 뉴스 조회수에 따라서는 달라지지 않은지."현재 저희가 진행하는 것은 수치 데이터를 쓰는 것이 아니라 뉴스 텍스트 자체를 분석하는 것이기 때문에 다르다."- 뉴스 텍스트가 엄청 길 때 해석하기 위해서 Helper들이 나오고 있는데 그런 부분도 관여하는지."의뢰하는 쪽에서 문장 자체를 예측하는 것보다는 이벤트를 축출해서 시각화하고 주가를 예측하는 것을 요구하기 때문에 그 부분에 대해서는 생각해보지 않았다."□ 프로젝트 발표: ㅇㅇ대학교 ㅇㅇㅇ 학생◇ 연구분야○ ㅇㅇ대학교의 ㅇㅇㅇ 학생이 속한 연구소는 △제조공정에서 혐의 공정 탐지 △텍스트 마이닝(Text Mining) △헬스케어(Healthcare) △게임 AI(Game AI), 4개 연구분야를 진행 중이다.○ 개인적으로 참여하고 있는 연구는 고려대학교 응급의학과와 함께 미세먼지를 가지고 응급의학과 내원환자 수를 예측하고 어떤 날에 환자가 많은지 예측하는 일이다. 또한 NLP 관련해서 하나 시스템과 챗봇 플랫폼 만드는 데 기여하고 있다.◇ 연구배경○ 현재 진행중인 2개 프로젝트 외에 스마트 제조 관련 ㅇㅇ제강과 함께 진행했던 프로젝트를 중심으로 설명하면 최근에 반도체 공정, 철강 등 여러 제조공정에서 상당 부분 기술이 고도화됨에 따라 공정이 복잡해지고 있다. 미세한 원인과 혐의 공정을 찾아내는 것이 중요해졌다.○ 그리고 제조공정에서 품질 예측, 원인 분석은 항상 중요하다. 이에 최근 데이터를 더 얻기 위해 센서를 더 많이 박는 실정인데, 더 많이 늘어난 데이터를 분석하기 위해 해당되는 딥 러닝과 같은 방법론이 필요해졌다.◇ 연구모델○ 기존 연구는 변수의 중요도에 따라 원인을 산출했는데 Linear 패턴이 나타나지 않을 경우 적합하지 않다. 이번에 하게 된 제조공정에서는 다채널 데이터의 시계열 특성을 반영하기 위해 CAM(Class Activation Mapping)을 적용하였다.○ 문제의 정의는 처음에 시계열 데이터를 철강 공정에서 센서 데이터가 처음부터 끝까지 다 박혀 있는데, 거기에 있는 데이터를 수집하고 CNN의 성능이 유효한지 먼저 평가한다. CNN이 잘 나온다면 CAM을 사용해서 어떤 부분에서 혐의 공정이 일어났는지 원인 분석을 하는 절차이다.○ 하나의 센서를 수집하고 테이블에 넣는다. 동국제강에서 제공하는 전처리과정을 통해 수치를 정교화해서 집어넣었다. 다음 센서도 Time 1번부터 100번까지 쭉 똑같은 과정을 통해 모든 센서 값을 받아 내린다.○ CAM은 원래 이미지 데이터에 사용되는 방법론이다. 한 축은 센서, 다른 축은 시간 축으로 해서 2D 형태의 데이터를 구축했다.○ 회귀 모델에 있어서는 앞부분은 일반적인 convolutional layer를 계속 쌓는 것은 그대로고, 마지막 층만 CAM에서 fully connected(완전 접속)을 통해 바로 activation function(활성화 함수)로 뽑아내서 회귀 문제를 풀어내는 모델로 바꿨다.W값이 각각의 feature map에 대응하는 가중치 값인데, 각각의 가중치 값을 다 곱해서 마지막에 합산하면 원래의 이미지에서 어느 부분이 실제 class값을 예측하는 데 큰 기여를 했는가를 알아볼 수 있는 알고리즘이 있다. 회귀 구조에 맞게 변경시키는데, 소프트 맥스에 태우지 않고 fully connected로 Linear 회귀 구조로 바꾸었다.◇ 연구단계○ 첫 번째, 변수를 선택한다. 제품1, 제품2에서 제품1000까지 각각에 대한 CAM을 만든다. 합산 값을 다 더해서 전체 공정에 대해서 일괄적으로 혐의 공정이 나타날 만한 부분을 찾는 것이 글로벌 CAM이다.시간 축에 있는 모든 값을 다 더해서 테이블에 채워 넣고, 각 값의 합을 프로팅했을 때 임의의 한계점 이상을 갖는 값을 오름차순으로 정렬하여 위에서부터 아래로 센서들의 중요도를 판단한다.○ 두 번째로. 원인 구간을 선택한다. 시간 축에서 가장 높은 확률을 보이는 부분(Heat Map이 뜨겁게 나타난 부분)을 원인 구간으로 선택한다. 해당 원인구간으로 예측한 부분을 검증했는데, 위상 차이가 많이 났음을 확인할 수 있다.◇ 도전과제○ 글로벌 CAM을 단순 합산할 것이 아니라 Attention Mechanism을 통해 어떤 부분을 더 가중치를 둬야 하는지 연구할 의향이 있다. 각각 제품에 따라 다른 혐의 공정을 갖고 있기 때문에 단산 합산하는 것은 무리가 있기 때문이다. 