ÆDZ³¹Ì·¡Æ÷·³°ú Áö´ÉÁ¤º¸»ê¾÷Çùȸ°¡ ÁÖÃÖÇÏ°í KAIST»êÇÐÇù·Â´Ü, °æ±âµµ°æÁ¦°úÇÐÁøÈï¿ø, ±â°èÁö´É¹×·Îº¿°øÇдٱâ°üÁö¿ø¿¬±¸´ÜÀÌ ÁÖ°üÇÑ ‘4Â÷ »ê¾÷Çõ¸í°ú AI ´ëÇѹα¹’ ÄÁÆÛ·±½º°¡ 20ÀÏ ÆDZ³¹ë¸®³» °æ±ââÁ¶°æÁ¦Çõ½Å¼¾ÅÍ ±¹Á¦È¸ÀÇÀå¿¡¼ °³ÃֵǾú´Ù.
|
|
|
¡ã1ºÎ Çà»çÀÎ KAIST ÷´Ü AI ±â¼ú ¹ßÇ¥ ¹× AI ±â¼úÀÌÀü ¼³¸íȸ¿¡¼ ±èÁ¾È¯ KAIST °ø°ú´ëÇÐÀåÀÌ °³È¸»ç¸¦ ÇÏ°í ÀÖ´Ù. |
|
|
|
¡ã1ºÎ Çà»çÀÎ KAIST ÷´Ü AI ±â¼ú ¹ßÇ¥ ¹× AI ±â¼úÀÌÀü ¼³¸íȸ¿¡¼ ÃÖ°æö KAIST »êÇÐÇù·Â´ÜÀåÀÌ Ãà»ç¸¦ ÇÏ°í ÀÖ´Ù. |
|
|
|
¡ã1ºÎ Çà»çÀÎ KAIST ÷´Ü AI ±â¼ú ¹ßÇ¥ ¹× AI ±â¼úÀÌÀü ¼³¸íȸ¿¡¼ ±è°æÈÆ »ê¾÷ºÎ ·Îº¿PD°¡ Ãà»ç¸¦ ÇÏ°í ÀÖ´Ù. |
À̳¯ ÄÁÆÛ·±½º´Â 1ºÎ Ä«À̽ºÆ® ÷´Ü AI±â¼ú¹ßÇ¥ ¹× AI±â¼ú ÀÌÀü ¼³¸íȸ, 2ºÎ 4Â÷»ê¾÷ Çõ¸í °ü·Ã Ưº° °¿¬°ú ÆгΠÅä·ÐÀ¸·Î ÁøÇàµÆ´Ù. Çà»ç¿¡´Â ÆDZ³¹Ì·¡Æ÷·³ °û´öÈÆ È¸Àå, Áö´ÉÁ¤º¸»ê¾÷Çùȸ ÀåÈ«¼º ÇùȸÀå ´ëÇà, ±è°æÁø ±¹È¸ÀÇ¿ø, ±èº´°ü ±¹È¸ÀÇ¿ø, ½Å¼ºÃ¶ Ä«À̽ºÆ® ÃÑÀå, ±èÁ¾È¯ Ä«À̽ºÆ® °ø´ëÇÐÀå, ÃÖ°æö Ä«À̽ºÆ® »êÇÐÇù·Â´ÜÀå, ¹®ÀüÀÏ Çѱ¹·Îº¿»ê¾÷ÁøÈï¿ø ¿øÀå, ±è°æÈÆ »ê¾÷Åë»óÀÚ¿øºÎ PD µî ÁÖ¿ä Àλç¿Í 900¿©¸íÀÇ »êÇп¬ °ü°èÀÚµéÀÌ Âü¼®ÇØ 4Â÷»ê¾÷Çõ¸í°ú ÀΰøÁö´ÉÀÇ ¹Ì·¡ ±â¼ú¿¡ °üÇØ ¶ß°Å¿î °ü½ÉÀ» º¸¿´´Ù.
|
|
|
¡ã 4Â÷ »ê¾÷Çõ¸í°ú AI ´ëÇѹα¹ ÄÁÆÛ·±½º 1ºÎ Çà»ç´Â KAIST ¸íÇö ±³¼öÀÇ »çȸ·Î ½ÃÀÛÇÏ¿´´Ù. |
À̳¯ 1ºÎ Çà»ç¿¡¼± Ä«À̽ºÆ® ¸íÇö ±³¼öÀÇ »çȸ·Î Ä«À̽ºÆ® ±ÇÀÎ¼Ò ±³¼ö, ±èÁظ𠱳¼ö µî ÀΰøÁö´É ºÐ¾ß Ä«À̽ºÆ® ±³¼ö 10¸íÀÌ °¢°¢ ¹ß´ÞÇнÀ, Æò»ýÇнÀ, °ÈÇнÀ µîÀ» ÁÖÁ¦·Î ¹ßÇ¥Çß´Ù. ÁÖ¿ä ¹ßÇ¥ ³»¿ëÀ» °£Ãß·Á ¼Ò°³ÇÑ´Ù.
¹ß´ÞÇнÀ(Developmental Learning) ¹× Á¤¼ Áö´É ¼½¼Ç
¡Þµ¿Àû ³×Æ®¿öÅ© È®Àå ±â¹Ý-Ȳ¼ºÁÖ ±³¼ö
µ¥ÀÌÅÍ Áõ°¡¿Í º¹ÀâÇÑ ÀΰøÁö´É ±â¼ú ¹ßÀüÀ» µû¶ó°¡±â À§Çؼ Áö¼ÓÀûÀ¸·Î »õ·Î¿î µ¥ÀÌÅÍ ¹× ÀÛ¾÷À» ÇнÀÇÒ ¼ö ÀÖ´Â ½Å°æ¸ÁÀÌ ÇÊ¿äÇÏ´Ù. ÀϹÝÀûÀ¸·Î ´Ü¼øÇÑ ½Å°æ¸ÁÀº ÇÑ °¡Áö ÀÛ¾÷¿¡ ´ëÇØ ÁýÁßÀûÀ¸·Î ÈÆ·ÃÇؼ ÇÑ ÀÛ¾÷À» ¼öÇàÇÏ´Â µ¥ ´ÉÇÏ´Ù. »õ ÀÛ¾÷À» ÇнÀÇÒ ¶§ ÀÌÀü ÀÛ¾÷¿¡ ÇÊ¿äÇÑ ÇÙ½É Á¤º¸¸¦ Àؾî¹ö¸®´Â Ä¡¸íÀûÀÎ ¸Á°¢(catastrophic forgetting) ¹®Á¦¸¦ °Þ´Â´Ù.
