본 프로젝트에서는 전기자동차를 사용하는 상황에서 사용자, 충전소에 대한 충전 패턴 분석을 진행하여, 충전 상황의 패턴을 파악할 수 있는 프로토콜을 제시하고, 이를 바탕으로 최적의 의사결정을 내리거나 이에 도움을 주는 것을 최종 목표로 하였다. 세부 목표는 ① 전기자동차 사용자의 충전 패턴 예측, ② 충전소의 시간대별 정보 예측, ③ 충전소 군집화로 총 세 가지이다.충전소에서 전기자동차들이 충전을 진행한 내역이 기록된 데이터인 충전 세션 데이터를 이용하여 분석을 진행하였으며, 해당 데이터는 사용자 ID, 충전소 ID, 충전 시작 시간, 충전 종료 시간, 순충전량 등이 포함된다.1. 전기자동차 사용자의 충전 패턴 예측본 프로젝트의 첫 번째 목표는 충전 세션 데이터를 이용하여 사용자의 충전 패턴을 예측하는 것이다. 전기차 배터리는 사용자의 패턴에 따라 수명이 달라지기 때문에 해당 프로젝트에서는 사용자의 패턴을 파악하기 위해 확률분포, 머신러닝 방법론을 사용하여 패턴 예측을 진행하였다. 사용자가 얼마나 오랫동안 충전할 것인지, 얼만큼 충전할 것인지, 언제 다시 충전을 시작할 것인지, 배터리가 얼마 남았을 때 충전을 진행할 것인지에 대해 예측을 진행하였다. 확률분포는 실제 데이터를 바탕으로 추정된 분포를 통해 진행하였으며, 머신러닝 방법론으로는 부스팅계열의 모델을 사용하여 사용자의 패턴 예측을 진행하였다.2. 충전소의 시간대별 정보 예측본 프로젝트의 두 번째 목표는 기존에 충전소에서 획득할 수 있는 정보를 바탕으로 미래 시점에서 충전소의 전력 소모량과 방문 차량 수를 예측하는 것이다. 충전 세션 데이터로부터, 각 충전소의 시간대(1시간, 6시간, 24시간)별 전력 소모량, 방문 차량 수에 대한 시계열 데이터를 획득하고, 획득한 데이터에 대하여 순환 신경망 구조인 LSTM을 학습시켰다. 학습시킨 LSTM 모델을 활용하여 미래 시점들에 대해 시간대별로 전력 소모량과 방문 차량 수를 예측하고, 그 성능을 평가하였다.3. 충전소 군집화 분석본 프로젝트의 세번째 목표는 군집화를 통해 유사한 충전소를 하나의 군집으로 묶고 군집별 특성에 대한 다양한 인사이트를 도출하는 것이다. 이때 충전소ID를 기준으로 각 충전소의 충전기 모델 종류 그리고 시간대(24시간,1시간)별 특징 ( 충전량, 충전 연결 시간, 그리고 방문자 등)을 추출하고 K-Means Clustering을 진행하였다. 최종적으로 충전소의 군집화 결과를 시각화하여 각 군집들이 어떤 특징을 보이는지 분석을 진행하였다.

본 프로젝트의 목표는 반도체 공정 이력 기반 데이터를 통해서 제품 특성값 예측 및 효율적인 공정관리를 하기 위한 불확실성 인과 관계 모델을 구축하는 것이다. 예측에 영향을 미치는 주요 공정에 대한 해석 및 불확실성을 정량화하는 것이 핵심이며, 반도체 공정 이력 데이터에 존재하는 시계열성 및 공정 간 순차 정보를 반영하여 반도체 제품 특성값 예측을 수행하였다. 입력데이터의 분포가 시간에 따라 변할 수 있는 covariate shift 및 출력데이터인 제품 특성값이 다양하게 존재할 수 있는 multi-output 문제를 모델 학습에 반영하여 불확실성 인과 관계 모델을 고도화하였다.1. 반도체 공정 이력 기반 데이터 탐색 및 전처리반도체 공정 이력 기반의 시계열 데이터에는 범주형으로 구성된 공정 step 정보와 수치형 계측 데이터가 혼재되어 있으므로 각 데이터 타입별 적절한 전처리가 요구되며, 예측 알고리즘에 적용하기 위해 데이터 특성을 반영한 정제 과정이 필요하다. 이에 따라 주어진 데이터에 대한 데이터 탐색 및 전처리를 진행하였다.              2. 순차적 공정 데이터 특징을 반영한 해석 가능한 알고리즘 개발 및 불확실성 정량화공정 이력 데이터에는 각 공정 별 순차성이 존재한다. 본 프로젝트에서는 순차성을 반영하면서 동시에 결과에 대한 주요 공정 해석이 가능한 알고리즘을 제안하였다. 예측값과 입력값 사이의 관계 파악을 위해 모델에 내부적인 파라미터로 모델을 구성(model specific)하는 방식인 Attention mechanism을 활용하여 변수별 주요 해석이 가능하도록 모델을 구축하였다. 모델 구조에 stochastic feedforward attention layer를 사용하여 해석에 대한 불확실성 정량화가 가능하도록 하였다.  3. 시점에 따라 데이터 분포가 변경되는 상황 반영공정 데이터는 시점에 따라 데이터 분포가 변화하는 특성을 지니기 때문에, 이를 고려하여 cluster를 사전에 정의하고 각 cluster별로 모델 학습 및 검증을하는 2단계 모델링을 수행하였다. 본 프로젝트에서는 각 cluster별로 결과를 도출한 2단계 모델링 기법을 시점을 반영하지 않은 결과와 비교하여 성능 평가를 하였다.                                                                        4. 예측 알고리즘 주요 변수 해석 및 불확실성 정량화 시각화 결과아래 그래프는 공정 이력 데이터에 대한 주요 변수 해석 및 불확실성 정량화를 시각화한 것이다. 첫 번째 그래프는 주요 변수 해석에 대한 그래프이다. X축이 각 공정 변수들이며 Y축 값이 attention score이다. 제품 특성값 예측에 있어서 주요하게 영향을 준 변수를 확인할 수 있다. 두 번째 그래프는 주요하게 영향을 준 변수 상위 10개에 대한 불확실성 정량화 값이다. 제품 특성값 예측 결과에 대한 주요 변수 해석 및 불확실성을 확인할 수 있다.