다만 단순 합산을 했는데도 성능은 높게 나왔다.◇ 질의응답- 여러가지 방법론 중 CNN을 선택한 이유는."CAM이 CNN을 이용한 것이기 때문에 CAM을 구조로 쓰기 위해 CNN을 적용한 것이다. 타임 시리즈인만큼 RNN 구조도 충분히 사용할 여지가 있다고 생각한다."- 연구를 시작하는 단계에서부터 CAM을 사용하겠다고 설정하는지."처음에는 여러가지 모델을 적용시켰고 그 중 설명가능성이 높은 구조인 CAM을 사용했다. RNN은 추후 연구에 사용할 의향이 있다."□ 프로젝트 발표 : ㅇㅇ대학교 ㅇㅇㅇ 학생◇ 연구소개○ ㅇㅇ대학의 ㅇㅇㅇ 학생은 Machine Learning을 사용한 가정용 도시가스 상용 예측에 대한 연구를 발표하였다. 이 연구는 ㅇㅇ대 산업 AI 학생들과 ㅇㅇ에너지서비스와 함께 진행한 프로젝트다.ㅇㅇ에너지서비스는 한국가스공사로부터 천연가스를 공급받아서 가정, 산업현장에 도시가스를 공급하는 기업이다. 이 회사에서 해결하고 싶었던 여러 문제들 중 1가지를 선택하여 연구를 진행하였다.◇ 연구배경 및 목표○ 지역별 도시가스사는 한국가스공사로부터 천연가스를 공급받아서 가정, 산업현장에 도시가스를 공급한다. 이 때 지역별 도시가스사에서는 공급계획 수립과 한국가스공사와의 계약 물량 체결 등의 이유로 최소 2개월 전에는 사용량을 예측할 필요가 있다. 도시가스의 안정적 공급과 공급자의 비용절감 측면에서 도시가스 사용량 예측이 매우 중요하다.○ 여러 도시가스 용도 중 가정용은 기온과 시기 등 다양한 요인에 민감하게 영향을 받고, 세대마다 검침일이 달라서 측정오차가 발생하기 때문에 예측모델 개발이 어려운 문제가 있다. 따라서 저희는 가정용 도시가스 사용량 예측 연구를 진행하기 앞서 기존 관련 연구를 탐색했다.○ 도시가스 보기 초급에 수행된 연구를 제외하면 용도별 사용량 예측에 관한 최근 연구는 부족한 실정이다. 특히 가정용 예측 연구는 더욱 부족하다.그나마 있는 연구도 측정오차를 고려하지 않은 경우가 대부분이다. 기존 연구의 한계점을 극복하기 위해 측정오차를 고려한 머신러닝 기반 가정용 도시가스 사용량 예측 모델 개발 연구를 수행하였다.○ 최종적으로 사용량 예측을 통해 도시가스의 안정적 공급과 공급 비용 절감을 목표로 하고 있다.◇ 연구방법론○ 세대별 월별 사용량 데이터: 아파트, 단독주택 등 세대 유형별로 그룹화하고 각 그룹별 사용량을 산출한다. 원단위(세대 간 월별 평균 사용량) 경향, 세대 수를 고려해서 그룹화한다.○ 기온 및 기타 데이터: 검침 차수를 고려하여 검침 차수별로 기온 및 기타 변수를 산출한다. 그룹 내에서 검침 차수별로 데이터를 분리하고 분리된 데이터별로 원단위를 산출한다.가정용 도시가스 사용량은 검침량을 통해 산출되는데, 각 세대마다 검침 차수가 다양하기 때문에 검침차수를 고려하여 변수를 산출하는 기간을 조정한다.예를 들어 검침 차수가 1차수인 세대의 경우 8월 9일~9월 8일까지의 실제 사용량이 9월 검침량으로 기록된다. 1차수의 9월 평균 기온을 구할 때도 같은 기간을 고려하여 평균 기온으로 선출한다.○ 머신러닝에 기반 사용량 예측 모델 도출: 검침 차수별 변수를 통해 세대 유형 그룹별 평균 사용량을 예측하는 모델을 도출한다.예측 변수로는 기온 및 기타 변수를 사용하고, Linear Regression, Random Forest, Lasso, SVR을 활용하여 실험을 통해 가장 좋은 변수와 모델 조합을 최종 예측 모델로 선정한다. 본 예측 모델로 각 세대 유형 그룹별 원단위 예측 값이 산출된다.◇ 연구과정○ 방법론을 검증하기 위해 진행한 연구에서 사용한 데이터는 포항, 영덕, 울진 지역에 세대별 월별 도시가스 사용량 데이터이다. 2010~2018년까지 9년 동안의 데이터이며 검침 차수는 4차수까지 있다. 또한 포항, 영덕, 울진 지역의 일별 기온 데이터를 활용하여 사용량을 예측했다.○ 세대 유형별 그룹화를 하기 위해 세대 유형별 월별 원단위 변화를 살펴보았다. 아파트, 다세대, 다가구 유형이 유사한 원단위 경향을 보였고 원룸과 기타 유형이 유사한 원단위 경향을 보였다. 단독주택・아파트, 다세대 및 다가구・원룸 및 기타 3그룹으로 나누었다.