레서피 추가하는 만능 밥솥처럼 똑똑한 사물들, 기능혁명 일으키다

이경전.  (2014). 레서피 추가하는 만능 밥솥처럼 똑똑한 사물들, 기능혁명 일으키다. 동아비즈니스리뷰, 59-65. (PDF) in Korean

Article at a Glance

사물인터넷이 가져올 비즈니스 기회

  1. 기존 제품의 고부가가치화 (예: IoT 체중계)
  2. 기존 서비스의 확장 (예: 아마존 ‘Dash’)
  3. 시장 잠식에 대비하는 사물인터넷 활용 (예: 나이키 퓨얼밴드)
  4. 제품의 서비스화를 통한 비고객의 고객화 (예: IoT 화분, 구글 크롬캐스트)
  5. 고객 관계 관리(CRM)의 가능 (예: 박물관의 NFC 관람 지원 서비스)

제품/서비스 차원에서 예측 가능한 변화

  1. 진화 가능한 하드웨어의 등장과 소프트웨어 플랫폼의 중요성 증대
  2. 사용자 커뮤니티의 형성
  3. 중앙 조정이 가능해지고 이를 통해 하위 네트워크에 기반한 시장이 창출
  4. 빅데이터에 기반한 새로운 비즈니스 모델의 등장

 

Advertisements

인공지능, 경영 최적화의 한 방법 응용 기술 개발 못하면 의미 없어

이경전 (2017). 인공지능, 경영 최적화의 한 방법 응용 기술 개발 못하면 의미 없어. 동아비즈니스리뷰, 54-63. (PDF) in Korean

Article at a Glance

인공지능이라 하면 사람처럼 움직이는 로봇, 사람처럼 생각하는 컴퓨터를 떠올리지만 현실의 인공지능은 꼭 그렇게 복잡하고 섬세할 필요가 없다. 원하는 목표를 최적의 방법으로 달성하는 방법이 곧 인공지능이다. 인공지능 시대, 기존 기업이 해야 할 일은 다음과 같다.

  1. 현재 회사가 맞닥뜨리고 있는 문제들을 확인하라
  2. 이 문제를 해결할 수 있는 인공지능과 비인공지능 기법들을 실험/평가하라
  3. 인공지능 시스템을 도입할 경우 중장기적 목표를 갖고 움직이되 단기적 성과도 제시하라
  4. 인공지능의 한계를 이해하고 인정하라

접근 이력 기반의 하이브리드 세런디피티 추천 시스템

김영현, 한재윤, & 이경전. (2015). 접근 이력 기반의 하이브리드 세렌디피티 추천 시스템. 한국지능정보시스템학회 학술대회논문집, 28-28. (link)

ABSTRACT

본 연구에서는 사용자의 아이템 접근 이력에 기반한 하이브리드 세렌디피티 추천 시스템을 제안한다. 사용자가 접근하지 않은 아이템에 대한 선호도 예측에 관한 연구는 활발히 진행되었으나, 사용자에게 세렌디피티를 느낄 수 있게 하는 추천 시스템에 대한 연구는 여전히 해결해야 할 과제이다. 또한 아마존이나 넷플릭스와 같은 다양한 분야에서 널리 활용되고 있는 협업 필터링 기법은 새로운 사용자나 새로운 아이템을 추천 결과에 반영할 수 없는 콜드 스타트 (cold start) 문제를 가지고 있다. 따라서 본 연구에서는 콜드 스타트 문제를 해결함과 동시에 세렌디피티 추천 서비스를 가능하게 하는 하이브리드 세렌디피티 추천 시스템을 제안한다. 본 시스템은 두 가지의 추천 기법으로 이뤄지고, 각각은 사용자의 주위 환경에 따라 최적의 아이템을 추천하는 상황 기반 추천 기법과, 사용자의 최근의 아이템 접근 이력에 기반한 아이템 접근 이력 기반 추천 기법으로 동작한다. 다시, 접근 이력 기반 추천 기법에서는 사용자들의 아이템 접근 이력에 따라 각각의 사용자가 세렌디피티 서비스를 즐기는 사용자인지 아닌지를 판단하여, 사용자의 특징에 따라 추천하는 아이템을 다르게 설계한다. 본 연구에서 제안한 기법은 오픈 소스 (open source)인 Apache Mahout과 Apache Hadoop을 이용하여 개발하였으며, 시뮬레이션 결과 본 연구의 주요 목적 중 하나인 세렌디피티 성능은 기존의 일반적인 추천 기법보다 적어도 2배 이상으로 향상된 것을 확인하였다.

경영커뮤니케이션 방법으로서의 챗봇 사례분석

허미리, &이경전. (2017) 경영커뮤니케이션 방법으로서의 챗봇 사례분석. 한국경영학회  통합학술발표논문집, 제 19회 경영관련학회 통합학술대회.