본 프로젝트는 인공지능 기술을 통해 누적되는 게임 상황 로그 데이터에서 추론되는 메타 플레이 인식을 기반으로 게이머 특성에 대응되는 게임 행동패턴을 생성시켜 플레이 유형에 따라 다양하게 변화할 수 있도록 스스로 진화하는 게임 인공지능 프레임워크를 개발하였다. 1차년도에는 스타크래프트 게임 리플레이에 대한 승패 예측 모델을 구축하고 핵심적인 게임 상황 요소를 추출하여 플레이어와 관전자 모두가 게임의 즐거움을 높일 수 있는 컨텐츠 개발을 하였다. 또한, 플레이 패턴 기반 강화학습 에이전트 생성 기술을 개발하여 인공지능과 대련할 수 있는 게임 플레이 즐거움을 높이는 연구를 진행했다. 2차년도에는 게임 플레이어의 숙련도를 리플레이 영상만으로 예측하는 연구를 진행하였고, 이를 통해 비슷한 수준을 가진 플레이어끼리 매칭될 수 있는 매칭 시스템을 개발하였다. 이어 상대방 플레이어가 어떠한 전략을 취하고 있는지를 본인 게임 정보 상황만으로 예측하는 불완전 정보 복원 모델링을 개발하여, 효과적인 전략 수립에 도움되는 결과물을 얻었다. 또한, 강화학습 알고리즘을 통해 여러 가지 게임 패턴을 가진 리플레이 영상들을 확보하고, 이를 통해 비슷한 게임 플레이 패턴을 가진 데이터를 군집하였다. 이는 비슷하거나 상이한 게임 패턴을 가진 유저끼리 매칭하는데 큰 도움을 줄 것으로 기대한다. 3차년도에는 자가지도학습과 게임 시공간 정보를 통해 불완전 정보 복원 모델링 기술을 고도화하였으며, 다양한 게임 상황에서도 다변화하며 높은 숙련도를 가진 게임 에이전트를 강화학습으로 확보하였다.

디젤 자동차에서 EGR 밸브의 경고등으로 인한 소비자 클레임은 빈번하게 발생한다. EGR 밸브에서 발생하는 이상을 탐지하고, 일어난 원인이 되는 센서를 분석하는 것은 현업에서 매우 중요하다. 본 프로젝트에서는 디젤 자동차에서 수집되는 multi-channel sensor data를 사용하여 EGR 밸브의 이상을 예측하는 모델을 구축하고, 설명력을 확보하기 위해 attention mechanism을 적용하였다. EGR 밸브의 이상은 차량 밸브의 목표 열림량과 실제 열림량의 차이를 이용하였으며, 센서와 시간대의 중요도를 단계적으로 파악하기 위해 hierarchical attention을 사용했다. 추가적으로, attention score를 기반으로 한 군집화 분석을 수행하여, 이상의 패턴을 유형화하였다.

최근 통신사인 SKT, LG U+, KT는 매우 다양한 요금제를 제공한다. 따라서, 요금제 중 현재 고객에게 알맞는 요금제를 추천해주는 서비스는 필수적이다. 본 프로젝트에서는 고객의 개인정보를 바탕으로 현재 고객과 비슷한 유형의 고객들이 많이 사용하는 요금제를 추천해주는 분석을 진행하였다. 여기서 비슷한 유형의 고객들이 많이 사용하는 요금제를 추천해줄때 요금제에서 제공되는 데이터 양, 통화량 등을 초과하지 않고 알맞게 사용한 고객들만을 추출하여 군집화를 진행하였다. 따라서, 현재 요금제에서 제공하는 서비스 량을 초과하여 사용하는 고객들에게도 알맞은 요금제를 추천해주는 알고리즘을 개발하였다. 또한, 3개월 또는 6개월간 고객이 지불한 요금을 학습하여 추후 얼마만큼 요금이 발생할 것인지에 대한 예측 알고리즘도 개발하였다.

오늘날 제조, 의료 등 산업 전반에 걸쳐 대량으로 수집되는 멀티채널 센서 데이터의 분석은 센서가 부착된 장비의 효과적인 유지보수를 위해 반드시 필요하다. 본 과제에서는 차량에 부착된 여러 개의 센서로부터 수집되는 시그널 데이터를 분석하여 차량의 고장을 예측하는 비정상 신호 탐지 프로세스를 개발하였다. 특징 추출 알고리즘을 적용하여 시그널 데이터로부터 특성치를 추출하고, 추출한 시그널 특성치를 이용하여 군집화 분석을 수행하였다. 군집 분석의 결과를 토대로 비정상 신호 구간을 탐지하였다.