¶ÇÇÑ, ÀÛ¾÷ ¼ø¼¿¡ µû¶ó Àüü ÀÛ¾÷ÀÇ Æò±Õ ¼º´É°ú °¢ ÀÛ¾÷ÀÇ ¼º´ÉÀÌ Â÷ÀÌ°¡ ¹ß»ýÇØ ÀÛ¾÷ °£ÀÇ °øÁ¤¼ºÀ» ÀÒ´Â ¹®Á¦µµ Á¸ÀçÇÑ´Ù. ÀÌÀü¿¡ ÇнÀÇÑ ÀÛ¾÷À» ÀØÁö ¾ÊÀ¸¸é¼ »õ ÀÛ¾÷À» ¹è¿ï ¼ö ÀÖÀ¸¸ç ÀÛ¾÷ÀÇ ÇнÀ ¼ø¼¿¡ ¿µÇâ¹ÞÁö ¾Ê´Â ½Å°æ¸ÁÀ» À§ÇÑ Á¡ÁøÀû ÇнÀ(continual learning)À» ¼Ò°³Çß´Ù.
Á¡ÁøÀû ÇнÀÀÇ ±Ùº»ÀûÀÎ ¸Á°¢ ¹®Á¦¸¦ ÇØ°áÇÏ´Â Dynamically Expandable Networks(DEN)¿Í DEN¿¡¼ ´õ ³ª¾Æ°¡ ÀÛ¾÷ÀÇ ÇнÀ ¼ø¼¿¡ ¿µÇâ¹ÞÁö ¾Ê´Â Order-Robust Adaptive Continual Learning (ORACLE) Á¡ÁøÀû ÇнÀ ¸ðµ¨µéÀ» °³¹ßÇÏ¿´´Ù. DENÀº »õ·Î¿î ÀÛ¾÷À» ÇнÀÇÏ´Â µ¥ ÇÊ¿äÇÑ ÆĶó¹ÌÅ͸¦ Çö ³×Æ®¿öÅ©¿¡ µ¿ÀûÀ¸·Î Ãß°¡ÇØ È®ÀåÇÏ°í ÀÌÀü ÀÛ¾÷ÀÇ ÆĶó¹ÌÅÍ ÀϺκÐÀ» °øÀ¯ÇØ ¼±ÅÃÀû ÀçÇнÀÀÌ °¡´ÉÇÑ ¸ðµ¨ÀÌ´Ù. ±âÁ¸ µ¿Àû ³×Æ®¿öÅ© È®Àå ¸ðµ¨º¸´Ù ¼º´ÉÀÌ ¶Ù¾î³¯ »Ó ¾Æ´Ï¶ó ÀûÀº ÆĶó¹ÌÅÍÀÇ ¼ö·Î µ¿ÀÏÇÑ ¼öÁØÀÇ ¼º´ÉÀ» ´Þ¼ºÇß´Ù.
³×Æ®¿öÅ©ÀÇ ¿ë·®À» µ¿ÀûÀ¸·Î °áÁ¤ÇÒ ¼ö ÀÖÀ¸¹Ç·Î ÃÖÀûÀÇ ³×Æ®¿öÅ© ±¸Á¶¸¦ ÃßÁ¤ÇÏ´Â µ¥ »ç¿ëµÉ ¼ö ÀÖ´Ù. ORACLEÀº ÀÛ¾÷ °£ÀÇ °øÀ¯ ÆĶó¹ÌÅ͸¦ ÅëÇØ ÀÌÀü ÀÛ¾÷°ú »õ ÀÛ¾÷ÀÌ °øÅëÀ¸·Î °®´Â Ư¡°ªÀ» ±¸ÇÏ°í »õ ÀÛ¾÷¿¡ ¸Âµµ·Ï sparse low-rank matrices·Î ºÐÇصǴ ÀÛ¾÷º° ÀûÀÀ ÆĶó¹ÌÅ͸¦ ÇнÀÇÏ´Â ¸ðµ¨ÀÌ´Ù. °øÀ¯ ÆĶó¹ÌÅÍ¿Í ÀÛ¾÷º° ÀûÀÀ ÆĶó¹ÌÅ͸¦ ºÐ¸®ÇØ ÀÛ¾÷ ¼ø¼ ÀÇÁ¸¼º ¹®Á¦¸¦ ¿ÏÈÇϸç sparse low-rank matricesÀÇ °öÀ¸·Î ÀÛ¾÷º° ÀûÀÀ ÆĶó¹ÌÅ͸¦ ³ªÅ¸³»¾î ³×Æ®¿öÅ© ¿ë·®À» ÃÖ¼ÒÈÇß´Ù.
±âÁ¸ Á¡ÁøÀû ÇнÀ ¸ðµ¨¿¡ ºñÇØ ³×Æ®¿öÅ© ¿ë·®ÀÌ ÀûÀ¸¸ç, ÇнÀÀÌ ºü¸£´Ù. ±×¸®°í ¼º´É ¸é¿¡¼µµ ±âÁ¸ ¸ðµ¨µéÀ» ´É°¡ÇÑ´Ù. ¶ÇÇÑ, ÀÛ¾÷ ÇнÀ ¼ø¼¿¡ µû¸¥ Àüü ÀÛ¾÷ÀÇ Æò±Õ ¼º´É°ú °¢ ÀÛ¾÷ÀÇ ¼º´ÉÀÇ ºÒ±ÕÇüÀ» ÁÙ¿© ÀÛ¾÷ ¼ø¼¿¡ °ß°íÇÑ Á¡ÁøÀû ÇнÀÀÓÀ» º¸¿´´Ù. ORACLEÀº ÀΰøÁö´É ±â¹Ý±â¼ú·Î¼ ´Ü¼ø Á¦Á¶¾÷»Ó ¾Æ´Ï¶ó ÀÇ·á, ¹ý·ü µîÀÇ Àü¹® ¼ºñ½º¾÷±îÁöµµ ´Ù¾çÇÑ ºÐ¾ß¿¡¼ È°¿ëµÉ ¼ö ÀÖ´Ù. °³¹ßÇÑ Á¡ÁøÀû ÇнÀ ¸ðµ¨À» ÅëÇØ Áö¼ÓÇؼ »õ·Î¿î ÀÛ¾÷À» ÇнÀÇØ ÀÚÀ²ÀûÀ¸·Î ±â¼ú°ú Áö½Ä ½ÀµæÀÌ °¡´ÉÇÑ ÀΰøÁö´É ¸ðµ¨°ú ¼ºñ½º¸¦ ±â´ëÇÑ´Ù.
|
|
|
¡ã KAIST ±èº´Çü ±³¼ö |
¡ÞÀÏ»ó »ýÈ°¿¡¼ÀÇ Á¤¼Àû Áö´É°ú ÀáÀ缺(Affective Intelligence and Its Potential in Daily Life)-±èº´Çü ±³¼ö
Á¤¼Àû Áö´ÉÀ̶õ °°Àº ¸»ÀÌ¶óµµ ´Ù¸¥ °¨Á¤À¸·Î ÇÒ ¼ö ÀÖ´Ù´Â Á¡¿¡ Âø¾ÈÇØ º¸´Ù ‘»ç¶÷°°Àº’ AI ±â¼úÀÌ °¡´ÉÅä·Ï ÇÏ´Â ±â¼úÀÌ´Ù. µ¥ÀÌÅÍ Áß½ÉÀÇ °¨Á¤ ÀÎ½Ä ½Ã½ºÅÛ¿¡¼ ÇÑÃþ ÁøÈÇÑ ±â¼úÀ̶ó°í º¼ ¼ö ÀÖ´Ù.
