이 연구에서는 Inception V3, SqueezeNet(local), VGG-16, Painters 및 DeepLoc의 다섯 가지 인공지능(AI) 모 델을 사용하여 차나무 잎의 병해를 분류하였다. 여덟 가지 이미지 카테고리를 사용하였는데, healthy, algal leaf spot, anthracnose, bird’s eye spot, brown blight, gray blight, red leaf spot, and white spot였다. 이 연구에서 사용한 소프트웨 어는 데이터 시각적 프로그래밍을 위한 파이썬 라이브러리로 작동하는 Orange3였다. 이는 데이터를 시각적으로 조작하여 분석하기 위한 워크플로를 생성하는 인터페이스를 통해 작동되었다. 각 AI 모델의 정확도로 최적의 AI 모 델을 선택하였다. 모든 모델은 Adam 최적화, ReLU 활성화 함수, 은닉 레이어에 100개의 뉴런, 신경망의 최대 반복 횟수가 200회, 그리고 0.0001 정규화를 사용하여 훈련되었다. Orange3 기능을 확장하기 위해 새로운 이미지 분석 Add-on을 설치하였다. 훈련 모델에서는 이미지 가져오기(import image), 이미지 임베딩(image embedding), 신경망 (neural network), 테스트 및 점수(test and score), 혼동 행렬(confusion matrix) 위젯이 사용되었으며, 예측에는 이미 지 가져오기(import image), 이미지 임베딩(image embedding), 예측(prediction) 및 이미지 뷰어(image viewer) 위젯 이 사용되었다. 다섯 AI 모델[Inception V3, SqueezeNet(로컬), VGG-16, Painters 및 DeepLoc]의 신경망 정밀도는 각 각 0.807, 0.901, 0.780, 0.800 및 0.771이었다. 결론적으로 SqueezeNet(local) 모델이 차나무 잎 이미지를 사용하여 차 병해 탐색을 위한 최적 AI 모델로 선택되었으며, 정확도와 혼동 행렬을 통해 뛰어난 성능을 보였다.

Occurrence of process environment changes, such as influent load variances and process condition changes, can reduce treatment efficiency, increasing effluent water quality. In order to prevent exceeding effluent standards, it is necessary to manage effluent water quality based on process operation data including influent and process condition before exceeding occur. Accordingly, the development of the effluent water quality prediction system and the application of technology to wastewater treatment processes are getting attention. Therefore, in this study, through the multi-channel measuring instruments in the bio-reactor and smart multi-item water quality sensors (location in bio-reactor influent/effluent) were installed in The Seonam water recycling center #2 treatment plant series 3, it was collected water quality data centering around COD, T-N. Using the collected data, the artificial intelligence-based effluent quality prediction model was developed, and relative errors were compared with effluent TMS measurement data. Through relative error comparison, the applicability of the artificial intelligence-based effluent water quality prediction model in wastewater treatment process was reviewed.

생성형 인공지능의 계속적인 발전은 다음과 같은 신학적 질문들을 제기할 것이다. “인공지능은 하나님의 창조물인가?”, “인공지능은 인간 의 존엄성에 도전을 제기할까?”, “인공지능은 도덕적 판단을 내릴 수 있는가?”, “인공지능은 신앙을 가질 수 있는가?”, “인공지능은 인류의 멸망을 초래할까?” 이런 질문들이 현재로서 다소 이르다고 생각할 수도 있지만, 생성형 인공지능의 발전 속도를 보면, 곧 우리에게 닥칠 질문이 될 것이다. 따라서 본 논문은 인공지능의 발전이 신학에 제기하게 될 질문들을 선교학의 관점에서 살펴봄으로써, 인공지능과 신학이 어떻 게 바람직하게 공존할 수 있을지에 대해 탐구한다. 나아가 창조론, 인간론, 죄론, 구원론, 종말론과 같은 기존 신학 영역들을 새로운 관점에 서 재해석하는 것을 넘어, 선교학적 측면에서 ‘인공지능 신학(AI theology)’의 가능성을 모색한다. 지난 2천 년의 기독교 선교 역사가 당대의 신학적 물음에 대한 진솔한 응답이었다는 점을 기억한다면, 우리는 계속해서 당대에 제기되는 신학적 물음에 대해 선교적 관점에서 고민해야 할 것이다.

