2026년 8월 24일부터 26일까지 충남 예산 스플라스 리솜에서 개최된 한국데이터마이닝학회 하계학술대회에 참가하였다. 이번 학회는 “From Data to Action: Agentic AI Meets the Physical World”를 주제로 진행되었으며, 구두 발표와 포스터 세션을 통해 Agentic AI와 Physical AI를 중심으로 한 다양한 연구 및 산업 적용 사례를 접할 수 있었다. 이번 학회를 통해 Agentic AI와 Physical AI가 현재 인공지능 연구의 중요한 흐름이라는 점을 다시 한번 확인할 수 있었다. 특히 구두 발표 세션에서는 관련 기술이 실제 산업에서 어떻게 활용되고 있는지뿐만 아니라, 산업계가 현재 어떤 문제와 한계에 주목하고 있는지도 살펴볼 수 있었다.

Physical AI 분야에서는 실제 물리 환경의 데이터를 충분히 확보하기 어렵다는 점과 시뮬레이션에서 학습한 모델을 현실 환경에 적용하는 Sim-to-Real 과정에서의 차이가 주요한 문제로 다루어졌다. 이를 해결하기 위한 방향으로 물리 법칙을 학습 과정에 반영하는 Physics-Informed 접근법과 Mesh 및 3D Reconstruction 기술을 활용한 물리 환경 데이터 구축 방법이 소개된 점이 인상적이었다.

Agentic AI 분야에서는 범용 모델의 성능뿐만 아니라 실제 산업 현장에서 활용하기 위한 도메인 특화 지식의 확보가 중요하게 다루어졌다. 특히 문서와 이미지 등 다양한 비정형 데이터로부터 필요한 정보를 추출하고, 이를 구조화하여 온톨로지와 지식 체계를 구축하는 과정이 에이전트의 추론과 의사결정에 중요한 기반이 된다는 점을 알 수 있었다. 이번 학회를 통해 최신 기술의 발전 방향뿐만 아니라, 이러한 기술을 실제 환경에 적용하기 위해 해결해야 할 데이터와 도메인 지식의 문제도 함께 생각해 볼 수 있었다.

이번 학회에서는 TV 제품의 구동 조건과 IR 열화상 이미지를 활용하여 보드 내 소자의 실제 타점 온도를 예측하는 멀티모달 딥러닝 방법론을 포스터로 발표하였다. TV 제품의 열 신뢰성 평가에는 소자별 타점 온도가 필요하지만, 실제 소자에 직접 접촉하여 측정해야 하므로 데이터를 수집하는 데 많은 시간과 비용이 소요된다. 이에 상대적으로 수집이 용이한 IR 온도와 전압, 보드, 구동 패턴 등의 조건 및 열화상 이미지를 활용하여 실제 타점 온도를 예측하는 연구를 진행하였고, 이를 주제로 포스터  발표를 진행하였다.

발표 과정에서 가장 크게 느꼈던 점 중 하나는, 연구자가 설명하고 싶은 내용과 청중이 궁금해하는 내용이 다를 수 있다는 점이었다. 특히 산업적인 관점에서는 모델의 세부 구조뿐만 아니라, 실제 현장에서 무엇이 문제였는지, 기존 방식에는 어떠한 한계가 있었으며 제안한 방법이 이를 어떻게 해결했는지를 궁금해하는 경우가 많았다. 따라서 연구 방법론을 곧바로 설명하기보다 먼저 산업 현장의 문제와 연구의 필요성을 충분히 전달한 뒤, 해결 방법과 결과를 연결하여 설명하는 것이 연구를 이해시키는 데 효과적이라는 점을 배울 수 있었다.

또한 질문의 표면적인 내용에만 답하기보다, 질문자가 어떤 부분을 확인하고자 하는지를 파악하여 답변하는 것이 중요하다는 점도 느꼈다. 이번 발표 경험을 바탕으로 앞으로는 연구의 기술적인 내용뿐만 아니라 문제의 배경과 실제 활용 가능성까지 청중의 관점에서 설명할 수 있도록 발표를 구성해야겠다고 생각하였다.

해당 연구는 딥러닝 기반 강수 예측에서 MSE와 같은 픽셀 기반 손실함수를 사용할 경우 예측 결과가 과도하게 평활화되어 국지적인 강수 패턴이 흐려지는 문제를 다루었으며, 이를 해결하기 위해 Fourier Transform 기반의 전역 주파수 일관성과 Dual-Tree Complex Wavelet Transform 기반의 지역 구조 보존을 함께 고려하는 WFCL을 제안하였다.

Fourier Transform을 통해 전체 강수 분포의 저주파 및 전역적 특성을 반영하고, Wavelet Transform을 통해 위치와 방향에 따른 지역적 고주파 구조를 보존한다는 점이 흥미로웠다. 특히 일반적으로 두 변환 중 하나만 활용하는 것과 달리, 각각의 장점을 하나의 손실함수에 결합하여 강수 패턴의 전체적인 분포와 국지적인 선명도를 동시에 개선하고자 한 접근이 인상적이었다. 실험에서도 제안 방법이 기존 손실함수보다 구조적 일관성, 극한 강수 표현 및 공간적 위치 정확도에서 우수한 결과를 보인다는 점을 확인할 수 있었다.

해당 연구는 산업용 비주얼 이상 탐지를 위한 학습 데이터를 확보하기 어렵다는 문제를 해결하기 위해, 단 한 장의 정상 이미지와 텍스트 프롬프트만으로 사실적인 국소 이상 이미지를 생성하는 제로샷 이상 생성 방법을 제안하였다. 기존의 이상 생성 방법은 생성된 이상이 실제와 다르거나, Diffusion 모델과 같은 대규모 모델을 사용하여 많은 연산 비용이 필요하다는 한계가 있다. AnoStyler는 경량 U-Net 기반의 스타일 변환 네트워크를 활용하여 이러한 문제를 해결하고자 하였다.

먼저 Line, Dot, Freeform 형태의 Meta-Shape Prior를 조합하여 이상 영역의 마스크를 생성하고, SAM을 통해 추출한 객체 영역과 결합함으로써 이상이 배경이 아닌 객체 내부에 생성되도록 하였다. 또한 정상과 이상 상태를 표현하는 여러 텍스트 프롬프트의 CLIP 임베딩을 평균하여 텍스트 조건을 안정적으로 구성하였다. 이후 정상 이미지에서 이상 이미지로 변화하는 방향이 텍스트 임베딩 공간에서 정상에서 이상으로 변화하는 방향과 일치하도록 네트워크를 학습하였는데, 이 부분이 특히 흥미로웠다. 무거운 Diffusion 모델 대신 경량 네트워크를 활용하면서도 높은 생성 품질과 이상 탐지 성능을 달성했다는 점에서, 실제 산업 현장에서의 활용 가능성과 연구적 의의를 모두 갖춘 논문이라고 생각할 수 있었다.