¿¬±¸ °á°ú »ýü ½ÅÈ£ ¼¾¼·Î ÀüµÎ¿± ºÎºÐ¿¡¼ ¹ß»ýÇÏ´Â ³úÀüµµ(EEG)¸¦ °ËÃâÇÏ°í, Ç÷·ù°¡ È帣´Â ±ÓºÒ¿¡ ½ÉÀå ¹Úµ¿ ¼ö ¼¾¼¸¦ ºÙ¿©¼ »ýü ½ÅÈ£¸¦ °¨ÁöÇÒ ¼ö ÀÖ´Ù. °¨ÁöÇÑ »ýü ½ÅÈ£¸¦ °¨Á¤ À¯¹ß¼ºÀ̳ª ÈïºÐ »óÅ µî 9´Ü°è·Î ³ª´² µö·¯´×À¸·Î ºÐ¼®ÇÑ µÚ Çູ, ÈïºÐ, ±â»Ý, Æò¿Â, ½½ÇÄ, Áö·çÇÔ, Á¹¸², ºÐ³ë, Â¥Áõ µî ÃÑ 12°¡Áö °¨Á¤À¸·Î ±¸ºÐÇÒ ¼ö ÀÖ´Ù. Àΰ£ÀÇ °¨Á¤ ü°è°¡ º¹ÀâÇØ ÇÑ ¹ø¿¡ ¿©·¯ °¨Á¤À» ´À³¥ ¼öµµ ÀÖ´Ù´Â Á¡À» °í·ÁÇØ ¿µÇâ·ÂÀÌ °¡Àå Å« °¨Á¤ Çϳª¸¦ µµÃâÇϵµ·Ï ÇÏ´Â ±â¹ýÀÌ´Ù. °ÇÏ°Ô ³ªÅ¸³ª´Â °¨Á¤ ½ÅÈ£ÀÇ °ÝÂ÷°¡ Å©Áö ¾ÊÀ¸¸é µö·¯´× ¸ðµ¨¿¡ ¹úÁ¡À» °¡ÇÏ´Â ÇÑÆí ÀÚü °í¾ÈÇÑ ÇÔ¼ö¸¦ °¡¹ÌÇØ ±¸ºÐÇÏ°í ¼º´ÉÀ» ³ôÀÏ ¼ö ÀÖ´Ù.
ÀÌ°°Àº ±â¼úÀ» ¹ÙÅÁÀ¸·Î ‘¾îÆåƼºê ¶óÀÌÇÁ·Õ ½Ã½ºÅÛ(ALIS)’À» °³¹ßÇß´Ù. ½ÃÁß Àú°¡ Àåºñ¸¦ È°¿ëÇØ ÇлýµéÀÇ ÀÏ»ó»ýÈ°¿¡ Àû¿ëÅä·Ï ÇØ ÆÐÅÏÀ» ºÐ¼®ÇÏ°í ÀÖ´Ù. ¶Ç µö·¯´× ±â¼úÀ» ÅëÇØ °¨Á¤À» ÀÎÁöÇÏ´Â µðÆÇ(DPAN, Deep Physiological affect network) ¸ðµ¨À» ÅëÇØ °¨Á¤ Àνķü°ú ½Ç»ýÈ°¿¡¼ÀÇ À¯È¿¼ºÀ» ÃÖ´ë 15% ÀÌ»ó »ó½Â½ÃÄ×´Ù. ƯÈ÷ ÀåºñÀÇ ¼ÒÇüȸ¦ ÅëÇØ ¸¶ÄÉÆÃ, ÇコÄɾî, ¿£ÅÍÅ×ÀθÕÆ® µî ¿©·¯ ºÐ¾ß¿¡ Àû¿ëÇÒ ¼ö ÀÖÀ» °ÍÀ¸·Î ±â´ëÇÏ°í ÀÖ´Ù.
ÀÌ °°Àº ±â¼úÀ» È°¿ëÇϸé ÀáÀçÀû °í°´ÀÌ ±¤°í¸¦ º¸°í ¾î¶² °¨Á¤À» ´À³¢´Â °¡¿¡ È°¿ëÇϰųª ȯÀÚ°¡ º´¿ø¿¡ °¡Áö ¾Ê´õ¶óµµ ¼ÒÇüÈµÈ Àåºñ¸¦ ÅëÇØ ½º½º·Î ¿ì¿ïÁõ µî »óÅ Áø´Üµµ °¡´ÉÇÒ °ÍÀÌ´Ù. °¨Á¤À» °øÀ¯ÇÒ ¼ö ÀÖ´Â ¿©·¯ ºÐ¾ß¿¡ Àû¿ëÀÌ °¡´ÉÇÏ´Ù°í º»´Ù. ÀÌ¹Ì ¼¿ï´ëº´¿ø¿¡¼ °í°¡ Àåºñ¸¦ ´ëüÇÏ´Â ¹æ¾È¿¡ ´ëÇÑ ¿¬±¸µµ ÁøÇà ÁßÀÌ´Ù.
