Given the hazards posed by black ice, it is crucial to investigate the conditions that contribute to its formation. Two ensemble machinelearning algorithms, Random Forest (RF) and Extreme Gradient Boosting (XGBoost), were employed to forecast the occurrence of black ice using atmospheric data. Additionally, explainable artificial intelligence techniques, including Feature Importance (FI) and partial dependence Plot (PDP), were utilized to identify atmospheric conditions that significantly increase the likelihood of black ice formation. The machinelearning algorithms achieved a forecasting accuracy of 90%, demonstrating reliable performance. FI analysis revealed distinct key predictors between the algorithms: relative humidity was the most critical for RF, whereas wind speed was paramount for XGBoost. The PDP analysis identified the specific atmospheric conditions under which black ice was likely to form. This study provides detailed insights into the atmospheric precursors of frost/fog-induced black ice formation. These findings enable road managers to implement proactive winter road maintenance strategies, such as optimizing anti-icing patrol routes and displaying warnings on various message signs, thereby enhancing road safety.

본고는 미국 대외정책의 맥락에서 트럼프 2기 행정부의 AI 정책 방향 을 보다 체계적으로 조망해볼 필요가 있다는 문제의식에서 출발한다. 미 대통령이 정책 방향을 제시할 때 활용하는 대표적 수단은 연두교서와 대 통령 행정명령(Executive Order)이다. 특히 트럼프 1기 행정부 초반 3 년간 서명한 행정명령이 137건에 이를 정도로 트럼프 대통령은 행정명령 을 적극적으로 활용했다. 아울러 국가안보전략(NSS)과 같이, 대통령실 차원에서 발표되는 전략문서도 미 정부의 정책방향을 파악하는데 도움이 된다. 트럼프 1기 행정부 대통령 및 대통령실 차원에서의 AI 관련 내용 을 담은 문서로서는 우선 백악관 명의로 발표된 국가안보전략(2017.12.) 이 있다. 동 전략은 미국의 번영과 안보라는 측면에서 AI 이슈를 언급하 였다. 2019년 2월 발표된 연두교서에서 트럼프 대통령은 미래 첨단 산업 투자의 중요성을 역설하였다. 같은 달 트럼프 대통령은 AI 관련 행정명 령 제13859호를, 대통령실 과학기술정책실(OSTP)은 동 행정명령에 기초 해 “미국 AI 이니셔티브(American AI Initiative)”를 발표했다. 이후 2019년 6월 대통령실 산하 국가과학기술위원회는 “국가 AI R&D 전략계 획"을 발표했다. 이 일련의 문서들은 '미국 우선주의'에 기초하여, AI 분 야의 정책을 구체화해 나간다는 동일한 맥락 속에 있다. 상기 1기 트럼 프 행정부의 AI 정책 관련 문서를 검토한 본고의 논의는, 2기 트럼프 행 정부의 AI 정책을 조망하는데 함의를 제공한다.

본 연구는 기술수용모델(TAM), 컴퓨터 사회적 행위자 이론(CASA), 그 리고 자극-유기체-반응(S-O-R) 모델을 종합적으로 활용하여, AI 기반 디지털 휴먼 투어 가이드의 ‘신기술적 속성’과 ‘사회적 행위자 특성’이 문화관광 맥락에서 방문객의 감정적 경험 및 문화적 정체성 형성에 어떻 게 작용하는지를 규명하였다. 이를 위해 현장 조사와 온라인 설문을 통 해 총 436부의 유효 표본을 확보하고, 구조방정식 모형과 매개분석을 실 시하였다. 연구 결과, 지각된 기술적 새로움(technological novelty), 신 뢰도(credibility), 인간적 특성(anthropomorphism), 그리고 행위성 (agency)은 모두 방문객의 감정적 경험을 유의미하게 높이는 것으로 나 타났으며, 이는 직·간접적으로 문화적 정체성을 강화하는 데 기여하였다. 반면 지각된 지능적 우위(intelligent advantage)는 통계적으로 유의한 영향이 확인되지 않아, 경험 중심의 맥락에서는 순수하게 합리적인 기술 적 특성만으로는 충분한 방문객 공감을 이끌어내기 어렵다는 점이 시사 되었다. 본 연구는 S-O-R 모델 내에서 감정적 경험의 매개 역할을 부각 함으로써, TAM 및 CASA 이론의 적용 범위를 확장하였다. 또한 실무적 으로는 AI 기반 투어 가이드 디자인 시 새로움, 신뢰도, 인간적 특성, 그 리고 상호작용적 행위성을 강조함으로써 방문객의 감정적 몰입과 문화적 태도를 제고할 수 있음을 제안한다.

