Artificial Intelligence & Business Model Laboratory
이경전, 데이터 사이언스와 AI, 포스트휴먼과 융합: 5차 산업혁명의 문턱에서(공저) 1장, 한울아카데미, 2023.
‘데이터 사이언스와 AI’는 데이터 사이언스와 AI의 융합에 대해 다룬 글입니다. 이 글은 데이터 사이언스와 AI의 차이점, AI의 현황과 발전 및 사회적 영향, 그리고 데이터 사이언스 방법론과 AI가 융합되어야 할 필요성에 대해 언급합니다. 또한, AI의 도전과제 및 미래 전망, 윤리적 고려사항, 전문화되고 효율적인 AI 개발에 대해 강조합니다.
이경전, 사용자 중심의 지속가능한 인간 기계 상호작용, 인더스트리 5.0: 지속성장하는 혁신적 미래산업의 이해(11인 공저) 2부 1장, 인문공간, 2023.
‘사용자 중심의 지속가능한 인간 기계 상호작용’은 인간과 인공지능 시스템 간의 소통 방식의 진화와 그 영향에 대해 다룬 글입니다. 인공지능의 발전 및 인간-기계 간 상호작용 방식의 진화에 따른 인공지능 에이전트 기반의 서비스의 등장을 예고하고 있으며, 인공지능과의 상호작용 과정에서 발생하는 프라이버시 문제를 완화할 수 있는 연합 학습 기술의 필요성을 강조합니다. 또한, 사용자 중심의 인공지능(UCAI)이 어떻게 인간의 일상 생활에 통합되고, 이를 통해 인간과 기계 간의 상호작용이 어떻게 더 효율적이고 개인화될 수 있는지 설명합니다.
이건호, 정백, 박원송, 구이신, 이경전, 연합학습을 활용한 AI Sharing 플랫폼 시나리오와 비즈니스 모델 제안, 2023 경영정보관련 춘계통합학술대회, 2023.
Abstract
연합학습 기술은 AI 모델을 공유하여 학습한 가중치를 서버에서 집계하는 방식으로 데이터를 공유하므로, 데이터 자체를 공유하지 않아도 되기 때문에 개인정보 침해 등의 문제가 줄어든다. AI Sharing 플랫폼은 연합학습 기술을 활용하여 인공지능 모델을 학습하고, 이를 통해 새로운 수익을 창출할 수 있는 비즈니스 모델이다. 본 연구에서는 AI Sharing Platform 시나리오를 제시하고, 참여자 분석과 함께, 가치의 흐름과 수익의 흐름을 설명하고 있다. AI Sharing 플랫폼의 참여자는 Data Provider, AI Model Provider, AI Model Consumer, AI sharing Platform이다. Data Provider는 플랫폼에서 개발되는 AI Model을 자신이 보유한 데이터에서 학습할 기회를 제공하며, 개발된 AI Model의 판매 시 수익을 공유 받거나 구입시 할인 혜택을 받을 수 있다. AI Model Provider는 플랫폼에서 학습될 AI Base 모델을 제공하며, 개발된 AI Model의 판매수익을 공유 받는다. AI Model Consumer는 금전적인 비용을 지불하며, 개발된 AI Model을 제공받는다. AI sharing Platform은 학습하는 서버와 클라우드를 제공하며, AI Model 판매수익을 분배한다.
이 연구의 학술적인 기여로는 처음으로 연합학습을 활용한 플랫폼 비즈니스 모델을 제안하고 분석했다는 데에 있다. 특히, AI Sharing Platform 연구를 통해 좋은 품질의 데이터를 보유한 사회 주체가 실제 AI 개발에 적극적으로 참여할 수 있게 하는 조건을 엄밀하게 따져볼 수 있다.