Æò»ýÇнÀ(Lifelong Learning) ¹× ÃÖÀûÈ ¼½¼Ç
|
|
|
¡ã KAIST ±èÁظ𠱳¼ö |
¡Þ3Áß ¿¬°ü ±×·¡ÇÁ ±ÔĢȸ¦ Á¢¸ñÇÑ ºñ°¨µ¶ µµ¸ÞÀÎ ÀûÀÀ(Unsupervised Domain Adaptation with 3-Walk Associative Graph Regularization)’-±èÁظ𠱳¼ö
‘3Áß ¿¬°ü ±×·¡ÇÁ ±ÔĢȸ¦ Á¢¸ñÇÑ ºñ°¨µ¶ µµ¸ÞÀÎ ÀûÀÀ(Unsupervised Domain Adaptation with 3-Walk Associative Graph Regularization)’ ±â¼úÀº AI Á¦Ç°ÀÇ °øÀå ¼Ò½º¿Í ½ÇÁ¦ »ç¿ë µ¥ÀÌÅÍ°£ Â÷À̸¦ ±Øº¹ÇØ ÀûÀÀÇÏ´Â ±â¹ýÀÌ´Ù. µö·¯´×ÀÇ µ¥ÀÌÅÍ ºñÈ¿À²¼º°ú µ¥ÀÌÅͼ ÆíÇâ ¹®Á¦´Â ½ÇÁ¦ ½Ã½ºÅÛÀ» Àû¿ëÇÒ Å×½ºÆ® µµ¸ÞÀÎÀÇ µ¥ÀÌÅ͸¦ ±¸Çϱâ Èûµé°í ÇнÀ¿¡ ¾²ÀÎ µ¥ÀÌÅÍ¿Í Å×½ºÆ® µ¥ÀÌÅÍÀÇ µµ¸ÞÀÎÀÌ ´Ù¸¦ °æ¿ì ¹®Á¦°¡ µÈ´Ù. ÀÚÀ²ÁÖÇà ½Ã½ºÅÛÀÇ °æ¿ì ÀÚÀ²ÁÖÇàÂ÷ ½Ã½ºÅÛÀ» ±¸Çϱ⠾î·Æ´Ù´Â ÀÌÀ¯·Î µµ·Î ÁÖÇà µ¥ÀÌÅÍ ´ë½Å ½Ã¹Ä·¹ÀÌ¼Ç µ¥ÀÌÅÍ·Î ÇнÀÇÑ ½Ã½ºÅÛµµ ½ÇÁ¦ µµ·Î¿¡¼ µ¿ÀÛÇÒ ¼ö ÀÖµµ·Ï ÇØ¾ß ÇÑ´Ù.
ÀÌ·± ¹®Á¦¸¦ ¹Ù·Î ‘µµ¸ÞÀÎ ÀûÀÀ’À̶ó°í ÁöÀûÇÒ ¼ö ÀÖ´Ù. µö ³×Æ®¿öÅ©¸¦ ÇнÀÇϱâ À§ÇØ ¾çÁúÀÇ ·¹À̺íÀÌ ´Þ¸° ¸¹Àº µ¥ÀÌÅÍ°¡ ÇÊ¿äÇϸç ÀÌ·± µ¥ÀÌÅ͸¦ ¸¸µé±â À§ÇØ Å« ºñ¿ëÀÌ µç´Ù. ÇÏÁö¸¸ ÀÌ·¸°Ô ¸¸µé¾îÁø µ¥ÀÌÅÍ·Î ÇнÀµÈ ³×Æ®¿öÅ©´Â ¿©ÀüÈ÷ ÇнÀ¿¡ »ç¿ëµÈ µ¥ÀÌÅͼ¿¡ ÆíÇâµÅ ÀÖ°í µ¥ÀÌÅͼÂÀÌ Æ÷ÇÔÇÏÁö ¸øÇÏ´Â µµ¸ÞÀÎÀÇ µ¥ÀÌÅÍ¿¡ ´ëÇÑ ÀϹÝȸ¦ Àß ¸øÇÑ´Ù. Áï ·¹À̺íÀÌ ´Þ¸° ÃæºÐÇÑ ¾çÁúÀÇ µ¥ÀÌÅÍÀÎ ¼Ò½º µ¥ÀÌÅ͸¦ ÀÌ¿ëÇÏ¿© ÇнÀÇÑ ³×Æ®¿öÅ©¸¦ ·¹À̺íÀÌ ¾ø´Â ½ÇÁ¦ ½Ã½ºÅÛÀ» Àû¿ëÇÒ Å×½ºÆ® µµ¸ÞÀÎÀÇ µ¥ÀÌÅÍ¿¡ ´ëÇÏ¿© Àß µ¿ÀÛÇϵµ·Ï ÇØ¾ß ÇÑ´Ù´Â °ÍÀÌ´Ù.
À̸¦ À§ÇØ Æ¯Â¡ °ø°£ ÀÚü¸¦ Á¶ÀýÇÏ´Â »õ·Î¿î ÀûÀÀÇü ÇнÀ ±â¹ýÀ» Á¦¾ÈÇÑ´Ù. ºÐ·ùÀÚ¿¡ ÀÇÇØ ¿Ö°îµÈ °ø°£À» Á¶Á¤Çϱâ À§ÇØ µ¥ÀÌÅÍ Æ¯Â¡°ú Ŭ·¡½º »çÀÌÀÇ °ü°è¸¦ Á¤ÀÇÇÏ°í À̸¦ ÃÖÀûÈÇß´Ù. ¼Ò½º µµ¸ÞÀÎ µ¥ÀÌÅÍ¿Í Å×½ºÆ® µµ¸ÞÀÎ µ¥ÀÌÅÍ ±×¸®°í Ŭ·¡½º »çÀÌÀÇ ¿¬°á·Î ±¸¼ºµÈ 3-ºÐ ±×·¡ÇÁ¸¦ Á¤ÀÇÇÏ°í, ÀÌµé »çÀÌÀÇ ¿¬°áÀº °¢ ±×·ì °£ÀÇ Àüȯ È®·ü ÇÔ¼ö·Î Á¤ÀÇÇß´Ù. ¿©±â¿¡ ±×·¡ÇÁ ³» Ŭ·¡½º »çÀÌ¿¡¼ ÀÚ±â ÀÚ½ÅÀ¸·Î¸¸ ¿¬°áµÇµµ·Ï ÃÖÀûÈÇÏ´Â Á¤±ÔÈ ±â¹ýÀ» ÀÌ¿ëÇÑ´Ù.
¿©·¯ ¼ýÀÚ µ¥ÀÌÅÍ ¼¼Æ® »çÀÌÀÇ ÀûÀÀÇü ÇнÀ ½ÇÇè °á°ú, ÁÁÀº ¼º´ÉÀ» º¸ÀÌ°í Ư¡ °ø°£ ³»¿¡¼ µÎ µµ¸ÞÀÎÀÌ ºÐ¸®µÅ ºÐ·ùÀÚÀÇ °áÁ¤ °æ°è¼±À» º¯°æÇÏ´Â ¹æ½ÄÀÓÀ» º¸¿©ÁØ´Ù. ÀÌ·± ¹æ½ÄÀº ¼Ò½º µµ¸ÞÀο¡ ´ëÇÑ Å×½ºÆ® ¼º´É Çâ»óÀ» º¸¿©Áà ¼Ò½º µµ¸ÞÀο¡ ´ëÇÑ ÀϹÝȸ¦ °ÈÇÏ°í ÀÖÀ½À» Áõ¸íÇÒ¼ö ÀÖ´Ù.
|
|
|
¡ã KAIST À±¼¼¿µ ±³¼ö |
¡Þµö·¯´× ºÐ»ê ÃÖÀûÈ ¾Ë°í¸®Áò-À±¼¼¿µ ±³¼ö
ÃÖ±Ù µ¥ÀÌÅÍÀÇ ¾çÀÌ ´Ã¾î³ª°í ÇØ´ç µ¥ÀÌÅÍ·Î ÇнÀ½ÃÅ°´Â µö·¯´× ±¸Á¶ÀÇ º¹Àâµµ ¿ª½Ã °è¼Ó Áõ°¡ÇÏ°í ÀÖ´Ù. ÀÌ¿¡ ¸¹Àº ¿¬±¸ÀÚ¿Í ±â¾÷Àº ºÐ»êÀûÀ¸·Î µö·¯´×À» ÇнÀ½ÃÅ°´Â ¹æ¹ý¿¡ ´ëÇÑ Áß¿äµµ¸¦ ÀÎÁöÇÏ°í ¸¹Àº ¿¬±¸¸¦ ÁøÇàÇÏ°í ÀÖ´Ù.
