본 프로젝트는 타이어 설계데이터를 기반으로 인공지능 기술을 이용한 성능 예측 및 설계 최적화 분석을 진행하였다. 기존에는 타이어 개발을 위해 타이어 설계 후보안을 유한요소해석법(finite element analysis, FEA)으로 성능을 평가한 다음 시제조 및 주행시험을 통과한 타이어 설계에 대해 양산하는 방식으로 이루어졌다. 하지만 이는 평가 시간이 매우 길고 높은 시제조 비용을 요구하는 단점이 있다. 본 프로젝트에서는 타이어 설계 데이터 기반 인공지능 모델을 이용하여 성능 예측 모델을 개발하였다. 엔지니어가 수집한 데이터 내 입력데이터 결측이 존재해도 예측가능한 모델 개발을 위해 결측대체기법 및 예측모델을 통합하였다. 또한, 예측모델을 기반으로 목표 타이어 성능에 대한 최적 설계를 도출하기 위해 베이지안 최적화를 적용하였다. 본 프로젝트에서 구축한 예측 및 최적화 기법은 시제조에 소요되는 시간 및 비용 감소에 효과적으로 기여할 것으로 본다.

본 프로젝트는 6분력계를 머신러닝 모델로 교체하는 목적을 가지고 있다. 6분력계 센서는 x, y, z축으로 받는 힘과 모멘트를 측정하는 센서이다. 이를 주행 중에 측정하는 것은 차량의 주행 안전성, 차량의 내구도 측정 등에 유용하게 활용된다. 하지만 6분력계 센서는 전문가의 설치와 교정이 필요하기에 설치 및 데이터 확보에 상당한 비용을 수반한다. 이를 비용이 적게 확보가능한 타 센서들의 값을 이용한 예측 모델로 대체하였다. 따라서  다채널 센서 데이터가 입력되면 4개의 휠에 각각 부착된 총 24개의 값을 예측하는 모델을 구축하였으며 최근 다채널센서 데이터 분석에 많이 활용되는 CNN 모델을 사용하여 예측력을 고도화하였다. 

본 프로젝트는 기계학습 방법론을 이용해 내구용 타이어 설계 후보값 도출하는 목표를 가지고 있다.  기존에 가지고 있는 소량의 내구용 타이어 모델을 변경시켜 새로운 내구용 타이어 설계 후보값을 도출하기위해 기계학습 방법론을 사용해 새로운 프로세스를 제안했다.   우선적으로 시뮬레이터를 모사하여 타이어 영향도에 대한 유사도 행렬을 구축,  내구용 타이어 모델의 군집을 생성하였다. 이후 6분력 하중의 변화를 발생시키는 주요 타이어 특성인자를 랜덤포레스트 모델의 중요변수 추출 기법을 이용해 찾고 이를 변화시키는 설계인자의 값을 의사결정나무로 추출하였다. 이는 현업 엔지니어가 고비용과 많은 시간을 소비하여 설계 후보값을 도출해야하는 문제를 해결하고 비전문가도 기계학습 방법론을 이용해 객관적으로 후보값을 도출할 수 있다는 점에서 큰 의의가 있다. 

호텔, 리조트 등 숙박 관련된 산업분야에서 고객의 예약 취소를 정확하게 예측하는 것은 매우 중요한 일이다. 고객의 예약 취소를 예측한다면 해당 취소 건수만큰 초과 예약(Overbooking)을 받아 회사의 손실을 줄일 수 있기 때문이다. 본 프로젝트에서는 회귀 모델, 트리 모델, 딥러닝 모델 등 다양한 머신러닝 모델을 활용하여 분석을 진행한 이후 정확도가 가장 높은 모델을 제안하였다. 세부적인 분석을 위해 5일 전, 10일 전, 14일 전을 기준으로 총 3가지 경우에 대해 분석을 진행하였고, Room_Type도 Family Type, Royal Type 2가지 경우에 대한 분석을 진행하였다. 실제 모델 사용 시 이해도를 높이기 위해  예측 모델의 중요한 변수까지 도출해  협력사에 전달해 주었다.

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.

최근 주행 차량에 다량의 센서가 부착되면서 다채널 타임시리즈 데이터가 확보되고 있다. 또한 이러한 데이터를 분석하여 패턴을 파악하는 것이 다양한 목적을 위해 사용되고 있다. 본 과제에서는 스트레인 센서로 부터 확보된 스트레인 행렬값으로 하중 센서로 부터 확보된 하중 행렬 값을 도출해내는 목적을 띄고 있다. 다음과 같은 작업이 수행되면 하중을 측정하기 위한 센서를 머신러닝을 사용한 센서 값으로 대체가능하게된다. 따라서 하중을 측정하기위해 사용되는 센서 비용, 센서 부착 비용 및 데이터 수집 비용 등을 절감할 수 있는 효과를 지니게 된다. 본 과제에서는 이를 해결하기위해 Time-lag을 고려한 딥러닝 예측모델을 사용하였다. 센서 간의 time-lag을 반영하기위해 입력 데이터를 window 단위로 관측치를 변경하였고 따라서 t시점의 하중예측을 위해 t시점의 x값 뿐만 아니라 그 전 시점의 다시점 x값이 사용된다.  이와 같은 방법은 time-lag을 고려하지 않은 방법론과 비교하여 예측 성능을 크게 향상시킬 수 있었다.

본 프로젝트는 유통정보 분석을 통한 특이 스토어 조기탐지 방법에 대한 연구를 목적으로 진행되었다. 데이터마이닝 기법을 활용하여 다양한 상황 하에서 특이 스토어의 조기 탐지가 가능한 새로운 알고리즘을 개발하였다. 상대적인 실 판매 정보를 측정할 수 있는 Quantity Sales Score를 제안했으며 이를 이용하여 (1) 잠재 역량 대비 우수/부진 스토어 탐지를 위한 Segment-Based chart, (2) 급격한 판매 상승/하강을 보이는 스토어 탐지를 위한 Moving Average Gap Chart, (3) 지속적인 판매 상승/하강의 패턴을 보이는 스토어 탐지를 위한 Moving Average Gap Count Chart를 개발하였다. 이들 기법의 적용을 통해 부진패턴을 보이는 스토어를 체계적이고 과학적으로 조기탐지 할 수 있었으며 이에 대한 분석을 통해 모든 스토어의 판매역량 상향 평준화를 달성하는데 도움을 주었다.