[학회 후기]

이번 데이터마이닝 학회는 온라인으로 참가한 덕분에 편하게 들을 수 있었지만, 현장의 생생함을 느끼지 못한 점은 아쉽다. 발표가 많지 않아서인지 세션별로 나눠지지 않아 한번에 이어서 들을 수 있었고 오히려 집중이 되어 좋았던 것 같다. 이민정 연구원의 발표가 대상을 타게 되었는데, 다시한번 축하한다는 말을 전한다. 내년에는 학회 현장에 오프라인으로 참석해볼 수 있기를 기대해본다.

[청취 후기]

- LSTM 기반 딥러닝을 이용한 일사량 이미지 생성 (이준걸, 박성훈, 김태형, 김창기, 한성원 - 고려대학교, 한국에너지연구원)

특정 지역의 일사량을 예측하기 위해 시간에 따른 구름 모양 이미지를 예측하는 내용의 발표였다. 기존 방법은 Clustering을 통해 구름을 찾고 벡터를 산출하여 예측하는 Cross-Correlation Method였는데, 구름의 모양이 시간에 따라 일정하다는 가정을 기반에 두고 있기 때문에 한계가 있었다. 이러한 문제를 극복하기 위해 ConvLSTM, predRNN, predRNN++ 모델을 Stacked Generalization 앙상블 기법으로 모델링한 방법을 제안하였다. 또한 예측 결과 이미지를 더 선명하게 하기 위해 Stacking한 결과에 Convolution Auto Encoder를 추가하였다고 한다. 단일 모델에 대한 공부도 해야겠지만, 현실적으로 많이 쓰게 될 것 같은 앙상블 모델 방법에 대해서도 많은 공부를 해야할 것 같다.

- Variational AutoEncoder와 Isolation Forest 기법을 활용한 설비 고장 전조증상 탐지 (최희정, 김동화, 김정희, 김지나, 황화원, 박현지, 김요진, 이승혜, 강필성 - 고려대학교, 한화시스템/ICT)

설비가 실제 고장나기 이전에 나타나는 이상 징후을 탐지하여 최적 고장 진단 시점을 예측하는 내용의 발표였다. 이를 위해 VAE와 Isolation Forest 모델을 적용하였다. 또한 어떤 변수가 전조 증상 탐지에 영향을 주었는지를 측정하기 위해 VAE는 reconstruction error에 기여한 정도로, Isolation Forest는 SHAP value로 변수 중요도를 측정하였다고 한다. 고장이 발생한 다음에 설비를 보완하는 것은 확실히 시간과 비용 측면에서 너무 늦은 일이 될 것이다. 제안하는 내용처럼 전조 증상을 잘 탐지하여 너무 빠르지도 않고 너무 늦지도 않은 최적 고장 진단 시점을 예측하는 일은 산업현장에서 중요한 일이 될거라고 생각한다.