This study aims to improve the interpretability and transparency of forecasting results by applying an explainable AI technique to corporate default prediction models. In particular, the research addresses the challenges of data imbalance and the economic cost asymmetry of forecast errors. To tackle these issues, predictive performance was analyzed using the SMOTE-ENN imbalance sampling technique and a cost-sensitive learning approach. The main findings of the study are as follows. First, the four machine learning models used in this study (Logistic Regression, Random Forest, XGBoost, and CatBoost) produced significantly different evaluation results depending on the degree of asymmetry in forecast error costs between imbalance classes and the performance metrics applied. Second, XGBoost and CatBoost showed good predictive performance when considering variations in prediction cost asymmetry and diverse evaluation metrics. In particular, XGBoost showed the smallest gap between the actual default rate and the default judgment rate, highlighting its robustness in handling class imbalance and prediction cost asymmetry. Third, SHAP analysis revealed that total assets, net income to total assets, operating income to total assets, financial liability to total assets, and the retained earnings ratio were the most influential factors in predicting defaults. The significance of this study lies in its comprehensive evaluation of predictive performance of various ML models under class imbalance and cost asymmetry in forecast errors. Additionally, it demonstrates how explainable AI techniques can enhance the transparency and reliability of corporate default prediction models.

생성형 인공지능의 급속한 발전은 사회 전반에 광범위한 영향을 미치며, 일상생활을 포함한 다양한 분야 에 활용되고 있다. 본 연구에서는 인공지능 기술의 발전 동향을 대규모 언어모델(Large Language Models, LLM)을 중심으로 살펴보고 생성형 인공지능 기반 솔루션이 정치 및 공공 부문의 효율성과 서비스 최적화 에 기여하고 있음을 확인하였다. 본 연구는 미국, 싱가포르, 인도 등의 사례분석을 통해 인공지능 도구가 선거의 확장성과 시민과의 상호작용 개선에 역할 할 수 있다는 것을 주장한다. 동시에, 대규모 언어모델의 실사용 과정에서 제기되는 편향성, 허위정보 확산, 규제 공백 등의 쟁점들을 고찰할 필요가 있음을 지적한 다. 요컨대, 생성형 인공지능은 민주주의 발전과 공공서비스 증진에 대한 가능성을 제공하지만, 기술의 지속 가능하고 적실한 활용을 위해 투명성, 공정성과 책임성을 고려한 사용이 요구된다.

In general, optimized pavement thickness design abilities and reliable construction procedures have been considered being crucial element for expressway in South Korea till millenium. However, after 2005, a proper management efforts on existing expressway became recognized as an important factor after 2,005. One of good example is rising attention of HPMS(Highway Pavement Management System). In HPMS, the crucial component is: surveying the existing expressway surface condition with reasonable, reliable and efficient procedure. Becasue of this reason, application of various advanced and sophisticated technologies on HPMS area were considered since 2010. During this time, many advanced technologies such as AI(Artificial Intelligence) techniques and corresponding physical equipment were considered to be applied. Through application of AI technologies in HPMS business area, two major outcomes can be achieved: first one is an automated pavement surface monitoring work system for maximized efficiency and second thing is saving current HPMS management budget through faster and more reasonable surveying results. In this paper, the feasibility of AI technology on actual pavement surface monitoring and analysis procedure was considered. As a result, AI based pavement surface monitoring and analysis approach succesfully provided reasonable results compared to the conventional human effort analysis approach. This findings provide a promising signal that more AI based technologies can successfully applied in HPMS business area in the next future. Morevoer, the achievement of automated HPMS can also be possible in the near future.