How will machines affect humans, can humans be leading in machine problems, or can humans present new possibilities beyond human-machine confrontation? This study attempts to reflect on the relationship between the high-tech revolution and convergence by focusing on the 'care problem'. First of all, in order to proceed with this study, I would like to discuss how artificial intelligence robots based on the Fourth Industrial Revolution are revealing their effectiveness in caring problems. In the interaction between humans and artificial intelligence emotions, it is emphasized that the question of right and wrong as to whether the other person's emotions are properly understood is not important, and that more valid justification can be secured for humans and artificial intelligence robots to reconcile and establish a relationship through emotional exchange. If this is the case, rather than discussing whether artificial intelligence robots can interact with humans through empathy, it should be focused on the fact that caring patients who require physical and mental care through artificial intelligence robots can achieve quite effective treatment effects through artificial intelligence robots.

In this research, a new Test and Evaluation (T&E) procedure for defense AI systems is proposed to fill the existing gap in established methodologies. This proposed concept incorporates a data-based performance evaluation, allowing for independent assessment of AI model efficacy. It then follows with an on-site T&E using the actual AI system. The performance evaluation approach adopts the project promotion framework from the defense acquisition system, outlining 10 steps for R&D projects and 9 steps for procurement projects. This procedure was crafted after examining AI system testing standards and guidelines from both domestic and international civilian sectors. The validity of each step in the procedure was confirmed using real-world data. This study's findings aim to offer insightful guidance in defense T&E, particularly in developing robust T&E procedures for defense AI systems.

이 연구는 생성형 AI(Generative AI) 기술을 활용하여 기본 시각디자인 분야에서의 새로운 접근 방법과 가능 성을 탐색한다. Generative AI는 데이터 기반 학습을 통해 창의적인 디자인을 생성하는 인공지능 기술로, 시 각디자인에서 중요한 역할을 하고 있다. 본 연구는 Generative AI가 시각디자인의 기본 요소와 원리에 어떻게 적용되며, 디자인 프로세스를 어떻게 혁신할 수 있는지를 분석한다. 먼저, Generative AI가 색채, 형태, 구성과 같은 디자인의 기본 요소를 어떻게 해석하고 재창조하는지에 대해 연구한다. 이를 통해 AI가 디자인의 창의 성과 예술성을 어떻게 향상시킬 수 있는지를 탐구한다. 또한, AI가 디자인 결정 과정에서 어떻게 인간 디자 이너를 보조할 수 있는지에 대해서도 연구한다. 이 연구는 Generative AI를 실험하고, 이를 통해 얻은 시각디 자인 결과를 통해, AI가 시각디자인의 전통적인 접근 방식에 어떤 새로운 시각과 해석을 제공하는지를 조사 한다. AI 기술의 발전이 디자인의 미래와 디자이너의 역할에 어떤 변화를 가져올지에 대한 통찰과 디자인 분 야의 전문가뿐만 아니라, AI 기술에 관심 있는 학자들에게도 중요한 시사점을 제공한다는 점에서 의의를 찾 을 수 있다.

기존의 스타크래프트II 내장AI는 미리 정의한 행동 패턴을 따르기 때문에 사용자가 전략을 쉽게 파악할 수 있어 사용자의 흥미를 오랫동안 유지시키기 힘들다. 이를 해결하기 위해, 많은 강화학습 기반의 스타크래프 트II AI 연구가 진행되었다. 그러나 기존의 강화학습AI는 승률에만 중점을 두고 에이전트를 학습시킴으로써 소수의 유닛을 사용하거나 정형화 된 전략만을 사용하여 여전히 사용자들이 게임의 재미를 느끼기에 한계가 존재한다. 본 논문에서는 게임의 재미를 향상시키기 위하여, 강화학습을 활용하여 실제 플레이어와 유사한 AI을 제안한다. 에이전트에게 스타크래프트II의 상성표를 학습시키고, 정찰한 정보로 보상을 부여해 유동적 으로 전략을 변경하도록 한다. 실험 결과, 사용자가 느끼는 재미와 난이도, 유사도 부분에서 고정된 전략을 사용하는 에이전트보다 본 논문에서 제안하는 에이전트가 더 높은 평가를 받았다..