Kyoung Jun Lee., Baek Jeong., Yujeong Hwangbo., Youngchan Kim., Sungwon Bae., & Taehoon Baek. (2022). AMPER(Aim-Measure-Predict-Evaluate-Recommend): The Paradigm of Digital Me. 23rd International Conference on Electronic Commerce.
Abstract
AI services can help people live healthier and richer lives, and such services can be
collectively referred to as Digital Me. The purpose of this paper is to research Digital
Me service and suggests AMPER (Aim-Measure-Predict-Evaluate-Recommend)
approach to implement a general Digital Me algorithm for providing actual services.
Digital Me is defined as an AI-based product service system (PSS) that makes it
possible to manage the individual’s state (health, beauty, memory, knowledge, finance,
and happiness, etc.) in real- time. We studied cases of Digital Me service of edutech
and healthcare. In order to enable a Digital Me service, it is necessary to measure,
predict and evaluate the user’s future states, and recommend actions to improve the
states. We developed a structure of a purely data-based algorithm that set a usercentric
aim (A), measures the user’s states (M), predicts the user’s future states (P),
evaluates and compares the user’s performance (E), and recommends desirable action
(R). As a result of experimenting with the proposed algorithm structure with EdNet
dataset, we verified the AMPER structure for the user-centric aim of improving the
user’s English score that measures the correct answer to the question solved by the
user, predicts the correct answer to the next question using Transformer model,
evaluates the user’s English ability, and recommends the question that will improve
English scores the fastest.
이경전, 정백, 황보유정, 김수현, & 양문호. (2022). 다중 상점 환경을 위한 사용자 중심 초개인화 추천 시스템의 쌍대로서의 타겟 마케팅 방법론. In KMIS International Conference (pp. 29-29).
한 상점의 관점에서 어떤 상품을 구매할 가능성이 높은 사용자를 추출하는 타겟 마케팅은 주로 사용자의 인구통계학적 정보를 기준으로 진행되어 왔다. 예를 들어, 20대 여성을 위한 의류 상품 추천, 40-50대 남성을 위한 건강식품 추천 등 나이와 성별을 중심으로 구매할 만한 상품을 추천하는 마케팅이 이루어지고 있다. 그러나 사용자의 인구통계학적 정보에 기반한 타겟 마케팅 방법은 엉뚱한 추천을 하는 등 성과에 있어 여러 문제가 있다. 예를 들어, 아이가 없는 사람에게 아기 기저귀를 추천하는 문제가 발생하는 것이다. 이에 본 연구에서는 사용자 중심 초개인화 추천 시스템의 결과를 그대로 활용하여, 타겟 마케팅을 하는 방법론을 제안하고자 한다. 본 논문은 사용자 중심 초개인화 추천 시스템을 통해 고객이 구매할 가능성이 높은 상품 리스트를 도출한 후 해당 리스트를 상품을 기준으로 교차하여, 상품을 구매할 사용자에게 타겟 마케팅 방법을 소개한다. 울산 지역 배달 및 주문서비스를 제공하고 있는 울산페달의 데이터로 제안된 방법론을 실험하였다. 예를 들어, 사용자 중심 추천 시스템을 통해 추천 상품 리스트를 확인했을 때, 20627번 사용자에게는 A스시집에서 판매하는 생연어초밥을, 27119번 사용자에게는 B카페에서 판매하는 크림카스테라가 추천되고, 이를 상품 기준으로 교차하면, A스시집에서는 생연어초밥을 구매할 가능성이 높은 20627번를 타겟으로 마케팅을 할 수 있고, B카페에서는 크림카스테라 상품을 27119번 사용자로 타겟하여 마케팅할 수 있는 것이다. 이러한 사용자 중심 초개인화 추천 시스템의 쌍대시스템으로서의 타겟 마케팅은 따로 시스템을 개발할 필요가 없다는 점에서 유용하다. 이러한 추천 시스템이 내놓은 정보를 활용하는 것은 사용자가 구매할 만한 상품을 추천하기 때문에, 사용자와 상점 모두에게 이득이 될 수 있는 구조가 있음을 확인하였고, 실제 데이터를 통해 그 구현 가능성을 확인하였다.