ÀÌ ±â¼úÀº µö·¯´× ¸ðµ¨À» ºÐ»êÀûÀ¸·Î ÇнÀ½Ãų ¶§, ¸ðµ¨À» ±¸¼ºÇÏ´Â ÆĶó¹ÌÅÍÀÇ ¾÷µ¥ÀÌÆ® Á¤º¸¸¦ ºÐ»ê ³ëµå °£¿¡ ±³È¯ÇÏ´Â ¹æ¹ý¿¡ ´ëÇÑ ³»¿ëÀÌ´Ù. ¸¹Àº ³ëµå°¡ ÇнÀ¿¡ Âü¿©ÇÏ°Ô µÇ¸é Á¤º¸¸¦ ÁÖ°í¹Þ´Â »óȲ¿¡¼ º´¸ñÇö»ó(Bottleneck)ÀÌ ¹ß»ýÇϴµ¥ ÀÌ ¿¬±¸¿¡¼´Â À̸¦ ·£´ý ÇÁ·ÎÁ§¼Ç(Random Projection)À̶ó´Â ¹æ¹ýÀ» ÀÌ¿ëÇÏ¿© ÇØ°áÇÑ´Ù. ¸ðµ¨ÀÇ ÆĶó¹ÌÅ͸¦ ¾÷µ¥ÀÌÆ®ÇÏ´Â Á¤º¸ÀÇ »çÀÌÁî°¡ »ó´çÈ÷ Å©±â ¶§¹®¿¡ ÀÌ Á¤º¸¸¦ ºÐ»ê ³ëµå °£¿¡ ¼Û¼ö½ÅÇÏ´Â °úÁ¤¿¡¼ ¸¹Àº ½Ã°£ÀÌ ¼Ò¿äµÈ´Ù. µû¶ó¼ ÀÌ ±â¼úÀº ÀÌ ¾÷µ¥ÀÌÆ® Á¤º¸¸¦ ·£´ý ÇÁ·ÎÁ§¼ÇÀ» »ç¿ëÇÏ¿© ¾ÐÃàÇÔÀ¸·Î½á ¼Û¼ö½Å·®À» ÁÙÀδÙ.
µö·¯´× ºÐ»ê ȯ°æ¿¡¼ ºÐ»ê ³ëµå °£ÀÇ ÆĶó¹ÌÅÍ ¾÷µ¥ÀÌÆ® Á¤º¸¸¦ ÁÙÀÌ´Â ±â¼úÀº ´Ù¸¥ ÇØ¿Ü À¯¼ö ÇÐȸ¿¡¼µµ ¸¹ÀÌ ¼Ò°³µÇ°í ÀÖ´Ù. ±âÁ¸ÀÇ ¾çÀÚÈ(Quantization)±â¹ýÀº ½Ç¼ö¿Í °°Àº ¿¬¼ÓÀûÀΠȤÀº Å« ÁýÇÕÀÇ °ªµéÀ» ÀÌ»êÀûÀÎ ÁýÇÕÀÇ °ªµé·Î ´ëÀÀ½ÃÅ°´Â ±â¼úÀε¥, ÀÌ´Â ´Ù¸¥ ±â¼úµé¿¡ ºñÇØ ´Ù¼Ò ¾ÐÃà·üÀÌ ³·´Ù´Â ´ÜÁ¡ÀÌ ÀÖ´Ù.
¶ÇÇÑ Èñ¼ÒÈ(Sparsification)´Â ÆĶó¹ÌÅÍ ¾÷µ¥ÀÌÆ® Á¤º¸ÀÇ ¿ä¼Òµé Áß¿¡¼ Áß¿äÇÑ ºÎºÐÀ» Á¦¿ÜÇÑ ³ª¸ÓÁö¸¦ 0À¸·Î ¸¸µé¾î¼ ¾ÐÃàÇÏ´Â ±â¼úÀε¥, À̸¦ ÆĶó¹ÌÅÍ ¼¹ö¶ó°í ºÒ¸®´Â Áß¾Ó¼¹ö¿¡¼ ¾ÐÃàµÈ Á¤º¸µéÀ» ÃëÇÕÇßÀ» ¶§ ´Ù½Ã ¾ÐÃà·üÀÌ ³·¾ÆÁ® Á¤º¸ ¼Û¼ö½Å¿¡ ´ëÇÑ È¿À²¼ºÀ» ±Ø´ëÈÇÏÁö ¸øÇÑ´Ù´Â Á¦ÇÑÀÌ ÀÖ´Ù. ÀÌ ±â¼úÀº ºñ·Ï ¾ÆÁÖ ¾à°£ÀÇ Á¤È®µµ ¼Õ½ÇÀº ÀÖÁö¸¸, ¾çÀÚȺ¸´Ù´Â ³ôÀº ¾ÐÃà·üÀ» º¸ÀÌ¸é¼ ÆĶó¹ÌÅÍ ¼¹ö¿¡¼ ¾ÐÃàµÈ Á¤º¸¸¦ ÃëÇÕÇÏ¿©µµ ¾ÐÃà·üÀÌ ³·¾ÆÁöÁö ¾Ê´Â´Ù´Â ÀåÁ¡ÀÌ ÀÖ´Ù.
