본 프로젝트에서는 차량의 디자인에 따라 주행 시 발생하는 상세 풍절음들을 예측하고, 이를 바탕으로 중요한 디자인적 요소를 찾아주는 것을 최종 목표로 하였다.세부 목표는 ① 3가지 대역의 풍절음 예측, ② 풍절음에 중요하게 작용하는 디자인 요소 탐색으로 총 두 가지이다. 1.  풍절음 예측디자인에 따른 풍절음을 예측하기 위해, 자동차의 특징적인 부분을 반영할 수 있는 여러 이미지들을 입력 값으로 사용하였고, CNN기반의 특징 추출기를 이용하여 특징 벡터를 추출하였다. 또한 추출된 특징 벡터들 중 예측값에 가장 중요하게 반영되는 가중치를 연산하는 Self-Attention 모듈과 이를 이용하여 3가지의 주파수 대역을 예측하는 Linear Layer를 이용하여 3가지 대역의 풍절음을 예측하였다.2. 디자인 요소 탐색디자인 요소 탐색을 위해서는 가장 중요하게 사용된 이미지 종류와, 그 이미지 안에서도 어떤 부분이 중요했는지에 대한 정보가 필요하다. 이를 위해 Attention Score와 Grad-CAM을 사용하였다. 우선 Attention Score를 이용한 중요 이미지 탐색은 아래 표와 같으며, 주로 사이드 미러의 형태가 풍절음에 중요하다는 것을 알 수 있다. 또한 오른쪽 그림은 중요하게 작용했던 7가지 이미지에 대해 Grad-CAM을 이용하여 각 이미지 내에서 중요한 부분을 탐색한 결과이다.

본 프로젝트는 다양한 설비들이 연속적으로 작동하는 디스플레이 photo공정에서 공정 지연을 유발한 인자(Glass)를 탐지하고 원인이 되는 단위 공정(Unit)을 해석하는 것을 목표로 수행되었다. 여러 공정을 통과할때마다 걸리는 시간 데이터(Tack time)를 연속적으로 반영하여 특징을 추출하고 해석하여 공정 지연이 되는 주요 원인을 작업자에게 전달하는 것이 핵심이며, 이를 기반으로 이상치 탐지 알고리즘과 해석 가능 모델을 설계하였다.1. 시계열 데이터 특징을 반영한 이상치 탐지 알고리즘 개발Photo 설비에서 공정이 가동되면 연속적인 시계열 특성을 갖기 때문에 본 프로젝트에서는 시계열 특징을 반영한 이상치 탐지 알고리즘을 개발하였다. 다양한 이상치 탐지 알고리즘을 사용하였으며 LSTM-AE, LSTM-VAE, MAD-GAN, Anomaly Transformer 그리고 USAD를 적용하였고 그 중 AutoEncoder와 GAN 구조를 함께 사용하는 USAD가 가장 우수한 성능을 보였다. 평가를 위해 정확도와 F1-score를 사용하였으며 추가적으로 설비 공정에서 사용되는 실제 정상 데이터 중 불량으로 잘못 예측한 비율인 과검률과 실제 불량 데이터 중 불량으로 올바르게 예측한 비율인 불량 검출률을 사용하였다.2. 주요 원인 진단이 가능한 해석 가능 모델 설계 및 해석 결과 검증해석을 위해 이상치 탐지 알고리즘을 모방하는 해석 가능한 보조모델에 대한 학습이 필요하였다. Autoencoder 모델을 생성하여 원본 데이터를 입력 값으로 학습이 된 이상치 탐지 모델로부터 얻어진 이상치 점수 데이터를 출력 값으로 활용하였으며 이상 정도에 따라 원인 unit을 정의 할 수 있었다. 또한 시계열이라는 특성을 반영하여 각 unit에 대한 주요 unit 추적도 가능하다. 

본 프로젝트는 범죄 위험 상황을 초기 인지하여 실시간으로 범죄 위험을 판단하고 대응하기 위한 지능형 범죄 위험도 예측 및 대응 플랫폼 개발을 목표로 한다. 고려대학교는 본 과제 내 신고건수 예측 및 범죄 요인 진단 기술 개발을 담당하였다. 1차년도는 112 신고 데이터내 대여성 범죄에 국한하여 탐색적 데이터 분석 및 기초 통계 분석을 수행함으로써 112 신고 데이터의 특성 파악을 목표로 하였다. 또한 딥러닝 기반 대여성 범죄 유형 분류 및 위험 코드 분류 모델을 구축하였다. 2~4차년도는 전체 범죄 유형을 포함한 서울시 112 신고 데이터 및 웹 크롤링을 통해 확보된 지역 통계, 날씨 데이터등 외부 공공 데이터를 통합 사용하여 신고건수 조기 예측 모델 개발을 목표하였다. 본 모델은 부스팅 기반 모델과 딥러닝 모델을 스태킹하는 구조를 활용하여 성능을 고도화했을 뿐 아니라 범죄 요인 진단 기능을 포함하였다. 조기 신고 건수 예측 및 요인 진단으로 범죄 위험 상황을 초기에 인지할 수 있을 뿐아니라 치안 대책 방안을 모색하는데 기여할 수 있다는 특징이 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.