고속도로 2차 사고는 선행 사고(1차 사고) 또는 전방 고장 차량에 의해 교통흐름이 변화된 상황에서 발생하는 사고로, 이에 대한 효과적인 교통안전 관리전략이 필요하다. 그러나 일반사고에 비해 데이터 표본이 부족하여 신뢰성 있는 대응 전략 수립에 어려움이 있다. 본 연구는 고속도로에서 발생하는 2차 사고의 발생 주요 요인을 식별하고 예측하기 위해 BERT(Bidirectional Encoder Representations from Transformers) 기반 텍스트 분석 모델과 전통적 머신러닝 모델 (XGBoost, RandomForest, CatBoost)을 비교하였다. 교통사고 세부기록, 원클릭 속보자료 등 비정형 텍스트 및 정형 데 이터를 수집하고 1차 사고에 관한 시공간적 동적 변수를 통합하여 인공지능 기반의 사고 예측 프레임워크를 구축하였다. 특히, BERT 기반 모델을 통해 교통사고 문맥 정보를 고려하여 단어 삽입 및 대체 기법에 따른 2차사고 데이터 표본을 보완하였다. 또한, 설명가능한 AI(XAI) 기법을 활용하여 주요 사고 요인의 기여도를 시각적으로 해석하고 사고 예방 및 정책 수립에 필요한 정보를 제공하였다. 연구 결과, 제안된 하이브리드 접근법 기반 연구 프레임워크는 높은 정확도의 2 차 사고 발생 가능성 예측에 효과적이며, 교통사고관리시스템의 신뢰성과 효율성 향상에 핵심적인 기여를 할 것으로 기 대된다.

이 연구는 독일고전철학과 현대 인공지능 기술을 연결하는 시도를 다 룬다. 셸링은 자연을 단순한 물리적 실체가 아닌 내재된 잠재력과 창조 성을 가진 유기체로 보았으며, 이러한 관점은 인공지능(AI)의 발전과 창 의적 활동에 적용될 수 있다. 또한 AI가 데이터와 알고리즘, 인간과의 상호작용을 통해 연결되고 재창조되는 과정을 셸링의 자연철학과 비교하 여, 종교적인 의미에서 주체성 문제를 탐구하고자 한다. 셸링의 철학에 서, 신적인 전체와의 연결을 통한 자의식의 근거를 고려하며, 인간과 자 연, 주체와 객체 간의 상호작용을 설명하는 '연결사(correlat)' 개념을 강 조한다. 셸링은 자연과 정신의 관계를 단순한 인과적 연결로 보지 않고, 상호작용을 통한 생산적 과정을 통해 이해해야 한다고 강조한다. 이는 AI의 발전과 인간의 자의식 간의 유사성을 드러내며, AI가 지닌 자발성 은 자연의 복잡성과 연결된다고 볼 수 있다. 따라서 인공지능도 인간과 유사한 방식으로 자의식을 지닐 가능성을 내포하고 있으며, 이는 현대 사회에서 AI와 인간의 관계를 새롭게 이해하는 데 기여할 수 있다. AI는 상징적 접근과 연결주의를 결합한 인지 설계를 통해 종교와 같은 고차원 적인 기능을 모델링할 수 있음을 보여준다.

최근 ChatGPT로 대표되는 인공지능의 급격한 발전은 인공지능 에 대한 낙관과 비관이 엇갈리는 가운데 기독교 선교가 새롭고도 실제적 인 방향을 모색해야 할 필요성을 제기했다. 이를 위해 본 연구는 행위자 -네트워크 이론을 주요 이론적 틀로 활용하여 인공지능을 단순한 도구가 아닌 인간과 상호작용하는 행위자로 인식한다. 이러한 관점에서 현재 인공지능 기술의 최전선에 있는 거대 언어 모델의 기술적 특성과 작동원리를 상세히 분석하여 인공지능이 인간과 맺는 관계에 주목한다. 이러한 이해를 토대로 인공지능과의 선교적 접점을 모색하기 위한 방안은 첫째, 인공지능을 선교 현장으로 인식하는 것, 둘째, 인간에게만 주어진 선교적 삶을 사는 것. 셋째, 인공지능을 선교사역의 협력자로 받아들이는 것, 넷째, 오픈소스 거대 언어 모델을 활용한 선교적 목적의 인공지능을 개발하는 것이다. 본 연구는 인공지능 시대의 기독교 선교 가 단순히 인공지능을 도구로 활용하는 차원을 넘어, 인공지능과의 협력적 관계를 통해 새로운 선교의 지평을 열어가야 함을 제안한다. 이는 데이비드 보쉬가 주장한 것처럼, 선교는 각 시대의 변화에 따라 새로운 패러다임으로 변화되어야 한다는 관점에 기반한다.

