저작권법이 2011. 12. 2. 개정되어 공정이용 조항이 도입되었다. 이로써 저작물의 통상적인 이용 방법과 충돌하지 아니하고 저작권자의 정당한 이익을 부당하게 해치지 않는 경우에 해당하면 저작물을 이용할 수 있게 되었다. 공정이용 해당 여부를 판단하는 데에는 이용의 목적 및 성격, 저작물의 종류 및 용도, 이용된 부분이 저작물 전체에서 차지하는 비중과 그 중요성, 저작물의 이용이 그 저작물의 현재 시장 또는 가치나 잠재적인 시장 또는 가치에 미치는 영향 등을 고려하여야 한다. 미국 사례로서 선거운동에서 이용허락 없는 원음악저작물을 사용한 경우와 국내 사례로서 실제 골프코스를 화면에 재현하여 스크린 골프장 운영업체에 제공한 경우, 박람회에서 이용허락 없이 홍보 동영상을 재생한 경우, 방송사의 시험문제를 비판하기 위하여 대상 문항을 인터넷에 게시한 경우, 노동착취 행위를 알리는 과정에서 작가를 조롱하기 위하여 예술작품을 복제한 경우를 소개하고 이를 통해 실제 사례에서 위와 같은 판단 요소가 어떻게 고려되는지 살펴보았다. 한편 인공지능의 빅데이터 활용에도 공정이용조항이 적용될 수 있다. 공정이용조항은 저작권 제한 사유를 구체적⋅개별적으로 열거한 것이 아니라 일반적⋅포괄적으로 규정하고 있으므로, 인공지능과 같이 빠르게 발전하는 기술에 따른 다양한 저작물 이용 형태까지도 적시에 파악하여 저작권자와 이용자 또는 일반 공중 사이의 이익을 합리적으로 조율할 수 있다는 장점이 있다. 이때에는 위와 같은 법률상의 고려요소와 함께 저작권자의 권리 보호를 위한 합리적인 노력 내지 조치의 존부, 산재된 이득의 집적 효과, 그로 인한 이해당 사자들이 얻는 이익 또는 불이익의 정도 등을 종합적으로 고려하여야 한다. 그러나 공정이용조항은 인공지능의 빅데이터 활용을 가능하게 하는 임시적인 방편에 불과하다. 예측가능성을 제공하여 기술 발전을 도모하기 위해서는 텍스트 및 데이터 마이닝에 관한 입법적 조치가 요구된다. 입법 과정에서는 4차 산업혁명 시대에 있어 인공지능의 적극적 활용을 위한 제도적 장치 마련의 필요성이라는 측면과 함께, 산재된 저작권의 경미한 이용에서 비롯된 재산적 가치의 이전에 대한 보상의 필요성이라는 측면까지도 충분히 고려되어야 할 것이다.

목적 : 인공지능의 기계학습 또는 심층학습을 이용한 연구가 다양한 분야에서 시도되고 있다. 본 연구는 공공 시력데이터를 자동화 수집하고, 수집한 데이터를 기계학습에 적용 및 예측하였다. 다양한 학습모델간 성능을 비교 함으로써, 시과학분야에서 적용 가능한 기계학습 최적화모델을 제시함에 있다. 방법 : 국민건강보험(NHISS) 및 통계포털(KOSIS)에 발표된 국민 시력분포 현황관련 자료를 특정 색인을 포함하 는 자료검색기법인 크롤링(crawling)을 사용하여 검색 및 수집을 자동화하였다. 2011년부터 2018년까지 보고된 모든 자료를 수집하였으며, 데이터 학습을 위해 Linear Regression, LASSO, Ridge, Elastic Net, Huber Regression, LASSO/LARS, Passive Aggressive Regressor 그리고 Pansacregressor 총 8개 모델을 사용하여 각각 데이터 학습 하였다. 결과 : 수집한 데이터를 기반으로 기계학습 모델을 통해 2018년을 예측하였다. 각 모델간 2018년도 실제-예측데 이터 차이를 MAE(Mean Absolute Error)와 RMSE(Root Mean Square Error) 점수로 각각 나타냈다. 학습모델 별 차이 중 MAE 평가결과 모델간 우/좌 Linear Regression(0.22/0.22), LASSO(0.83/0.81), RIDGE(0.31/0.31), Elastic Net(0.86/0.84), Huber Regression(0.14/0.07), LASSO/LARS(0.15/0.14), Passive Aggressive Regressor (0.29/0.18) 그리고 RANSA Regressor(0.22/0.22)를 보였다. RMSE에서 Linear Regression(0.40/0.40), LASSO (1.08/1.06), Ridge(0.54/0.54), Elastic Net(1.19/1.17), Huber Regression(0.20/0.20), LASSO/LARS(0.24/0.23), Passive Aggressive Regressor(0.21/0.58) 그리고 RANSA Regressor(0.40/0.40) 각각 나타냈다. 결론 : 본 연구는 자동화 자료검색 및 수집을 위한 크롤링 기법을 이용하여 데이터를 수집하였다. 이를 기반으 로 고전 선형모델을 기계학습에 적용할 수 있도록 하고, 데이터 학습을 위한 8개 학습모델들 간 성능을 비교하였다.

