Embedding Convolution Neural Network-Based Defect Finder for Deployed Vision Inspector in Manufacturing Company Frontec

Kyoung Jun Lee Jun Woo Kwon Soohong Min Jungho Yoon, Embedding Convolution Neural Network-Based Defect Finder for Deployed Vision Inspector in Manufacturing Company Frontec, IAAI 2020 (The Innovative Applications of Artificial Intelligence Conference), 2020. (Pdf)

Abstract

In collaboration with Frontec, which produces parts such as bolts and nuts for the automobile industry, Kyung Hee University and Benple Inc. develop and deploy AI system for automatic quality inspection of weld nuts. Various constraints to consider exist in adopting AI for the factory, such as response time and limited computing resources available. Our convolutional neural network (CNN) system using large-scale images must classify weld nuts within 0.2 seconds with accuracy over 95%. We designed Circular Hough Transform based preprocessing and an adjusted VGG (Visual Geometry Group) model. The system showed accuracy over 99% and response time of about 0.14 sec. We use TCP / IP protocol to communicate the embedded classification system with an existing vision inspector using LabVIEW. We suggest ways to develop and embed a deep learning framework in an existing manufacturing environment without a hardware change.

인공지능 기업의 핵심 의사결정 요소 도출을 위한 Value Engine 모형화

이경전, 손동성, 인공지능 기업의 핵심 의사결정 요소 도출을 위한 Value Engine 모형화, 2020 한국경영정보학회 추계학술대회, 2020.

Abstract

Stabell & Fjeldstad(1998)의 가치배열(Value Configuration) 이론은 기업의 비즈니스 모델을 이해하고 분석하는데 유용한 세 가지 유형을 제시한다. 가치 상점(Value shop)은 고객의 특수한 문제를 해결하는 서비스를 제공하는 기업을 분석하는데 유용하고, 가치 사슬(Value chain)은 대량 생산 체제를 갖춘 기업 분석에 사용되며, 가치 네트워크(Value network)는 두 종류 이상의 고객을 매개함으로써 가치를 창출하는 기업에 적용된다. 가치 상점은 1차 산업 혁명 시기에 탄생한 소규모 상점, 가치 사슬은 2차 산업 혁명시기에 나타난 제조업, 가치 네트워크는 3차 산업 혁명 시기에 탄생한 플랫폼 기업으로 구분한다고 할 때, 본 연구에서는 4차 산업 혁명을 대표하는 인공지능 기업의 비즈니스 모델에 적절한 새로운 가치배열로서, 가치 엔진(Value engine)을 제안한다. 엔진이란 다른 에너지를 기계에너지로 변환하는 기계로, 엔진의 한 유형인 내연 기관(Combustion Engine)은 연료를 연소하여 운동에너지로 변환한다. 한편, Boisot & Canals(2004)은 지능을 가진 자연의 또는 인공 에이전트의 정보 처리 및 행동 메커니즘을, “세계로부터 자극을 입력받아, 감지 필터를 통해 데이터로 변환하고, 개념 필터를 통해 정보로 변환하며, 이를 내면의 가치 체계를 반영하여, 행동으로 의사결정하는 시스템”으로 모형화하였는데, 본 연구는 엔진 메타포에 Boisot & Canals(2004) 모델을 결합하여 AI 엔진을 모형을 제시하였다.
AI 엔진은 데이터를 연료로 활용하여, 가치를 고려한 의사결정을 통해 행동을 도출하는데, AI엔진에 기반하여 사업을 수행하는 기업을 가치 엔진으로 모델링한다. 가치 엔진 모델을 정립하기 위한 대표적인 기업 사례로 뤼이드(Riiid)를 활용하였는데, 뤼이드는 하나의 AI 엔진으로 특정 언어와 시험 영역에 관계없이 다양한 분야에 적용할 수 있다. AI 엔진을 가진 기업은 사용자가 늘어남에 따라 데이터가 축적되고 AI 엔진의 성능이 최적화되고 이에 따라 서비스, 비즈니스 모델, 제품 등의 경쟁력과 가치가 커지는 이른바 데이터 효과(Data effect)를 나타낸다. 본 연구에서는 뤼이드 뿐만 아니라, 뷰노, 비프로컴파니, 웨이모, 테슬라, OpenAI의 GPT-3, 수퍼빈, 플리토 등 여러 인공지능 기업의 비즈니스 모델을 가치 엔진에 따라 분석하였고, 분석 과정을 통해 가치 엔진의 5대 핵심 의사 결정 요소를 다음과 같이 도출하였다: 1) 데이터와 지식의 획득 전략, 2) 가치있는 목표의 설정과 확대 전략, 3) 추론 및 최적화 전략, 4) 인간-AI 협업 전략, 5) 시스템 유지 및 운영 전략.