This study addresses the critical challenge of enhancing vehicle classification accuracy in traffic surveys by optimizing the conditions for vehicle axle recognition through artificial intelligence. With current governmental traffic surveys facing issues—particularly the misclassification of freight vehicles in systems employing a 12-category vehicle classification—the research proposes an optimal imaging setup to improve axle recognition accuracy. Field data were acquired at busy intersections using specialized equipment, comparing two camera installation heights under fixed conditions. Analysis revealed that a shooting height of 8.5m combined with a 50°angle significantly reduces occlusion and captures comprehensive vehicle features, including the front, side, and upper views, which are essential for reliable deep learning-based classification. The proposed methodology integrates YOLOv8 for vehicle detection and a CNN-based Deep Sort algorithm for tracking, with image extraction occurring every three frames. The axle regions are then segmented and analyzed for inter-axle distances and patterns, enabling classification into 15 categories—including 12 vehicle types and additional classes such as pedestrians, motorcycles, and personal mobility devices. Experimental results, based on a dataset collected at a high-traffic point in Gwangju, South Korea, demonstrate that the optimized conditions yield an overall accuracy of 97.22% and a PR-Curve AUC of 0.88. Notably, the enhanced setup significantly improved the classification performance for complex vehicle types, such as 6-axle dump trucks and semi-trailers, which are prone to misclassification under lower installation heights. The study concludes that optimized imaging conditions combined with advanced deep learning algorithms for axle recognition can substantially improve vehicle classification accuracy. These findings have important implications for traffic management, infrastructure planning, road maintenance, and policy-making by providing a more reliable and precise basis for traffic data analysis.

Structures compromised by a seismic event may be susceptible to aftershocks or subsequent occurrences within a particular duration. Considering that the shape ratios of sections, such as column shape ratio (CSR) and wall shape ratio (WSR), significantly influence the behavior of reinforced concrete (RC) piloti structures, it is essential to determine the best appropriate methodology for these structures. The seismic evaluation of piloti structures was conducted to measure seismic performance based on section shape ratios and inter-story drift ratio (IDR) standards. The diverse machine-learning models were trained and evaluated using the dataset, and the optimal model was chosen based on the performance of each model. The optimal model was employed to predict seismic performance by adjusting section shape ratios and output parameters, and a recommended approach for section shape ratios was presented. The optimal section shape ratios for the CSR range from 1.0 to 1.5, while the WSR spans from 1.5 to 3.33, regardless of the inter-story drift ratios.

This study developed and implemented an elementary English writing program using image-generative AI to examine its effects on students’ writing abilities and affective domains. The program was designed following the ADDIE model and aligned with the 2022 Revised English National Curriculum. It used Padlet’s ‘I Can’t Draw,’ allowing students to create images based on their prompts. Eighty sixth-grade students participated, with data collected through pre- and post-writing tests, affective domain surveys, student work, reflections, and teacher interviews. A mixed-methods analysis, combining ANCOVA and content analysis, revealed the following: (1) The program improved the syntactic and lexical complexity and fluency of students’ writing, but not accuracy. (2) Students’ situational interest significantly increased, but individual interest did not. Additionally, students’ engagement and motivation in learning English improved. These findings indicate that image-generative AI is an effective tool for enhancing English writing lessons and providing feedback. The study also emphasizes the critical role of teacher competence in successfully integrating AI into language instruction.