The fourth industrial revolution encourages manufacturing industry to pursue a new paradigm shift to meet customers' diverse demands by managing the production process efficiently. However, it is not easy to manage efficiently a variety of tasks of all the processes including materials management, production management, process control, sales management, and inventory management. Especially, to set up an efficient production schedule and maintain appropriate inventory is crucial for tailored response to customers' needs. This paper deals with the optimized inventory policy in a steel company that produces granule products under supply contracts of three targeted on-time delivery rates. For efficient inventory management, products are classified into three groups A, B and C, and three differentiated production cycles and safety factors are assumed for the targeted on-time delivery rates of the groups. To derive the optimized inventory policy, we experimented eight cases of combined safety stock and data analysis methods in terms of key performance metrics such as mean inventory level and sold-out rate. Through simulation experiments based on real data we find that the proposed optimized inventory policy reduces inventory level by about 9%, and increases surplus production capacity rate, which is usually used for the production of products in Group C, from 43.4% to 46.3%, compared with the existing inventory policy.

안전한 해양플랜트 운용을 위해 장비 성능평가를 실시하고 그 결과를 모니터링 할 수 있는 시스템이 필요하다. 현재는 육상으로부터 멀리 떨어진 해양플랜트의 특성상 장비 성능평가를 위해 정기적으로 계측 데이터를 저장매체에 저장한 후 육상으로 운반해야한다. 이로인해 성능평가 주기가 길어지고, 다음 성능평가가 시행되기 전까지의 장비의 성능 저하 정도를 알 수 없어 장비의 고장을 방지하기 어렵다. 따라서 육상이 아닌 해양플랜트 내에 온보드(on-board) 형태의 장비 성능 모니터링 시스템을 구축할 필요가 있다. 본 논문에서는 해양플랜트 내에서 장비 성능을 평가하고 그 결과를 가시화하는 장비 성능 모니터링 시스템을 개발하기 위한 초기 단계로, 장비 성능 모니터링 시스템의 데이터베이스를 설계 및 구축하고자 한다. 이를 위해 주요 장비의 태그 데이터를 선정하여 분석을 진행하였다. 최종적으로 장비 상태를 실시간으로 계측한 데이터를 해양플랜트 내에서 저장 및 관리하기 위해 온보드 형태의 장비 성능 모니터링 시스템을 위한 데이터베이스를 설계 및 구축 하였다.

2017년 미국 DOE 주도하에 수행된 국제공동 복합모드운반시험 중 도로트럭운반시험, 연안항해시험, 대서양항해시험에서 측정된 가속도 및 변형률 데이터를 분석하였다. 먼저 각 운반모드 별로 발생한 하중이 전달경로에 따라 하중이 증폭되는지 감쇄되는지가 조사되었다. 그 결과 운반모드 및 하중경로 내 어떤 부분이냐에 따라 발생한 하중이 모의핵연료집합체에 전달되는 특성이 다름을 확인하였다. 그리고 변형률 데이터를 분석하여 육상 및 해상운반동안 발생한 변형률이 사용후핵연료에 건전성에 미치는 영향을 파악하였다. 그 결과 측정된 변형률은 사용후핵연료의 건전성에는 영향을 미치지 못하는 정도로 작은 크기임을 확인하였다. 본 연구에서 분석된 가속도와 피로평가 결과는 예정된 국내 정상운반시험조건에서의 운반시험에 유용한 기초자료로 활용될 것이다.