○ 각 그룹 내에도 여러 검침차수가 있을 수 있기 때문에 그룹 내에 검침차수별로 데이터를 분리했다. 1그룹인 단독주택의 경우 대부분이 검침차수가 4차수에 해당해서 4차수 데이터를 단독주택 모델 개발에 활용했다.2그룹, 3그룹의 경우 대부분의 검침차수가 1-2차이기 때문에 1-2차수 데이터를 모델 개발에 활용했다. 각 그룹 내 검침차수별로 원단위를 산출했다.○ 검침차수별 기온 및 기타 변수는 검침차수마다 검침일이 다르기 때문에 기준을 정해주기 위해 대표일자를 선정했다. 이후 대표일자를 고려하여 검침차수별 각 기간 내에 기온 특성, 특정 기온 구간별 빈도수, 월 비율, 효율 및 비효율수와 같은 변수를 산출했다.○ 산출된 검침차수별 변수를 통해 세대 유형 그룹별 평균 사용량인 원단위를 예측하는 모델을 학습시켰다. 영덕, 울진의 경우 2014년부터 도시가스가 공급돼서 데이터가 부족했기 때문에 모델을 개발하기 어려웠다.따라서 포항 데이터만 모델 개발에 활용했다. 추후 영덕, 울진 지역의 사용량 예측할 때 2그룹 모델인 다세대 다가구와 원단위 경향이 가장 유사했기 때문에 2그룹 모델을 사용했다. 실험을 진행해서 가장 좋은 조합을 최종 모델로 선정했다.○ 결과는 1그룹인 단독주택의 경우 Linear Regression에서 MAPE 5.75%로 가장 좋았고 2그룹 모델에서는 Linear Regression MAPE 6.67%, 3그룹 모델에서는 MAPE 7.69%의 성능을 보였다.○ 검증을 하기 위해 가정용 실제 사용량과 비교를 시행하였다. 기존에 사용량을 예측할 때는 해당 월에 과거 3개년 평균 원단위를 예측 값으로 사용했는데, 기존 예측 값과 실제 사용량의 오차와 개발 모델의 예측 값과 실제 사용량의 오차를 구하고 두 오차를 비교하여 검증했다.○ 검증 결과는 전체 월에 기존 방법이 MAPE 11.1%, 개발 모델이 7.1%를 보여서 4%정도 개선된 결과가 나왔다. 도시가스는 난방에 주로 이용돼서 겨울철 사용량이 중요한데, 겨울철 사용량의 오차를 계산했을 때도 성능이 3% 향상되었다.◇ 연구결론 및 성과○ 본 연구를 통해 측정오차를 고려하여 세대 유형별로 그룹화를 통해 머신러닝 기반 가정용 도시가스 사용량 예측 모델을 개발하였고 포항, 영덕, 울진 지역에 실제 데이터를 활용하여 방법론을 검증해보았다.○ 추후 연구로는 모델 정확도 개선을 위해 추가적으로 예측 변수를 탐색할 것 같다. 더욱 다양한 지역에 도시가스 사용량 데이터를 활용하여 방법론을 검증할 것이다.◇ 질의응답- 가스 사용량은 계절별로 다를 것 같은데 계절별로 차이를 두지는 않았는지."기온 관련 변수를 통해 계절적 요인이 들어갔다고 생각한다. 또한 월별로 다른 사용량을 보이는 것을 확인했다. 월 변수, 기온 변수를 넣어줌으로써 계절 변수가 반영됐다."- 후보 예측 변수를 선정하는 기준은."데이터 탐색을 꽤 오랜 시간 진행해서 변수를 선택했는데, 평균 기온과 최저・최고기온을 먼저 기본 변수로 선정했다. 월과 효율・비효율 변수도 데이터 탐색을 통해 찾은 변수이다."- 그 외에도 원래 고려했지만 중요하지 않다고 판단되어 제외한 변수는."포항도 남구, 북구로 나뉘고 동, 서로 나뉜다. 지역적 요인도 고려했는데 탐색 시 유의미한 차이를 발견하지 못해서 변수에서 제외했다."- 가스 산출량을 정확히 예측하여 어떻게 공급 비용을 줄인다는 것인지."예를 들어 한국가스공사 코가스로부터 천연가스를 수입해서 영남에너지서비스와 같은 지역도시가스사가 개인에게 공급하는 실정인데 지역도시가스사가 예측을 해서 한국가스공사에 예측량을 넘겨줘야 다음에 받을 수 있는데, 예측을 너무 크게 하면 너무 많은 수입을 하게 된다.그렇게 되면 남은 가스에 대한 재고 비용도 생기고 지역별 도시가스사도 패널티를 받게 된다. 가스 산출량을 정확히 예측해서 한국가스공사에 넘기면 이런 비용적 측면의 패널티를 줄일 수 있다."
-
2021-06-22일본 재팬디스플레이(ジャパンディスプレイ)에 따르면 액정 디스플레이를 판매할 수 있는 새로운 시장으로 가상현실 분야가 부상하고 있다. 합리적인 비용으로 높은 해상도를 갖는 액정 디스플레이를 용이하게 확보할 수 있기 때문이다. 지금까지 VR 헤드셋은 완전히 새로운 콘텐츠 플랫폼과 생태계를 구축하지 못했다.그러나 2020년 페이스북의 오큘러스 퀘스트2가 출시되면서 상황이 개선되기 시작한 것으로 평가된다. 에이치티씨(HTC) 및 페이스북(Facebook)과 같은 주요 업체는 5년 전의 초기 OLED 디스플레이로부터 LCD 디스플레이로 이동했다.사용자 경험과 몰입도를 개선하기 위해 보다 경제적인 표준에 베팅했기 때문이다. 그 이유 중 하나는 OLED 제조업체가 소규모 시장을 놓고 경쟁하는 데 그다지 관심이 없기 때문이다.매년 수억 대가 판매되는 스마트 폰에 비해 인기있는 헤드셋조차도 수백만대 판매를 돌파하는 데 어려움을 겪고 있다.이러한 이유때문에 2020년 LCD 채택이 증가하고 향후 5년 동안 이 기술이 가상현실 디스플레이 시장을 지배할 수 있을 것으로 예측된다. ▲ 재팬디스플레이(ジャパンディスプレイ)의 홍보자료(출처 : 홈페이지)