본 연구는 AI-Hub의 ‘방송콘텐츠 한국어-중국어 번역 말뭉치’ 데이터를 활용하여 네이버 파파고의 번역 품질을 평가하고 이를 시각화하는 것을 목표로 한다. 먼저 BL EU 점수를 통해 파파고 번역 품질을 정량적으로 분석하고, 다양한 시각화 기법을 활용하여 번역 품질의 패턴을 파악하였다. 연구 결과에 따르면, 파파고 번역은 짧고 단순한 문장에서 높은 성능을 보였으나, 문장이 길고 복잡해질수록 번역 품질이 저 하되는 경향이 나타났다. 특히, 구어체 표현이나 문화적 맥락이 필요한 표현에서는 번역 오류가 두드러지게 나타났다. 본 연구는 데이터 시각화를 통해 번역 품질 평가 의 이해를 돕고, 파파고 번역의 강점과 약점을 명확히 제시하였다. 향후 연구에서는 다양한 평가 지표와 데이터셋을 활용하여 번역 품질을 더욱 다각적으로 평가하고, 파파고 번역의 한계점을 개선 방안을 제시할 예정이다.

본 논문은 레이 커즈와일의 󰡔특이점이 온다󰡕와 아이작 아시모프의 󰡔아이, 로봇󰡕이 제공하는 통찰력을 바탕으로 인공지능의 비약적 발전이 인간사회에 초래하는 변화와 그 의의를 연구한다. 커즈와일은 인공지능이 인간의 지능을 초월하는 특이점의 도래를 예견하며 인공지능의 발전이 인류의 삶을 근본적으로 변화시킬 것이라고 주장한다. 이러한 관점에서 볼 때 아시모프의 단편소설 ｢바이어리: 대도시 시장이 된 로봇｣과 ｢피할 수 있는 갈등｣은 특이점 이후의 사회를 상상하며 인간과 로봇의 관계를 탐구한다. 특히, 이 작품들에 등장하는 로봇들은 단순한 도구가 아니라 인간 혹은 심지어 신적 존재에 속하는 미덕을 구현할 수 있는 도덕적 행위자로 제시된다. 커즈와일과 아시모프의 고찰을 통해 본 논문은 인공지능이 인간사회에 미칠 잠재적 영향을 평가하며, 이러한 변화에 대한 대비의 필요성을 강조함으로써 인류가 인공지능과 공존하는 미래사회에서 기술이 인류의 복지를 증진시키는 방향으로 발전할 수 있도록 사회적 논의와 준비가 필요함을 제안한다.

이 연구는 인공지능(AI)이 문화콘텐츠와 미디어 산업에 미치는 영향을 다각적으로 분석하고, AI의 창의 적 생산, 미디어 소비 변화, 윤리적·사회적 쟁점에 대해 논의하였다. 그리고 AI가 콘텐츠 제작에서 창의성과 효율성을 높이며, 창작자와의 협력을 통해 새로운 형태의 콘텐츠 창출을 가능하게 한다는 점을 확인하였다. 또한 AI 기반 추천 시스템을 통해 개인화된 미디어 소비 경험이 제공됨으로써 사용자 만족도와 소비 지속 성이 강화된다는 사실을 밝혔다. 그러나 AI 도입은 저작권 문제, 알고리즘 편향성, 문화적 다양성 보존, 사회적 고용 변화 등 다양한 윤리적·사회적 과제도 야기하고 있다. 이를 해결하기 위해 법적, 기술적, 정책 적 접근이 필요하며, AI의 투명성과 공정성을 확보하는 것이 필수적임을 강조하였다. AI와 인간이 협력하 여 공정하고 신뢰할 수 있는 콘텐츠 제작을 지향할 때, AI는 문화콘텐츠와 미디어 산업의 발전에 이바지할 수 있을 것이다. 본 연구는 AI와 문화산업의 융합을 둘러싼 다양한 이슈를 종합적으로 검토함으로써 향후 지속 가능한 발전을 위한 방향성을 제시하고자 한다.