다분야 서비스 가능 기계학습 엔진 비즈니스 모델 사례 연구

이경전, 손동성, 황보유정, 다분야 서비스 가능 기계학습 엔진 비즈니스 모델 사례 연구, 2020 한국지능정보시스템학회 춘계 학술대회, 2020.

Abstract

인터넷 기술의 발전이 플랫폼 비즈니스 모델을 발전시킨 것과 같이, 인공지능 기술, 특히 기계학습 기술이 과연 프로젝트형, 솔루션 모델을 넘어서 플랫폼 비즈니스 모델과 같은 새로운 비즈니스 모델을 발전시킬 것인가에 대한 산업과 학계의 관심이 늘어나고 있다. 본 논문에서는 에듀테크 기업 뤼이드(Riiid)사례를 통해 기계학습 엔진에 기반한 다분야 서비스 비즈니스 모델의 가능성을 탐색적으로 연구한다. 이 모델은 네트워크 효과에 기반하지 않는다는 면에서 인터넷 기반의 플랫폼 비즈니스 모델과 차별성을 가지며, 데이터 효과가 발생한다는 점에서 인공지능 기반의 비즈니스 모델의 중요한 특성 하나를 도출하며, 일반인공지능(AGI: Artificial General Intelligence)이 추구하는 것이 너무 이상적이고 기술중심적인 상황에 놓여 있는 것에 비해, 기계학습 엔진에 기반하여 다분야에 서비스를 가능하게 하면서 수익을 추구하고 있다는 면에서, 세계적으로 더 유명한 인공지능 기업들 보다 더 우월한 비즈니스 모델을 보여주고 있다.

사용자 중심 인공지능: 정의 와 접근방법(User-Centic AI: Definition and Approach)

이경전, 황보유정, 정백, 박경양, 박종일, 사용자 중심 인공지능: 정의 와 접근방법(User-Centic AI: Definition and Approach), 2020 한국경영정보학회 추계학술대회, 2020.

Abstract

인공지능 시스템의 성능을 높이기 위해 많은 데이터가 필요하지만, 개인정보 관점에서는 사용자 정보를 최소한으로 사용할 필요가 있다. 예를 들어, 인공지능 비서 서비스의 경우, 서비스의 수준을 높이기 위하여 사용자의 정보를 필요 이상으로 수집하여 프라이버시 침해의 우려가 제기되기도 했다. 이에 따라, 프라이버시를 최대한 보호하면서, 서비스할 수 있는 기술의 필요성이 대두되고 있는데, 구글의 경우 Federated Learning을 활용하여 서버에 개인정보를 전달하지 않으면서도 맞춤형 타이핑 서비스인 Gboard를 제공하고 있다.
본 연구에서는 사용자와 기업 모두의 데이터를 직접 공유하지 않고도 서비스를 가능하게 하는 User Centric-AI(UCAI) 구조를 제안한다. 즉, UCAI는 개인 사용자의 프라이버시를 보호하고(Privacy Preserving), 사업자(기업 사용자)의 데이터를 안전하게 상호 활용하면서도(Secure Collaboration), 적절하고 새로움을 주면서, 혜택을 주는(Relevant, Novel, & Beneficial) 서비스를 제공할 수 있는 인공지능 시스템의 구조를 지향한다.
UCAI의 한 구현 알고리즘으로, 사용자의 인적 정보를 활용하지 않고 구매정보만을 활용하면서, 단일 상점 관점에서는 부족한 데이터 상황을 보완하기 위하여, 여타 상점의 구매 정보를 반영하여 추천하는 외삽적인 협업필터링(Extrapolative Collaborative Filtering; ECF) 방법론을 개발하였다. ECF 알고리즘은 Matrix 기반의 M-ECF와, 실제 데이터를 카테고리화하지 않고 자연어 그대로를 활용하여 처리할 수 있도록 Vector 기반의 V-ECF 두 가지 형태로 개발하였다. 다양한 상점의 구매정보를 파악할 수 있는 결제 데이터를 활용하여 ECF 알고리즘을 개발하였고, 사용자 중심 결제 서비스를 제공하고 있는 H결제사의 데이터를 활용하여 알고리즘을 검증하였다. 연구 결과, 인적 정보를 사용하지 않고 오로지 결제 서비스의 수행을 위해 유지하는 구매정보만 가지고, 개인의 프라이버시와 각 상점의 정보를 노출하지 않으면서, 적절한 추천이 가능함을 확인하였다. 더 나아가, H결제사 데이터로 검증 시, 상품명을 카테고리화 하지 않고 자연어 그대로 활용한 추천 또한 가능한 것으로 확인하였다.