PURPOSES : The purpose of this study is to evaluate the performance characteristics of stone mastic asphalt (SMA) pavement by comparison with polymer modified asphalt (PMA) pavement and conventional asphalt pavement, to check the performance characteristics according to the pavement type, pavement materials, traffic volume, and environmental factors and to analyze the quality variation characteristics according to the pavement materials using data extracted from the database of the expressway long-term pavement performance. METHODS : Approximately 10% outlier data of pavement performance data were excluded in order to increase the reliability of the analysis results before evaluating the asphalt pavement performance. The performance model was developed through linear regression analysis by setting the performance period as the independent variable and the highway pavement condition index (HPCI) as the dependent variable. Descriptive statistic analysis of HPCI using the static package for social science (SPSS) tool and the analysis of variance was performed to identify the quality variation characteristics according to the pavement materials. The amount of de-icing agent and traffic level of service were classified as two levels in order to check the influence of traffic volume and environmental factors on the performance characteristics of the asphalt pavement. RESULTS : The tentative pavement performance lives were calculated at 19.3 years for new the SMA pavement (GPS-2), 14.3 years for the SMA overlay on the asphalt pavement (GPS-6), and 10.3 years for the SMA overlay on the concrete pavement (GPS-7). In case of the asphalt overlay, the tentative performance lives were calculated at 8.2 years for the PMA overlay on the asphalt pavement (GPS-6), 7.2 years for the PMA overlay on the concrete pavement (GPS-7), 7.2 years for the conventional asphalt overlay on the asphalt pavement (GPS-6), and 5.5 years for the conventional asphalt overlay on the concrete pavement (GPS-7). CONCLUSIONS : It was confirmed that the SMA pavement showed better performance and quality variation characteristics than the PMA and conventional asphalt pavement. The performance characteristics of the asphalt pavement (GPS-2) was better than the asphalt overlay pavement, and the asphalt overlay on the asphalt pavement (GPS-6) had better performance characteristics than the asphalt overlay on the concrete pavement (GPS-7). It was observed that the asphalt overlay on the asphalt pavement (GPS-6) was strongly influenced by the traffic volume and the asphalt overlay on concrete pavement (GPS-7) was strongly influenced by the traffic volume and de-icing agent.

Recently, a study of prognosis and health management (PHM) was conducted to diagnose failure and predict the life of air craft engine parts using sensor data. PHM is a framework that provides individualized solutions for managing system health. This study predicted the remaining useful life (RUL) of aeroengine using degradation data collected by sensors provided by the IEEE 2008 PHM Conference Challenge. There are 218 engine sensor data that has initial wear and production deviations. It was difficult to determine the characteristics of the engine parts since the system and domain-specific information was not provided. Each engine has a different cycle, making it difficult to use time series models. Therefore, this analysis was performed using machine learning algorithms rather than statistical time series models. The machine learning algorithms used were a random forest, gradient boost tree analysis and XG boost. A sliding window was applied to develop RUL predictions. We compared model performance before and after applying the sliding window, and proposed a data preprocessing method to develop RUL predictions. The model was evaluated by R-square scores and root mean squares error (RMSE). It was shown that the XG boost model of the random split method using the sliding window preprocessing approach has the best predictive performance.

Anomaly detection of Machine Learning such as PCA anomaly detection and CNN image classification has been focused on cross-sectional data. In this paper, two approaches has been suggested to apply ML techniques for identifying the failure time of big time series data. PCA anomaly detection to identify time rows as normal or abnormal was suggested by converting subjects identification problem to time domain. CNN image classification was suggested to identify the failure time by re-structuring of time series data, which computed the correlation matrix of one minute data and converted to tiff image format. Also, LASSO, one of feature selection methods, was applied to select the most affecting variables which could identify the failure status. For the empirical study, time series data was collected in seconds from a power generator of 214 components for 25 minutes including 20 minutes before the failure time. The failure time was predicted and detected 9 minutes 17 seconds before the failure time by PCA anomaly detection, but was not detected by the combination of LASSO and PCA because the target variable was binary variable which was assigned on the base of the failure time. CNN image classification with the train data of 10 normal status image and 5 failure status images detected just one minute before.