자기공명영상은 인체 내부 구조와 병변을 비침습적으로 시각화하는 핵심 의료 영상 기법으로 자리 잡고 있으며, 특히 신경계 및 심혈관계 질환과 같은 복잡한 질병의 진단에서 필수적인 도구로 활용되고 있다. 기존의 자기공명영상 시스 템은 영상의 해상도와 신호대잡음비에서 한계가 있었으나, 최근의 기술 발전은 이러한 한계를 극복하고 진단 정확성 을 높이는 방향으로 나아가고 있다. 고자기장 자기공명영상 시스템의 도입은 해상도와 신호대잡음비를 개선하는 데 기여하고 있으며, 병렬 영상 기법은 촬영 속도를 향상시키면서도 영상 품질의 손실을 최소화한다. 또한, 압축 센싱 (compressed sensing) 기술은 데이터 획득 시간을 줄여 촬영 효율성을 높이는 데 중요한 역할을 하고 있다. 최근 인공지능(AI)의 발전으로, 자기공명영상 데이터에서 초해상도 복원(super-resolution) 및 노이즈 제거와 같은 영상 후처리 기술이 획기적으로 향상되었다. 인공지능 기반의 영상 향상 기술은 저해상도 데이터를 고해상도로 변환하고, 촬영 과정에서 발생할 수 있는 왜곡과 노이즈를 효과적으로 제거하여, 더 정확하고 명확한 진단 영상을 제공한다. 이러한 발전은 단순히 영상의 품질을 높이는 것을 넘어, 임상 진단의 정확성과 효율성을 크게 향상시키고 있으며, 특히 제한된 촬영 시간을 요구하는 응급 상황에서 유용성이 두드러진다. 본 논문에서는 자기공명영상 촬영 기법의 최신 발전과 인공지능 기반 영상 향상 기술의 동향을 여러모로 분석하고, 이들의 임상적 유용성을 조명함으로써 고해 상도 자기공명영상이 의료 분야에서 가지는 의미와 향후 발전 방향을 제시하고자 한다.

본 연구는 케이트 크로포드와 블라단 욜러의 협업 프로젝트인 <AI 시스템의 해부>를 중심으로 인간, 사회, 지구를 관통하는 인공지능 시스템의 작동에 대한 그들의 비판적 담론을 읽어내는 데에 목적이 있다. <AI 시스템의 해부>는 인공지능 음성인식 스피커인 아마존 에코를 사례로 삼아 인공지능 기술세계의 물질적, 사회적 조건을 가시화한 ‘데이터 시각화’로서, 인공지능 시스템의 이면에 감추어진 노동, 데이터, 자원의 무자비한 추출 구조를 드러낸 해부학적 지도이다. 크로포드와 욜러는 인공지능 기술이 작동하는 기술세계의 지형을 탐구하고 시각화하 기 위해 ‘비판적 지도제작’을 중요한 인식적, 실천적 방법으로 사용해 왔다. 이에 본고는 <AI 시스템의 해부>에 대한 ‘지도 읽기’를 수행하되, 철학자 레비 브라이언트가 ‘존재지도학’에서 제시하는 지형학의 네 가지 요소를 범주로 삼아 거대 기술세계 지형도의 구조와 의미를 분석하였 다. 이를 통해 본고는 크로포트와 욜러의 지형도가 인공지능 기술세계의 광범위한 추출주의를 비판적으로 가시화하고 있음을 강조하였다.