ÃÖ±Ù µö·¯´×ÀÇ ¸ðµ¨Àº ±× º¹Àâµµ¿Í ÇнÀÇÒ ¼ö ÀÖ´Â µ¥ÀÌÅÍÀÇ ¾çÀÌ Áõ°¡ÇÏ¸é¼ µö·¯´× ¸ðµ¨À» ÇнÀÇϴµ¥ ¸¹Àº ½Ã°£ÀÌ °É¸°´Ù. ÀÌ·¯ÇÑ Çö»óÀº ƯÁ¤ »ê¾÷±º¿¡ Á¾¼ÓÀûÀÎ Çö»óÀÌ ¾Æ´Ñ µö·¯´×À» »ç¿ëÇÏ´Â ¸ðµç ºÐ¾ß¿¡¼ ¹ß»ýÇÑ´Ù. À̱â¼úÀº µö·¯´× ¸ðµ¨À» ºÐ»ê ³ëµå¸¦ ÀÌ¿ëÇÏ¿© ºü¸£°Ô ÇнÀÇÏ°íÀÚ ÇÏ´Â ¸ðµç ºÐ¾ß¿¡ Àû¿ëÇØ º¼ ¼ö ÀÖ´Ù. ƯÈ÷ ¸ð¹ÙÀÏÀ̳ª ¹«¼± ÀÎÅͳݰú °°ÀÌ Bandwidth°¡ ³·Àº ȯ°æ¿¡¼ ºÐ»êÀûÀ¸·Î µö·¯´× ¸ðµ¨À» ÇнÀ½Ãų ¶§ À¯¿ëÇÏ´Ù. °á·ÐÀûÀ¸·Î ÀÌ ±â¼úÀ» ÅëÇÏ¿© ÇнÀÇØ¾ß ÇÒ µ¥ÀÌÅÍ°¡ ¸¹´õ¶óµµ ºÐ»ê ȯ°æ¿¡¼ ¿©·¯ ³ëµå¸¦ ÀÌ¿ëÇÏ¿© ´õ À̸¥ ½Ã°£¿¡ µö·¯´× ¸ðµ¨À» ÇнÀÇÒ ¼ö ÀÖ°Ô µÉ °ÍÀÌ´Ù.
°ÈÇнÀ(Reinforcement Learning) ¼½¼Ç
|
|
|
¡ã KAIST ÀÌ»ó¿Ï ±³¼ö |
¡Þ¸ÞŸ °ÈÇнÀ(Meta Reinforcement Learning)-ÀÌ»ó¿Ï ±³¼ö
µö·¯´× ±â¹ÝÀÇ °ÈÇнÀ °È¸¦ À§ÇÑ ½Å°æ°úÇÐ-AI À¶ÇÕ ±â¼úÀ» ¼Ò°³Çß´Ù. ÀÌ ±â¼úÀÇ ÇÙ½ÉÀº °è»ê ½Å°æ°úÇÐ ¿¬±¸·ÎºÎÅÍ ¾ò¾îÁö´Â ÀüµÎ¿±ÀÇ ¸ÞŸ °ÈÇнÀ Á¦¾î ¸ÞÄ¿´ÏÁòÀ» ¾Ë°í¸®ÁòÀ¸·Î À̽ĽÃÅ°°í, À̸¦ ´Ù½Ã µö·¯´× ±â¹ÝÀÇ °ÈÇнÀ ¾Ë°í¸®ÁòÀÇ ÇнÀ¿¡ ÀÌ¿ëÇÏ´Â °ÍÀÌ´Ù.
µö·¯´× ±â¹Ý °ÈÇнÀ ¾Ë°í¸®ÁòÀº ÃÖ±Ù ¾ËÆÄ°í¿Í °°Àº Àü·« Ž»ö ¹®Á¦, Á¦¾î±â ºñÀÇÁ¸ÀûÀÎ ·Îº¿ Á¦¾î ¹®Á¦, ÀÀ±Þ½Ç ºñ»ó ´ëÀÀ ½Ã½ºÅÛ°ú °°Àº ÀÇ·á Áø´Ü ¹®Á¦ µî ´Ù¾çÇÑ ºÐ¾ß¿¡ Àû¿ëµÅ ¿Ô´Ù. ÇÏÁö¸¸ ¿©ÀüÈ÷ ¸¹Àº Á¾·ùÀÇ ÀÛ¾÷¿¡ ´ëÇØ ¾Ë°í¸®ÁòÀº Àΰ£¿¡ ºñÇØ ÈξÀ ´À¸° Ãʱâ ÇнÀ ¼Óµµ¸¦ ³»°í ÀÛ¾÷ÀÇ ¸ñÀûÀÌ Á¶±Ý¸¸ ´Þ¶óÁö°Å³ª ÄÁÅؽºÆ®°¡ º¯ÈÇÏ´Â »óȲ¿¡¼´Â ¾Ë°í¸®ÁòÀÇ ¼º´ÉÀÌ º¸ÀåµÇÁö ¸øÇÑ´Ù´Â ¹®Á¦°¡ ÀÖ´Ù.
ÀÌ¿¡ »ç¶÷ó·³ À¯¿¬ÇÑ ¸Ó½Å·¯´× ±â¼úÀ» À§ÇØ ¸ÞŸ°ÈÇнÀÀ» ÀÌ¿ëÇÒ ¼ö ÀÖ´Ù. ÇÙ½É ±â¼ú·Î¼ Àΰ£ÀÇ Ãß·Ð ´É·Â Á¦¾î, Àΰ£ÀÇ °ÈÇнÀ Á¦¾î, ±×¸¯ BCI ±â¼úÀ» Á¦½ÃÇß´Ù.
±âÁ¸ ÀΰøÁö´É ±â¼úÀº ºòµ¥ÀÌÅͷκÎÅÍ Á¤º¸¸¦ ¹ß°ßÇØ ³»°Å³ª »ç¶÷ÀÇ Æ¯Á¤ ÀÛ¾÷À» ´ëü/º¸Á¶Çϴµ¥ ÁýÁߵŠÀÖ´Ù. ±¸±Û µö¸¶Àε忡¼ AI ¾Ë°í¸®ÁòÀ» ÀÌ¿ëÇØ ³ú °è»ê ¸ðµ¨À» ±Ù»çÈ ÇÏ´Â ½Ãµµ¸¦ ÇÏ°í ÀÖÀ¸³ª ÇнÀ°ú Ã߷п¡ °üÇÑ ³ú °è»ê ¸ðµ¨Àº ÀÌ ¿¬±¸ÆÀÀÌ µ¶ÀÚÀû ±â¼úÀ» º¸À¯Çß´Ù. ƯÈ÷ À̹ø ¿¬±¸¿Í °°ÀÌ ³ú °è»ê¸ðµ¨À» ÀÌ¿ëÇØ ³ú »óÅÂ¿Í ÇнÀÀü·«À» Á¦¾îÇÏ´Â ½Ãµµ´Â Àü·Ê°¡ ¾ø´Ù.