Google Trends is a useful tool not only for setting search periods, but also for providing search volume to specific countries, regions, and cities. Extant research showed that the big data from Google Trends could be used for an on-line market analysis of opinion sensitive products instead of an on-site survey. This study investigated the market share of tumor necrosis factor-alpha (TNF-α) inhibitor, which is in a great demand pharmaceutical product, based on big data analysis provided by Google Trends. In this case study, the consumer interest data from Google Trends were compared to the actual product sales of Top 3 TNF-α inhibitors (Enbrel, Remicade, and Humira). A correlation analysis and relative gap were analyzed by statistical analysis between sales-based market share and interest-based market share. Besides, in the country-specific analysis, three major countries (USA, Germany, and France) were selected for market share analysis for Top 3 TNF-α inhibitors. As a result, significant correlation and similarity were identified by data analysis. In the case of Remicade’s biosimilars, the consumer interest in two biosimilar products (Inflectra and Renflexis) increased after the FDA approval. The analytical data showed that Google Trends is a powerful tool for market share estimation for biosimilars. This study is the first investigation in market share analysis for pharmaceutical products using Google Trends big data, and it shows that global and regional market share analysis and estimation are applicable for the interest-sensitive products.

국내에는 독자적으로 연구가 수행되어 개인적으로 보관 중인 지질 연구 자료가 다량 존재하는데, 이 자료에 대한 접근성이 떨어지기 때문에 다른 연구자들과의 공유가 용이하지 않다. 이런 자료에 대한 메타데이터를 체계적으로 구축하고 총괄적으로 관리하여 이 자료를 필요로 하는 연구자들이 효과적으로 연구를 수행할 수 있는 기회를 제공하는 것이 이 연구의 목적이다. 국내에서 연구된 약 1000여개의 지질 시료(900여개의 암석과 화석 시료, 100여개의 박편 시 료)를 수집하였고, 각 시료의 고화질 사진, 분류, 시료명, 보유기관, 산지, 좌표, 특징 등에 대한 메타데이터를 구축하였다. 암석과 화석 시료 100개에 대해 추가적으로 3D 모델링을 수행하였다. 이 연구를 통해 유실되거나 방치되는 중요한 지질 자료에 대한 연구자들의 접근성이 높아지고 자료의 공유가 가능해진다. 따라서 연구자들은 반복적인 연구 자료 수 집 작업으로 인한 시간과 비용의 낭비를 줄일 수 있고, 효율적인 연구를 수행하여 경쟁력을 갖춘 연구 결과를 획득할 수 있다. 또한 이미 확보된 시료에 대한 무분별한 반복 채집으로 인해 중요한, 그리고 피해에 취약한 자료가 훼손되는 것을 방지할 수 있다. 향후 전국의 대학과 연구기관에서 보관중인 다양한 암석과 박편 시료에 대한 메타데이터를 추가로 구축하면 자료의 식별 및 진전된 연구가 가능하고, 더불어 전문적인 광물학 및 암석학의 기초 지식에 대한 비교와 분석을 기대할 수 있다.

중국 관광객의 서울과 제주도 관광인식을 알아보기 위해, 인식 특성에 따른 항목 추출, 두 지역을 분석하여 도출 키워드의 관계를 탐구함으로 관광 전략 시사점 도출을 목적으로 하였다. 빅 데이터 분석 프로그램 텍스톰의 중국어 버전을 활용하여 '서울여행', '제주도여행' 키워드를 중국 대표 포털사이트 바이두, 웨이보의 데이터를 수집하여, 빈도분석, TF-IDF분석, N-gram, 인식 항목별 분석 방법을 실시하였다. TF–IDF·N-gram 분석결과 '서울여행'은 역사문화 키워드가 연계되었으며, '제주도여행'은 유흥 및 여행 키워드가 연계되어 지역별 관심도 및 중요행태 차이가 있음을 알 수 있다. 주요 방문지는 서울은 역사문화 관광지 키워드가 도출되었으나, 제주도는 자연경관 키워드가 도출되었다. 주요활동은 서울 전통체험 키워드 도출, 제주도는 소비행태 키워드가 도출되었다. 본 연구는 빅데이터를 활용하여 인식 변화를 빠르게 파악 할 수 있으 며, 중국 관광객의 인식 및 행태의 관계성과 인식 항목별 키워드를 분석함으로써 효과적인 중국 관광객 유치에 대한 기초 데이터로서 의미가 있다.