-
2019-01-21중국 글로블 드론 제조업체인 DJI(Da Jiang Innovation)에 따르면 최신 Mavic 2 Pro 및 Mavic 2 Zoom 드론을 위한 DJI 스마트 컨트롤러를 개발했다. 이 컨트롤러는 DJI의 OcySync 2.0 비디오 전송기술을 사용한다. 드론이 화면에서 보고 있는 것을 실시간으로 표시한다.또한 2.4GHz와 5.8GHz 사이를 자동으로 전환해 장거리에서 안정적인 피드를 수신 할 수 있는 것으로 평가 받고 있다. 컨트롤러의 최대 동작 범위는 8km(4.97 마일)이다.DJI 스마트 컨트롤러는 최대 128GB의 microSD UHS-I Speed Grade 3카드를 지원한다. 4K 비디오 출력을 지원하는 HDMI 포트, USB 유형 C 포트 및 USB-A 포트가 장착돼 있다.컨트롤러는 1평방 미터당 1,000 칸델라의 Full HD(1080p) 5.5 인치 디스플레이로 구성돼 있다. 평균 스마트폰 화면(DJI의 이전 컨트롤러에 연결할 수 있음)보다 2배 밝은 것으로 분석된다.밝은 햇빛에서도 영상 확인이 용이하다는 장점을 갖고 있다. DJI 스마트 컨트롤러의 활용성의 증가를 통해 드론의 사용범위가 더욱 넓어질 것으로 전망된다.▲ China-DJI-Drone-Controller▲ DJI의 스마트 컨트롤러 홍보자료(출처 : 홈페이지)
-
2019-01-15일본 전기통신업체 케이디디아이(KDDI)에 따르면 삼성전자와 공동으로 5G용 28GHz대역을 사용해 4K 초고화질(UHD) 감시영상을 전송하는 테스트를 완료했다.와세다대(Waseda University), 게이힌(Keihin Corporation) 및 일본전기통신기초기술연구소(Advanced Telecommunications Research Institute International, 이하 ATR)도 이 테스트에 참여했다. 삼성전자는 5G 솔루션을 제공했고, KDDI는 5G 테스트 환경을 평가 및 설계하는 역할을 담당했다. 와세다대는 모니터링 시스템, VR고글 및 비디오 평가를 제공했다.테스트는 도쿄 오타에 위치한 하네다 공항 국제선 터미널 지하철역에서 2018년 11월21일에서 12월21일까지 진행됐다. 5G를 사용해 열차의 승객 안전을 향상시키는 방법을 보여준 것으로 평가된다. 특히 지하철역에서 의심스러운 사람이나 물체가 감지되면 서버에 표시된 수신된 4K 파일이 수집되고 분석된다. 사전에 위험을 감지하고 전반적인 안전을 개선할 수 있을 것으로 기대된다. 실시간으로 4K UHD 비디오가 수집되고 분석되면 끊임없이 영상을 모니터링하는 담당 직원의 부담을 일부 없앨 수 있을 것으로 판단된다. ▲ Japan-KDDI-5G-4K-Video▲ 케이디디아이(KDDI)와 삼성전자의 테스트 홍보자료(출처 : 홈페이지)------------------------------------------------------------------Samsung Electronics and KDDI are wasting no time adapting 5G to trains in Japan. The two have completed a test using 28 GHz to transmit 4K ultrahigh-definition (UHD) surveillance video on a train platform in Tokyo.The demonstration was conducted between Nov. 21 and Dec. 21 at the Haneda Airport International Terminal in Ota, Tokyo. Along with Waseda University, Keihin Corporation and Advanced Telecommunications