ÀÌ °°Àº ±â¼úÀº ±³À° ÄÜÅÙÃ÷ °³¹ß, Â÷¼¼´ë ÀÇ·áÁ¤º¸ ½Ã½ºÅÛ ½º¸¶Æ® ±³À° µî¿¡ Àû¿ëÀÌ °¡´ÉÇÏ´Ù. ¶Ç Àΰ£°ú AI°¡ »óÈ£ÀÛ¿ëÇÏ´Â ¿Â¶óÀÎ °ÔÀÓ, °ÔÀÓ Áßµ¶ Ä¡·á, Ä«Áö³ë ÀÌ»óÇൿ ½Ç½Ã°£ ºÐ¼® µî ȯ°æ¿¡µµ Àû¿ë °¡´ÉÇϸç Â÷¼¼´ë ³ú ±â¹Ý ÀΰøÁö´ÉÀÇ »õ·Î¿î Æз¯´ÙÀÓÀ» Á¦½ÃÇÒ ±â¼úÀû ±â¹ÝÀÌ µÉ °ÍÀ¸·Î ±â´ëÇÑ´Ù.
|
|
|
¡ã KAIST Á¤¼Û ±³¼ö |
¡Þº£À̽þð ÃÖÀûÈ¿Í ³×Æ®¿öÅ© ÀüÀ̸¦ Á¢¸ñÇÑ ³×Æ®¿öÅ© ±¸Á¶ Ž»ö(Network Architecture Search with Bayesian Optimization and Network Transformation)-Á¤¼Û ±³¼ö
Áö³ 10¿© ³â°£ ¾ÆÅ°ÅØó Ž»ö ±â¼úÀÌ ¹ßÀüÇØ ¿ÔÁö¸¸ ÀÚµ¿È°¡ ÇʼöÀûÀÎ »óȲÀÌ´Ù. À̸¦ À§ÇÑ ‘º£ÀÌÁö¾ð ÃÖÀûÈ(Bayesian Optimization)’ ±â¹ýÀ» Á¦¾ÈÇß´Ù.
¼ö¸¹Àº ¾ÆÅ°ÅØó ¿É¼Ç¿¡ ´ëÇÑ Æò°¡¿¡ ³Ê¹« ¸¹ÀÌ ½Ã°£ÀÌ µç ´Ù´Â Á¡À» °í·Á, ¼öȸÀÇ ÃßÃâ°ú °¡Ä¡Æò°¡ °á°ú°ªÀ» Åä´ë·Î ȯ°æÀû ¿¹Ãø ¸ðµ¨À» ¸¸µé¾î ÁÁÀº ¿¹Ãø°ªÀ» Áö´Ñ ¸ðµ¨¸¸ Æ®·¹ÀÌ´×ÇÔÀ¸·Î½á ÃÖÀûÀÇ ¸ðµ¨À» ã¾Æ³¾ ¼ö ÀÖ´Â ±â¹ýÀÌ´Ù.
¿¹Ãø ¸ðµ¨ ¼ö¸³ÀÌ °¡´ÉÇØÁö¸é¼ ¼ö õ°³ÀÇ ¾ÆÅ°ÅØó Áß¿¡¼µµ 100°³ÀÇ ¾ÆÅ°ÅØó¸¦ ÃßÃâ, Æ®·¹ÀÌ´×½ÃÅ°°í °¡Ä¡Æò°¡ ÈÄ Áö½Ä ÀüÀ̸¦ °ÅÃÄ Æ®·¹ÀÌ´×Çß´ø ÆĶó¹ÌÅ͸¦ Àç»ç¿ëÇÒ ¼ö ÀÖ´Â È帱ºÀ» ÀçÃßÃâÇÏ´Â °ÍÀÌ´Ù. À̸¦ ‘³×Æ®¿öÅ© °£ ÀüÀÌ Á¶ÀÛ±â(Network Transformation Net2Net Operator)’¶ó°í ºÎ¸¦ ¼ö ÀÖ´Ù. ½Ã½ºÅÛÀûÀ¸·Î È常¦ °í¸£±â ¶§¹®¿¡ ¼ö õ°³ÀÇ ¸ðµ¨À» ÀÏÀÏÀÌ ¿øÁ¡¿¡¼ Æ®·¹ÀÌ´×ÇÏ´Â °Í º¸´Ù ´õ »¡¶óÁú °ÍÀÌ´Ù. ¿¹Ãø ¸ðµ¨À» Áö¼ÓÀûÀ¸·Î °ÈÇÔÀ¸·Î½á Á¤È®µµ¸¦ ³ôÀÏ ¼ö ÀÖ´Ù.
AI ÀÀ¿ë(Application) ¼½¼Ç
|
|
|
¡ã KAIST À̼ö¿µ ±³¼ö |
¡Þ°¨Á¤°ú À±¸® ÀǽÄÀ» °¡Áø ´ëÈ ¿¡ÀÌÀüÆ®-À̼ö¿µ ±³¼ö
¾ÆÁ÷ ½º¸¶Æ® ½ºÇÇÄ¿´Â ‘À½¾Ç Ʋ¾îÁà’, ‘¿À´Ã ³¯¾¾ ¾î¶§’ °°Àº ´Ü¼øÇÑ ÁúÀÇÀÀ´ä¿¡ ±×Ä¡°í ÀÖ´Ù. ÇöÀç »ç¶÷ó·³ °¨¼ºÀû ´ëȸ¦ ³ª´©°í ¼·ÎÀÇ °³ÀÎÀû »óȲ±îÁö ÀÌÇØÇÒ ¼ö ÀÖ´Â AI ±â¼úÀ» °³¹ßÇÏ°í ÀÖ´Ù.
ÇöÀçÀÇ ÀΰøÁö´ÉÀº ¾ÆÁ÷ ‘»óȲÀνĒ ¼öÁØ¿¡ À̸£Áö ¸øÇß´Ù. Áö½ÄÀÌ Áö´ÉÀÇ ¹éº»À¸·Î µ¿ÀÛÇØ¾ß ÇÏ¸ç ½º½º·Î ºÎÁ·ÇÑ Á¡À» ¾Ë¾Æ »ç¶÷ó·³ ¹è¿ö³ª°¥¼ö ÀÖ´Ù. À̸¦ ‘ÇÁ·Î¾×Ƽºê ¸ðµ¨’À̶ó°í ÇÒ¼ö ÀÖ´Ù.
¶Ç ½Ã°¢ÀûÀÎ ³»¿ëÀ» º¸°í ±× ¾ÈÀÇ °¨Á¤À» ÆľÇÇÒ ¼ö ÀÖ¾î¾ß ÇÑ´Ù. °¨Á¤¿¡ µû¶ó ´ëȸ¦ ±¸¼ºÇسª°¡´Â °úÁ¤¿¡¼ »ç¶÷ÀÇ °¨Á¤¿¡ µû¶ó °°Àº ¸»ÀÌ¶óµµ ¹ÝÀÀÀ» ´Þ¸®ÇÒ ¼ö ÀÖ¾î¾ß ÇÑ´Ù.
