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.

본 프로젝트에서는 차량주행시 빗물을 닦는 와이퍼 설계 품질을 진단하고자 와이퍼 부상속도 예측 및 원인 분석 방법론을 제안하였다. 와이퍼는 차량이 주행하는 속도가 높을수록 뜨는 현상(부상)이 발생하는데 이 부상할 때 속도가 낮으면 좋은 품질을 의미한다. 이 부상속도는 결국 와이퍼가 바람의 세기에 따라 좌우되는데 바람의 세기를 결정짓는 것이 후드 형상(본네트)이다. 따라서 본 프로젝트에서는 와이퍼를 어떻게 설계했는지 기록한 수치형 설계 데이터와 후드형상 설계도면을 다양한 각도에서 바라본 Multi-view 이미지 데이터를 동시에 고려한 예측모델을 구축하기 위해 Interpretable multimodal deep learning 기법을 제안하였다. 수치데이터는 Deep neural network, 이미지 데이터는 Convolutional neural network을 사용하여 데이터로부터  유의미한 특성을 추출하고, Attention기반 modal 선택 및 class activation map 기반 이미지 내 중요구역을 강조할 수 있는 메커니즘을 추가하였다. 그 결과, 단일 Modal 만 사용했을 때보다 더 좋은 예측성능을 보였으며 유의미한 해석력을 도축하였다.

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.