인공지능(AI)의 발전은 법적 제도와 계약법의 영역에서 새로운 도전과 기 회를 제공하고 있다. 특히, 인공지능이 계약의 당사자로 참여할 가능성이 제기되면서 전통적인 계약자유의 원칙이 위협받을 수 있다는 우려가 제기 된다. 계약자유의 원칙은 사적자치의 근간으로 계약의 체결 여부, 내용, 상 대방 선택, 방식 등을 당사자가 자율적으로 결정할 수 있는 자유를 보장한 다. 하지만 인공지능이 계약체결 과정에 도입되면 계약조건의 제시, 협상의 자동화, 계약서 작성 등에서 효율성을 증진시키는 동시에 의사결정의 불투 명성, 데이터 편향성, 개인정보 침해 등의 문제를 초래할 수 있다. 인공지 능이 계약의 당사자로 인정될 경우, 인공지능의 권리능력과 행위능력 부여 및 그 범위에 대한 법적·사회적 합의가 필요하다. 특히, 계약위반 시 책임 귀속 주체를 명확히 하는 것이 중요한 쟁점으로 대두된다. 이를 해결하기 위해 기존 계약법의 재검토와 함께 인공지능의 특성을 반영한 새로운 법리 의 정립이 요구된다. 인공지능의 활용은 계약체결 과정에서 인간의 자율성 을 제한할 가능성이 있지만, 동시에 인공지능의 활용으로 인한 사적자치의 확대를 통해 계약자유의 원칙을 보완하고 확장하여 효율적인 계약 형성을 지원할 수 있다. 인공지능계약은 효율성과 편의성을 제공하지만 신뢰성, 공정성, 책임성 확보라는 과제를 동반한다. 이를 해결하기 위해 인공지능 거버넌스와 알고 리즘 감사가 중요한 역할을 할 수 있다. 제한적 규제, 자율규제 활성화, 이 해관계자 참여를 기반으로 한 인공지능 거버넌스는 인공지능계약의 혁 신성과 계약자유 원칙 간의 균형적 발전을 도모할 수 있다. 또한, 인공 지능 알고리즘 감사는 시스템의 편향, 오류, 비윤리적 의사결정을 방지 하고, 공정하고 비편향적인 시스템 작동을 입증함으로써 계약자유 원칙 의 훼손을 예방할 수 있다. 인공지능계약에서 인간의 자율성을 보호하고 계약자유의 원칙을 실현하기 위해서는 공정하고 신뢰할 수 있는 인공지능시스템을 구축하는 것이 필 수적이다. 이를 통해 계약 당사자 간 신뢰를 증진하고 자유로운 계약체결을 촉진할 수 있을 것이다. 인공지능의 발전과 활용은 계약자유의 원칙을 포함 하는 계약법 영역에 새로운 도전과 기회를 제시하고 있으며, 공정성과 효율 성을 동시에 담보할 수 있는 법적·사회적 합의 도출을 위한 지속적인 논의 가 필요하다. 따라서 인공지능계약 과정에서 제기되는 계약자유 원칙의 제 한 요소를 체계적으로 분석하고, 이를 토대로 인공지능 환경에 부합하는 계 약자유의 원칙을 효과적으로 구현할 수 있는 방안을 모색할 필요가 있다.

This paper explores a convergent approach that combines advanced informatics and computational science to develop road-paving materials. It also analyzes research trends that apply artificial-intelligence technologies to propose research directions for developing new materials and optimizing them for road pavements. This paper reviews various research trends in material design and development, including studies on materials and substances, quantitative structure–activity/property relationship (QSAR/QSPR) research, molecular data, and descriptors, and their applications in the fields of biomedicine, composite materials, and road-construction materials. Data representation is crucial for applying deep learning to construction-material data. Moreover, selecting significant variables for training is important, and the importance of these variables can be evaluated using Pearson’s correlation coefficients or ensemble techniques. In selecting training data and applying appropriate prediction models, the author intends to conduct future research on property prediction and apply string-based representations and generative adversarial networks (GANs). The convergence of artificial intelligence and computational science has enabled transformative changes in the field of material development, contributing significantly to enhancing the performance of road-paving materials. The future impacts of discovering new materials and optimizing research outcomes are highly anticipated.

Semiconductors, optimized for artificial intelligence (AI) applications, are efficiently handling large-scale data processing and complex computations with high speed and low power consumption. They accelerate AI model training and inference in data centers, cloud services, autonomous vehicles, and mobile devices. As demand for high-speed data transmission and extensive data processing grows, global companies are developing proprietary AI semiconductors, and subsequently, high-density packaging technologies are needed to interconnect multiple processor chips. To achieve this, an interposer is required. An interposer is a layer used in packaging technology for combining multiple chips, which includes wiring that is inserted to electrically connect a semiconductor chip with a substrate that has a significant pitch difference. Among the materials employed as substrates or interposers, organic, silicon and glass are being considered. While silicon interposers are usually used to connect the main substrate and multiple chips, producing very thin silicon wafers and controlling warpage is challenging, and so they suffer from poor yield and integration. Also, organic substrates have difficulty achieving fine pitch because of their uneven surface and warpage. On the other hand, glass substrates and interposers have good electrical and thermal properties. For this reason, this study investigated AI semiconductor packaging trends and through glass via (TGV) technology, emphasizing the importance of suitable glass material selection, reliable glass-metal bonding and application to solder bumping on TGV. Advances in AI and TGV technologies are expected to drive next-generation AI semiconductor packaging development.