Research Institute International (ATR), Samsung said it was able to demonstrate effective communications through 4K UHD video using a 5G base station.It’s certainly not the first time these two have conducted 5G demos on trains. Last year, KDDI and Samsung showed how they were able to download an 8K video via the CPE installed onboard a moving train.This latest feat demonstrates how 5G can be used to increase train passenger safety. The companies say that collecting and analyzing 4K UHD videos in real time will remove some of the burdens from the staff in charge of constantly monitoring footage. It also helps them in detecting dangers in advance and improving overall safety.During the demonstration, the video files collected from both 4K security cameras and security robots patrolling the station were sent via tablets using 5G, according to a press release. The files were then received by the base station to be displayed on the monitor and virtual reality (VR) goggles in the monitoring room. Detecting any suspicious people or objects at the station was made possible through collecting and analyzing the received 4K files shown on the server.The demo used Samsung’s 5G solution, and KDDI was responsible for assessing and designing the 5G test environment at the train station, which was provided by Keikyu. Waseda University provided the monitoring system, VR goggles and video evaluation.Separately, another 5G demo involving KDDI and Samsung was conducted at an elementary school, where they compared the differences between 5G tablets and Wi-Fi tablets in their ability to download and play back videos.A gym at Maehara Elementary School in Tokyo was set up with Samsung’s 5G network at 28 GHz to enable UHD videos. They also worked with the ATR.The students were given a chance to create their own videos and experience high-speed and large capacity transmission of large video files. At the same time, they verified the capabilities of 5G for this type of use case. KDDI was responsible for assessing and designing the 5G areas used in the trial, and ATR provided the testing infrastructure.