악성 댓글 분류 시스템 모니터링 연구: 네이터 클린봇 분석

유지웅, 황보유정, 손동성, 이경전, 악성 댓글 분류 시스템 모니터링 연구: 네이터 클린봇 분석, 2020 한국지능정보시스템학회 춘계학술대회, 2020.

Abstract

인공지능 기기의 오작동 및 편향성 문제 등 여러 부정적 영향에 대해 우려하는 목소리가 적지 않다. 본 논문에서는 네이버의 악성 댓글 분류기 ‘클린봇’을 분석하여 안정적으로 악성 댓글을 분류하는지 확인한다. 네이버 뉴스에서 댓글과 답글을 포함한 90,541건의 댓글을 수집하였고, 악성 댓글 분류 시스템 모니터링 절차에 따라 분석하여 안정성을 확인하였다.
수집된 댓글 중 클린봇에 의해 차단된 댓글은 총 1802건이다. 하지만 연구원들이 직접 분류한 결과 False Positive는 2864건으로 클린봇이 882건의 악성 댓글을 차단하지 못한 것을 알 수 있었다. 또한 False Negative는 8건이 잘못 차단되었다. 즉, 클린봇은 댓글을 대체로 과소하게 차단한다고 추측할 수 있다. Verification단계에서는 클린봇이 어떤 모델을 사용하고 있는지 추론하였으며, 같은 댓글임에도 불구하고 다른 결과가 나타나는 것을 통해 확정적인 규칙 기반 모델을 사용하지는 않은 것으로 판단하였다. 모델의 안정성을 평가하기 위해 댓글에서 사용된 비속어를 수집하여 비속어 사전을 구축하고, 이를 기반으로 변형된 비속어를 클린봇모델이 안정적으로 차단했는지 확인한 결과 변형된 비속어를 포함하는 악성 댓글의 차단율은 약 26.83%로 나타났다.

이미지 기반 품질 관리 기법의 스마트 팩토리 현장 적용 이슈와 전략

이경전, 권준우, 이미지 기반 품질 관리 기법의 스마트 팩토리 현장 적용 이슈와 전략 (Issues and Strategy for Deploying Image-Based Quality Management for Smart Factory), Entrue Journal of Information Technology Vol.17, No.1 / December 2019. (Pdf)

Abstract

콘볼루션 신경망 기술의 발전이 영상 기반 품질 경영에서의 전처리 부담을 많이 줄여주는 의미가 있지만, 콘 볼루션 신경망의 발전이 전처리 노력을 완전히 제거해주지는 못한다. 그러나, 조금만 훈련받으면 컴퓨터 비전 전문가가 아니더라도 영상 기반의 품질 관리를 할 수 있으며, 이에 기반하여 가변적인 생산체계에 빠르게 적응 할 수 있다. 스마트 팩토리에서 자동화된 품질관리를 현실에서 실제 적용하는 것은, 이 방법론들을 이해하고, 이를 일부 구현하여 적용하거나, 통합적으로 구현하여 완전 자동화하는 형태로 진행된다. 이 논문은 스마트 팩토리 환경에서 자동화된 품질 검사를 위한 이미지 기반 품질 관리 기법들을 개관하고 현실에 이러한 기법을 실제 적용하는 데에서 나타나는 이슈와 전략에 대해 토론한다.