비즈니스 챗봇 성공 사례 연구

허미리, & 이경전. (2017). 비즈니스 챗봇 성공 사례 연구. 한국지능정보시스템학회 학술대회논문집, 16-16. (link)

ABSTRACT

주요 글로벌 기업들의 인공지능 기반 챗봇 서비스 출시와 함께, 모바일 메신저의 대화형 커머스 플랫폼이 확장을 시도하고 있다. 챗봇이란, 음성이나 텍스트로 대화를 하는 프로그램(a computer program which conducts a conversation via auditory or textual method)으로, 인공지능기술을 탑재하고 메신저와 결합하는 형태로 발전하면서 많은 기업들에게 새로운 기회를 창출할 가능성을 제공하고 있다. 기업은 챗봇에 기반한 서비스를 고객에게 제공함으로써 비용절감과 매출증대 등의 효과를 기대하고 있으며, 고객은 시간대에 구애받지 않고, 대화형태로 각종 문의와 주문 등을 할 수 있다.는 장점을 기대한다. 그러나, 완벽한 대화를 가능하게 하는 인공지능 기술이 아직 개발되지 않은 상황에서, 기술 현황을 잘 이해하지 못하는 대중이나 기업들의 과도한 기대 그리고 챗봇 관련 기업들의 과장된 마케팅이 혼재하고 있는 상황이다. 본 연구에서는 국내 검색 포털사이트인 네이버에서 출시한 비즈니스 챗봇인 네이버 톡톡 사례를 수집하고 네이버 톡톡의 형태가 어떻게 변모, 발전해 왔는가를 통시적으로 고찰하면서 과거 제공된 서비스 상황이 어떠한 영향을 미쳤는가를 중심으로 사례를 수집하고, 챗봇 개발과 경영에서의 문제점을 제시하고 시사점을 도출하여 향후 연구 방향을 논의한다.

금융 시장 예측을 위한 앙상블 접근: 스태킹과 롤링 윈도우를 중심으로

한재윤, & 이경전. (2017). 금융 시장 예측을 위한 앙상블 접근. 한국지능정보시스템학회 학술대회논문집, 54-55. (link)

ABSTRACT

금융시장을 예측하는 것은 학문적, 실무적으로 큰 가치를 지니고 있지만 큰 어려움을 지니고 있다. 이를 해결하고자 최근 기계학습을 도입하였으며, 다양한 연구들이 진행되고 있다. 그러나 대부분의 연구는 단일 모델의 성능에 초점을 맞추고 있으며, 여러 모델을 결합하는 앙상블 접근법을 활요한 수는 매우 적다. 본 연구에서는 다양한 기계학습 모델들의 성능을 확인하고, 앙상블 기법으로는 스태킹(stacking)을 사용해 예측을 시도했다. 이 때, 데이터에 포함되어 있는 금융 시장의 변동성의 영향을 줄이기 위해, 로그 수익률과 타임래그 등의 데이터 전처리를 하였다. 또한 금융시장의 변동성에 의해 생기는 문제를 해결하기 위해 롤링 윈도우 기법을 사용하였고, 이는 모델 성능 향상에 큰 기여를 하였다. 실험 결과, 스태킹을 사용한 모델의 성능이 다른 단일 모델보다 뛰어났다. 또한 정확도, 결정계수, RMSE, MAPE 등의 다양한 평가의 관점에서 각각의 평가 기준에 대해 더 좋은 성능을 보이는 타임 래그와 윈도우 크기가 존재한다는 사실을 확인하였다.

앙상블 모델을 통한 인간과 인공지능 간의 최적 운용 시스템 제안: 투자회사를 중심으로

황보유정, 김진호, & 이경전. (2017). 앙상블 모델을 통한 인간과 인공지능 간의 최적 운용 시스템 제안. 한국지능정보시스템학회 학술대회논문집, 14-15. (link)

ABSTRACT

빅데이터 시대가 도래하면서, 다양한 데이터에서 규칙이나 패턴을 통해 의를 찾아내는 연구가 진행되고 있다. 다양한 머신러닝 기법들과 대용량 데이터 분석에 각광받고 있는 딥러닝 기법까지 빅데이터를 기반으로 연구되고 있다. 이렇게 다양한 방ㅂ버을 통하여 예측 모델을 만들어 사용하는 연구는 학계와 산업계에서 많이 연구되고 있다. 하지만 하나의 모델을 만드는 방법은 많이 연구되었지만, 다양한 모델들이 있을 때 어떤 모델을 사용해야하는가에 관한 연구는 많이 진행되지 않았다.

이에 본 연구에서는 다양한 예측 모델들이 있을 때 모델 선택(Decision) 관점과 모델 운영(Operation) 관점을 나누어서 연구하였다. 투자 회사의 예측 모델 선택과 운영 관점을 중심으로 18 개의 주가 지수를 사용하여, 다음날의 주가를 예측하는 예측력이 서로 다른 모델ㅇ르 3 개를 가지고 앙상블 연구를 진행하였다. LSTM, Ridge, LASSO Regression 3 가지 모델을 DNN (Deep Neural Network) 앙상블을 통해 예측력을 높일 수 있는지를 도출하고, 더 나아가 다양한 모델들이 있을 때 모델을 선택하고, 선택한 모델의 진출입까지 머신러닝 방법 중 하나인 의사결정나무 (Decision Tree)로 구현하고자 하였다.