-
미국 파나소닉자동차시스템(Panasonic Automotive Systems)에 따르면 'CES 2019'에서 싱글 두뇌 조종석 도메인 컨트롤러 솔루션인 스파이디알(SPYDR) 2.0을 공개했다.SPYDR 2.0은 헤드업디스플레이(Head-Up Display, 이하 HUD) 통합기능을 구비한 드라이버 모니터링시스템(Driver Monitoring System, 이하 DMS)을 말한다.DMS 시스템은 운전자의 얼굴을 추적하고, HUD 미러를 조정하며, 사람의 얼굴 특징의 배치에 따라 수직으로 디스플레이할 수 있다. 이를 통해 운전자가 수동으로 디스플레이를 조정하지 않고도 이미지를 볼 수 있도록 한다.또한 SPYDR 2.0은 서라운드 뷰, 앰프, 프리미엄 오디오 향상 및 무접촉 개인화를 통해 강력한 비용절감 효과를 달성하도록 지원한다.SPYDR 2.0은 업계 최고의 스마트 기술 플랫폼으로 평가 받고 있다. 차량 제조업체는 SPYDR 2.0을 통해 향상된 확장성, 성능, 유연성, 개방성 및 시장출시 속도를 경험할 수 있을 것으로 기대된다.참고로 파나소닉자동차시스템은 일본 전자제품 회사인 파나소닉코퍼레이션의 자동차&산업시스템 회사(Panasonic Corp.'s Automotive & Industrial Systems Company)의 북미 자회사이다.▲ USA-PanasonicAutomotiveSystem-HUD▲ 파나소닉자동차시스템(Panasonic Automotive Systems)의 CES 2019 홍보자료(출처 : 홈페이지)
-
일본 전자제품 제조업체인 티디케이(TDK)에 따르면 차세대 올인원(all-in-one) 가상현실(VR) 플랫폼을 구현할 수 있는 VR센서 포트폴리오를 개발했다.모든 VR 시스템의 핵심 센서 요구사항은 HMD(Head-Mounted-Display)와 핸드헬드 컨트롤러 간의 정확한 정렬인데 이를 구현했다는 평가를 받고 있다.VR센서 포트폴리오는 고도의 정확성과 합리적인 가격이 특징이다. 특히 타이밍 지연을 해소해 진정한 몰입형 AR/VR 경험을 가능하게 할 것으로 기대된다. 주요 구성요소를 살펴보면 다음과 같다.첫째, InvenSense ICM-42688: HMD용 6축 모션 센서는 업계에서 가장 낮은 잡음지수를 제공한다. 전례 없는 정확도로 VR 헤드셋 이동을 측정할 수 있도록 고해상도 측정 모드만 구비했다.둘째, InvenSense ICM-42686: VR 컨트롤러용 6축 모션 센서는 확장된 범위 모션 측정 모드를 제공한다. 어떤 속도에서도 핸드헬드 컨트롤러(handheld controller)의 움직임을 정확하게 추적할 수 있다.셋째, Chirp Micro System의 초 저전력 CH-101 초음파 트랜시버: 핸드헬드 컨트롤러와 HMD 사이에 3D 위치를 제공하는 올인원 VR 시스템을 위한 비행시간 기반의 내부 추적 솔루션이다.넷째, TDK Sensor Fusion 소프트웨어: 센서 입력을 동시에 처리하고 모든 VR 하들웨어 구성 요소의 정확한 3D 위치와 동작을 설명한다.다섯째, TDK TMR 감지요소: HMD 및 컨트롤러의 방향 변경을 정확하게 결정할 수 있다.참고로 TDK는 CES 2019에서 차세대 올인원 VR 플랫폼을 선보일 예정이다. 또한 모바일, 웨어러블, AR/VR, 자동차, 사물인터넷(IoT) 및 산업용 애플리케이션을 위한 센서, 전자부품 및 솔루션의 포괄적인 포트폴리오도 제공될 예정이다.▲ Japan-TDK-VR-sensor▲ 티디케이(TDK)의 홍보자료(출처 : 홈페이지)
1