학교교육에서 인공지능 교육을 위한 국가 정책이 강화되고 있는 상황에 서 인공지능교육의 실천 주제인 교사, 그리고 예비교사들의 역할 변화와 중요성이 그 어느 때 보다 강조되고 있다. 이에 본 연구에서는 2020 년~2023년까지 수행된 예비교사 및 교사 대상 인공지능 교육 연구 현황을 분석함으로써 인공지능교육의 활성화를 위해 요구되는 연구의 방향과 과 제를 제안하는데 목적을 두었다. 이를 위하여 총 71편의 논문을 대상으로 하여 출판연도, 학술지, 교사 분류, 연구방법, 연구주제를 기준으로 분석을 진행하였다. 주요 연구결과는 다음과 같다. 첫째, 연도별 논문 편수는 2020년에 10편, 2021년에 16편, 2022년에 17편, 2023년에 28편으로 2023년 들어 큰 폭의 증가세를 나타냈다. 둘째, 게재된 학술지는 학습자 중심교과교육학회가 14개로 가장 많았고 한국정보교육학회, 한국컴퓨터교 육학회 순이었다. 셋째, 교사 구분에 있어서는 예비교사를 대상으로 한 연구 가 26편, 현직 교사를 대상으로 한 연구가 43편이었고 초등 교사 대상 연구 가 중등 교사에 비해 많았다. 넷째, 연구방법은 설문 등을 활용한 조사연구 가 절반이 넘는 비중을 차지하였다. 다섯째, 연구주제는 인공지능 및 인공지 능과 관련된 경험과 인식 연구가 가장 많았고 다음으로 교사의 역량도출과 진단, 교사교육에 대한 연구가 뒤를 이었다. 이러한 연구결과를 바탕으로 교 사 대상 인공지능 교육연구의 확대, 특히 중등교사 대상 인공지능 교육 연구 활성화, 예비교사의 교육과정 체계 개선 연구, 질적 연구 및 인공지능교육의 실제적 맥락을 반영한 연구의 필요성 등 관련 시사점을 제안하였다.

AI-driven technology is becoming an integral part of our daily lives, spanning from smart home devices to social media platforms. However, the uneven distribution of AI technologies could result in a scenario where certain groups exert dominance over the direction of AI development. The consequences of inequality in AI evolution could further exacerbate existing economic gaps by concentrating benefits among a privileged few with access to advanced AI technologies. To address this question the, international communities should come forward and regulate the just development of AI with new and existing international laws. Although the existing international legal frameworks can be adapted to address AI-specific issues without the need for entirely new laws, however, the novel challenges presented by AI require unique and new international laws. Issues such as data sovereignty, data privacy, and data localization are areas where international laws and agreements need to evolve to accommodate the just development of AI.

The operation time of a disposal repository is generally more than one hundred years except for the institutional control phase. The structural integrity of a repository can be regarded as one of the most important research issues from the perspective of a long-term performance assessment, which is closely related to the public acceptance with regard to the nuclear safety. The objective of this study is to suggest the methodology for quantitative evaluation of structural integrity in a nuclear waste repository based on the adaptive artificial intelligence (AI), fractal theory, and acoustic emission (AE) monitoring. Here, adaptive AI means that the advanced AI model trained additionally based on the expert’s decision, engineering & field scale tests, numerical studies etc. in addition to the lab. test. In the process of a methodology development, AE source location, wave attenuation, the maximum AE energy and crack type classification were subsequently studied from the various lab. tests and Mazars damage model. The developed methodology for structural integrity was also applied to engineering scale concrete block (1.3 m × 1.3 m × 1.3 m) by artificial crack generation using a plate jacking method (up to 30 MPa) in KURT (KAERI Underground Research Tunnel). The concrete recipe used in engineering scale test was same as that of Gyeongju low & intermediate level waste repository. From this study, the reliability for AE crack source location, crack type classification, and damage assessment increased and all the processes for the technology development were verified from the Korea Testing Laboratory (KTL) in 2022.