배성원, 정백, 황보유정, 이경전(2021). ECF 방법론을 활용한 Hybrid Filtering 추천 알고리듬 연구. 한국지능정보시스템학회 학술대회, 238-239.
Abstract
다양한 컨텐트 서비스들의 등장으로, 사용자들이 많은 컨텐트에 노출되고 있는 반면, 각 사이트들이 제공하는 컨텐트의 종류가 달라, 사용자의 성향이 각 사이트에 파편화되어 있다. 본 연구에서는 자연어 처리 방식 중 하나인 Word2Vec기반 ECF 방법론과 Doc2Vec을 활용한 내용 기반 필터링을 결합하여 하이브리드 필터링 방법론을 제안하였다. 그 결과, 본 연구에서 제안한 모델은 모든 사이트에서 Single 사이트 관점의 추천 성능 보다 Multi 사이트 관점의 추천 성능이 향상됨을 확인하였다.
배성원, 조은별, 정백, 황보유정, 이경전 (2021). Extrapolative Collaborative Filtering 실험 : 컨텐트 서비스간 협력 환경 적용. 한국경영정보학회 학술대회, 568-571.
본 논문은 Extrapolative Collaborative Filtering 방법론의 유용성을 컨텐트 추천 분야에서 확인하고자 한다. 컨텐트 서비스들은 개별적으로 운영되고, 그들간의 정보 공유가 이루어지지 않아, 타 서비스를 이용할 경우 다른 서비스에서의 자신의 성향이 반영되지 않는 한계가 있다. 이에 본 연구에서는 다양한 컨텐트 사이트를 이용하는 사용자의 편의를 위해 타 사이트간의 최소한의 협력이 있는 환경에서, 상호적 추천을 하는 Extrapolative Collaborative Filtering (ECF) 방법론이 유용한지를 검증하였다. 이를 위해 공개된 4개의 컨텐트 사이트 데이터셋을 확보하여 실험하였다. 그 결과, 적절한 협력을 하는 경우가 독자적으로 하는 것보다 추천의 성과가 향상될 수 있음을 확인하였다.
Kyoung Jun Lee, YuJeong Hwangbo, Baek Jeong, Jiwoong Yoo, & Kyung Yang Park. (2021). Extrapolative Collaborative Filtering Recommendation System with Word2Vec for Purchased Product for SMEs. Sustainability, 13(13), 7156. (Pdf)
Many small and medium enterprises (SMEs) want to introduce recommendation services to boost sales, but they need to have sufficient amounts of data to introduce these recommendation services. This study proposes an extrapolative collaborative filtering (ECF) system that does not directly share data among SMEs but improves recommendation performance for small and medium-sized companies that lack data through the extrapolation of data, which can provide a magical experience to users. Previously, recommendations were made utilizing only data generated by the merchant itself, so it was impossible to recommend goods to new users. However, our ECF system provides appropriate recommendations to new users as well as existing users based on privacy-preserved payment transaction data. To accomplish this, PP2Vec using Word2Vec was developed by utilizing purchase information only, excluding personal information from payment company data. We then compared the performances of single-merchant models and multi-merchant models. For the merchants with more data than SMEs, the performance of the single-merchant model was higher, while for the SME merchants with fewer data, the multi-merchant model’s performance was higher. The ECF System proposed in this study is more suitable for the real-world business environment because it does not directly share data among companies. Our study shows that AI (artificial intelligence) technology can contribute to the sustainability and viability of economic systems by providing high-performance recommendation capability, especially for small and medium-sized enterprises and start-ups.
이경전, 황보유정. 인공지능과 생산성. 정보과학회지, 38(11), 8-16, 2020. (Pdf)
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.
AI & BM Lab 
You must be logged in to post a comment.