ÀνÄÀ» À§ÇØ ¸ÖƼ ¸ðµ¨·Î¼ ÅؽºÆ®, ½ºÇÇÄ¡, ºñµð¿À¸¦ ÀνÄÇØ 7°¡Áö °¨Á¤¿¡ ´ëÇÑ ÀνķüÀ» 80%´ë ±îÁö ²ø¾î¿Ã·È´Ù. ±âÁ¸ 60~70%ÀÌ´ø °¨Á¤ ÀνķüÀ» Å©°Ô ³ôÀÎ °ÍÀÌ´Ù. À̸¦ À§ÇØ Åé´Ù¿î Æнº¸¦ ÅëÇØ ¸ÖƼ¸ðµ¨À» °áÇÕÇس»´Â ¸ÞÄ¿´ÏÁòÀ» ¿¬±¸Çß´Ù. ¿Àµð¿À¿Í ºñµð¿À°¡ °°ÀÌ µé¾î¿À¸é ÀνķüÀ» ³ôÀÌ°í ÅؽºÆ®±îÁö ´õÇØÁö¸é ÀνķüÀÌ 85%±îÁö ³ô¾ÆÁ® ´ëÈ¿¡ ¾µ ¼ö ÀÖ´Â »óȲÀÌ´Ù. ´õ ³ª¾Æ°¡ ƯÁ¤ ¸ñ¼Ò¸®¸¦ ÅëÇÑ °¨Á¤ Ç¥Çöµµ °¡´ÉÇÏ´Ù. ¶Ç ȫä ÀνÄÀ» ´ë½ÅÇÒ ¼ö ÀÖ´Â ‘¼±È£µµ ±â¹ÝÀÇ ´«µ¿ÀÚ ÃßÀû(peference based eye trajectory)’ ±â¼úµµ °³¹ßÇÏ°í Àִµ¥ º¸´Ù ªÀº ½Ã°£¿¡ »ç¿ëÀÚ¸¦ ÀÎÁõÇس¾ ¼ö ÀÖ´Â ±â¼úÀ̶ó°í º»´Ù.
|
|
|
¡ã KAIST ±ÇÀÎ¼Ò ±³¼ö |
¡Þµö·¯´× ½Ã°¢-±ÇÀÎ¼Ò ±³¼ö
¸ÅŲÁöÀÇ ÀΰøÁö´É ¿¬±¸ º¸°í¼¿¡ µû¸£¸é ¸Ó½Å·¯´×¿¡ °üÇÑ ¿¬±¸°¡ ¾ÐµµÀûÀ¸·Î ¸¹°í ¸Ó½Å·¯´×ÀÇ Àý¹Ý Á¤µµ ¼öÁØÀÌ ¹Ù·Î ½Ã°¢Áö´É¿¡ °üÇÑ °ÍÀÌ´Ù. Àΰ£µµ ³úÀÇ 70%°¡ ½Ã°¢Áö´É¿¡ °ü·ÃµÇ¾î ÀÖÀ» Á¤µµ·Î ½Ã°¢ Áö´ÉÀÌ Áß¿äÇÏ´Ù.
µö·¯´× ±â¼úÀº ¾Ë·º½º³Ý(Alexnet)À» °è±â·Î Å« Àüȯ±â¸¦ ¸Â¾Ò´Ù. ƯÈ÷ ·¹Áî³Ý(ResNet)ÀÇ µîÀåÀÌÈÄ ÇöÀç ´ëºÎºÐ µö·¯´× ±â¼úÀÌ ·¹Áî³ÝÀ» ¹éº»À¸·Î ÇÏ°í ÀÖÀ¸¸ç ¿¡·¯°¡ ±âÇϱ޼öÀûÀ¸·Î ÁÙ°í ÀÖ´Ù.
·¹Áî³ÝÀ» ±Øº¹ÇϱâÀ§ÇØ KAIST-RCV¸¦ ¿¬±¸ÁßÀÌ´Ù. Áß¿ä Á¤º¸¸¦ °Á¶ÇÏ´Â ¹æ½ÄÀ¸·Î ¼ÒÅë ¹æ½ÄÀ» ¹Ù²å´Ù. À̸¦ È°¿ëÇØ ½Ã°¢Áö´ÉÀÇ Á¤È®µµ¸¦ ´«¿¡ ¶ç°Ô ³ôÀÏ ¼ö ÀÖ¾ú´Ù.
|
|
|
¡ãKAIST-RCV ¿¬±¸¼º°ú·Î ÀΰøÁö´É ÀçÈ°¿ëÇ° ÀÚÆDZ⸦ ±¹³» ±â¾÷¿¡ ±â¼úÀÌÀüÇÏ¿´´Ù. |
KAIST-RCVÀÇ ¿¬±¸ ¼º°ú¸¦ ÀΰøÁö´É ÀçÈ°¿ëÇ° ºÐ·ù ¹× ȸ¼öÀåÄ¡¿¡ Àû¿ëÇߴµ¥ ÀÇ¿ÜÀÇ ¿¡·¯°¡ ¹ß»ýÇß´Ù. ½ÇÇè½Ç Á¶°Ç¿¡¼´Â 99% ÀÌ»óÀÇ ÀνķüÀ» º¸¿´Áö¸¸ ½ÇÁ¦ ȯ°æ¿¡ ¼³Ä¡µÇ¾úÀ» ¶§¿¡´Â 70% ³»¿ÜÀÇ ÀνķüÀ» º¸ÀÌ´Â ½ÇÆи¦ °æÇèÇß´Ù. »ç¿ëÀÚµéÀÌ ¼ÓÀÓ¼ö¸¦ ¾²´Â ¹®Á¦°¡ »ý±ä °ÍÀÌ´Ù. ¿¬±¸ °úÁ¤¿¡¼ Àΰ£ÀÇ ¼ÓÀÓ¼ö ¹®Á¦¸¦ ÀüÇô °í·ÁÇÏÁö ¾Ê¾Ò´Âµ¥ ½ÇÁ¦ ÀÏ»ó »ýÈ° ÇöÀå¿¡ Àû¿ëÇÏ¸é µ¥ÀÌÅÍ¿Í RobustÀÇ ¹®Á¦ »Ó ¾Æ´Ï¶ó »ç¿ëÀÚÀÇ ¼ÓÀÓ¼ö°¡ Å« ¹®Á¦Á¡À¸·Î ´Ù°¡¿Â´Ù´Â Á¡À» ÀνÄÇÒ ¼ö ÀÖ´Ù. ÀÌ °°Àº ½ÇÆÐÀÇ ¿øÀÎÀ» ±Ô¸íÇÏ°í ½Çȯ°æ¿¡¼µµ 95% ÀÌ»óÀÇ ³ôÀº ÀνķüÀ» ´Þ¼ºÇÏ°Ô µÇ¾ú´Ù.
KAIST-RCV´Â óÀ½ Á÷¸éÇÏ´Â ¿ø¼¦ ·¯´× ¹®Á¦¸¦ ÇØ°áÇϱâ À§ÇØ ½º½º·Î ÀûÀÀ ÇнÀÇÒ ¼ö ÀÖ´Â ±â¼úÀ» °³¹ßÇß´Ù. À̸¦ °í¼Ó °íÃâ·Â 'ÈÞº¸2' ·Îº¿¿¡µµ Àû¿ëÇß´Ù. |