The Nuclear Export and Import Control System (NEPS) is currently in operation for nuclear export and import control. To ensure consistent and efficient control, various computational systems are either already in place or being developed. With numerous scattered systems, it becomes crucial to integrate the databases from each to maximize their utility. In order to effectively utilize these scattered computer systems, it is necessary to integrate the databases of each system and develop an associated search system that can be used for integrated databases, so we investigated and analyzed the AI language model that can be applied to the associated search system. Language Models (LM) are primarily divided into two categories: understanding and generative. Understanding Language Models aim to precisely comprehend and analyze the provided text’s meaning. They consider the text’s bidirectional context to understand its deeper implications and are used in tasks such as text classification, sentiment analysis, question answering, and named entity recognition. In contrast, Generative Language Models focus on generating new text based on the given context. They produce new textual content continuously and are beneficial for text generation, machine translation, sentence completion, and storytelling. Given that the primary purpose of our associated search system is to comprehend user sentences or queries accurately, understanding language models are deemed more suitable. Among the understanding language models, we examined BERT and its derivatives, RoBERTa and DeBERTa. BERT (Bidirectional Encoder Representations from Transformers) uses a Bidirectional Transformer Encoder to understand the sentence context and engages in pre-training by predicting ‘MASKED’ segments. RoBERTa (A Robustly Optimized BERT Pre-training Approach) enhances BERT by optimizing its training methods and data processing. Although its core architecture is similar to BERT, it incorporates improvements such as eliminating the NSP (Next Sentence Prediction) task, introducing dynamic masking techniques, and refining training data volume, methodologies, and hyperparameters. DeBERTa (Decoding-enhanced BERT with disentangled attention) introduces a disentangled attention mechanism to the BERT architecture, calculating the relative importance score between word pairs to distribute attention more effectively and improve performance. In analyzing the three models, RoBERTa and DeBERTa demonstrated superior performance compared to BERT. However, considering factors like the acquisition and processing of training data, training time, and associated costs, these superior models may require additional efforts and resources. It’s therefore crucial to select a language model by evaluating the economic implications, objectives, training strategies, performance-assessing datasets, and hardware environments. Additionally, it was noted that by fine-tuning with methods from RoBERTa or DeBERTa based on pre-trained BERT models, the training speed could be significantly improved.

This study aims to help companies with efficient investment and marketing strategies by empirically verifying the impact on satisfaction and purchase intention for artificial intelligence-based digital technology supported shopping assistants introduced in e-commerce. Frequency, factor, SEM, and multiple group analysises were conducted using SPSS 26.0 and Amos 26.0. As a result, first, motivated consumer innovativeness elements of AI shopping assistant were derived into a total of four categories: functional, hedonic, rational, and reliable. Second, in the order of hedonic and rational, satisfaction with the AI shopping assistant was significantly affected, and in the order of rational and functional, purchase intention was significantly affected. The satisfaction with the AI shopping assistant did not affect the purchase intention. Third, in the case of hedonic, the AI-preferred group had a more significant effect on satisfaction than the human-preferred group, and in the case of rational, there was no difference by group in purchase intention. Thus, it was found that consumers prefer AI shopping helpers for e-commerce because they can shop reasonably and are functionally convenient. Therefore, when introducing AI shopping assistants, it is essential to include content that can compare and analyze fundamental information, such as product prices, as well as search functions and payment system compatibility that facilitate shopping.

최적 운항자세 선정 기술이란 주어진 운항 배수량과 운항 선속에서 최소의 저항을 가지는 즉, 최적의 연료 소비 효율을 가지는 초기 선수흘수와 선미흘수를 제시하는 것이다. 본 논문의 주 목적은 대상선박의 유효동력 데이터를 기반으로 주어진 운항조건에서 최대 의 에너지효율을 가지는 최적의 운항자세를 선정하는 프로그램 개발하는 것이다. 본 프로그램은 인공지능 기법에 의한 파이썬 기반 GUI(Graphical User Interface)로 작성되어 선주가 쉽게 사용할 수 있도록 하였다. 그 과정에 있어 대상 선박 소개, 전산유체역학(CFD)을 통한 유효동력 데이터 수집, 심층학습을 사용한 유효동력 모델 학습 방법 그리고 심층신경망(DNN) 모델을 응용한 최적 운항자세 제시 프로그 램을 구체적으로 설명하였다. 선박은 운항 별로 화물을 싣고 내리게 되고, 이에 화물 적재량이 변화되고 배수량이 변경된다. 선주는 배수 량 별 예상 선속에 따라 최소저항을 가지는 즉, 최대의 에너지효율을 가지는 최적의 운항자세를 알고자 한다. 개발된 GUI는 해당선박의 태블릿 PC와 앱에 설치하여 최적 운항자세 선정에 활용 가능하다.

With the increasing number of aging buildings across Korea, emerging maintenance technologies have surged. One such technology is the non-contact detection of concrete cracks via thermal images. This study aims to develop a technique that can accurately predict the depth of a crack by analyzing the temperature difference between the crack part and the normal part in the thermal image of the concrete. The research obtained temperature data through thermal imaging experiments and constructed a big data set including outdoor variables such as air temperature, illumination, and humidity that can influence temperature differences. Based on the collected data, the team designed an algorithm for learning and predicting the crack depth using machine learning. Initially, standardized crack specimens were used in experiments, and the big data was updated by specimens similar to actual cracks. Finally, a crack depth prediction technology was implemented using five regression analysis algorithms for approximately 24,000 data points. To confirm the practicality of the development technique, crack simulators with various shapes were added to the study.