제조분야 자동 품질 검사를 위한 딥러닝 기반 대형 이미지 분류시스템 개발 및 구축

김진호, 권준우, 황보유정, 이경전, 제조분야 자동 품질 검사를 위한 딥러닝 기반 대형 이미지 분류시스템 개발 및 구축 사례, 2018 한국지능정보시스템학회 추계학술대회, 2018. (Pdf)

Abstract

딥러닝 알고리즘의 발전에 따라, 다양한 산업분야에서의 딥러닝의 도입이 가속되고 있다. 제조분야의 경우 딥러닝을 적용하는데 있어 기존 적용 기술의 정확도를 상회해야 하며, 제안 된 시간내에 프로세스가 완료되어야 한다. 본 연구에서는 나사 제조 분야에서의 제약 조건 및 성능 조건을 만족하는 딥러닝 기반 대형 이미지 분류 시스템을 구축하였다. 결품 분류 공정 중 획득할 수 있는 대형 이미지 사진을 기반으로, 요구 조건인 분류 정확도 95%와 연산시간 0.2초를 만족할 수 있는 딥러닝 모형을 구현하였다. 이미지의 전처리를 위해 Hough Circle과 PCA를 사용하고, VGG 모형을 기반으로 CNN의 구조를 설계하였으며, 연산 속도 0.2초 내에 분류 정확도 99% 가 가능함을 확인하였다.

스마트 커넥티드 제품 기업의 인공지능 기반 Data to Money 비즈니스 모델 개발 : 가전회사 사례

권준우, 김진호, 황보유정, 이경전, 스마트 커넥티드 제품 기업의 인공지능 기반 Data to Money 비즈니스 모델 개발: 가전회사 사례, 2018 한국경영정보학회 추계학술대회, 2018. (Pdf)

Abstract

스마트 커넥티드 제품에서는 고객이 제품을 사용함 에 따라 발생한 데이터를 Edge Computing으로 구축 된 AI가 처리한다. 앞단에서 발생한 데이터는 기업 의 어플리케이션을 통해 사용자의 동의하에 기업의 데이터센터에 축적된다. 제품들을 통해 각 기업에서 는 센서 데이터 등 다양한 제품 데이터들이 수집 가 능하게 되었지만, 기업에서는 수집된 데이터를 통해 제품의 성능 업그레이드 등 내부 개선에만 사용되고 있다. 본 연구에서는 스마트 커넥티드 제품에서 획 득한 데이터를 기반으로 Data to Money 모델 (D2M) 을 정의하고 데이터 사업 모델의 유형을 6가지로 분 류하였다. D2M은 Card(1983)의 이론을 근거로 하여, Perceptual 모듈, Cognitive 모듈, Action 모듈로 구성하 였다. Perceptual 모듈은 데이터 분석을 통해 상황을 인지하는 모듈이다. Cognitive 모듈은 Perceptual 모듈 에서 인지한 상황을 통해 대응 방법을 결정하는 모 듈로, 고객의 컨텍스트를 유추한다. 마지막으로 Action 모듈은 Perceptual 모듈 또는 Cognitive 모듈의 결과를 기반으로 상황에 근거한 행동을 수행하는 모 듈이다. 본 연구에서는 다양한 비즈니스 문제를 정 의하고, 각 문제에 맞게 D2M을 적용하였고, B2B/B2C 기업, 공공기관 등에 판매하는 비즈니스 모델을 제 시하였으며, 스마트 커넥티드 기업이 AI 기반 O2O 플랫폼 회사로 나아가야 함을 제시하였다.