본 연구는 관광 분야에서도 생성형 인공지능(AI) 기술이 활용되는 등 산업 환경이 급변하고 비즈니스 혁신이 계속되고 있다는 점에 주목했다. 관광업계는 이런 흐름을 견인하면서도 관광산업 경쟁력을 한 단계 높여 혁신적이고 우수한 관광 서비스가 널리 알려져 관광산업의 경쟁력을 갖 출 수 있도록 지원과 홍보를 아끼지 않아야 할 시점이다. 이런 차원에서 최근 주목받고 있는 생성형 AI를 활용한 관광산업의 발전전략을 추진해 야 할 시점이다. 특히, 관광콘텐츠를 생성하는 데 있어서 창의적이고 독 특한 성과물을 도출하는 데 크게 이바지할 것으로 기대하고 있다. 이에 본 연구는 관광산업에서의 생성형 AI를 활용하는 방안을 문헌 고찰했다. 그 결과, 첫째, 생성형 AI를 활용한 신뢰 가능한 관광콘텐츠 제작환경 조성을 제시했다. 둘째, 관광콘텐츠 기획가와 제작자들의 AI 활용 마인드 를 확산해야 한다고 제안했다. 셋째, 민간주도 관광시장 성장을 위한 생 성형 AI 관광콘텐츠 스타트업 육성과 대기업 협업 방안을 제시했다.

본 연구의 목적은 CAC(Cognition-Affect-Conation) 프레임을 기반으 로 박물관 AI 음성 대화 기술 이용자가 사용하는 다단계 체험 모델을 구 축하고 박물관 AI 음성 대화 기술 사용에 영향을 미치는 요인을 탐색하 고, 미래 박물관 AI 음성 대화 기술의 개발 및 최적화를 위한 이론적 근 거와 실제 지침을 제공하는 것이다. 이러한 연구목적을 달성하기 위해 본 연구는 CAC 프레임을 기반으로 의인성 인지, 관계성 인지, 오락성 인지, 서비스 품질 인지, 비용 인지, 이용자 감정, 이용자의 사용 의도 등의 측면에서 이론적 모델을 구축한다. 정량적 데이터 분석 방법을 통 해 박물관 AI 음성 대화 기술의 이용자 사용 의도 생성 동기를 분석한 다. 연구 결과에 따르면 높은 관계성 인지, 오락성 인지, 서비스 품질 인 지는 박물관 AI 음성 대화 기술에 대한 이용자의 긍정적인 감정을 증가 시킬 수 있고, 긍정적인 감정은 박물관 AI 음성 대화 기술에 대한 이용 자의 사용 의도를 높일 수 있다. 반면, 의인성 인지와 비용 인지가 높으 면은 박물관 AI 음성 대화 기술에 대한 이용자의 부정적인 감정이 발생 하여 이용자의 사용 의도를 높이는 데 부정적인 연향이 있음을 도출했 다.

As new AI techniques are developed and various types of big data accumulated, new approaches for pest management are also being attempted. Various spatio-temporal scale big data are being accumulated, and attempts are being made to utilize them to classify target objects and analyze their characteristics. Remote sensing data is widely used across various fields, and is being measured, stored, and shared in diverse formats. Hyperspectral imaging and satellite data are ecologically relevant big data, with distinct formats and potential applications. We will introduce real-world AI examples of utilizing hyperspectral image analysis, as well as estimating pest population density using satellite data.

This presentation explores the application of Artificial Intelligence (AI) in entomology beyond traditional image analysis. It highlights AI's potential in auditory and olfactory analysis, areas less explored in entomological research. Utilizing machine learning, AI enhances insect classification and ecosystem assessment through improved analysis of existing data. The discussion includes AI's capability in developing indices for habitat evaluation using insects as bioindicators, emphasizing its versatility across different research areas within entomology. This approach aims to broaden the scope of AI applications, promoting a deeper understanding of ecological dynamics through entomological studies.

Due to climate change and the rise in international transportation, there is an emerging potential for outbreaks of mosquito-borne diseases such as malaria, dengue, and chikungunya. Consequently, the rapid detection of vector mosquito species, including those in the Aedes, Anopheles, and Culex genera, is crucial for effective vector control. Currently, mosquito population monitoring is manually conducted by experts, consuming significant time and labor, especially during peak seasons where it can take at least seven days. To address this challenge, we introduce an automated mosquito monitoring system designed for wild environments. Our method is threefold: It includes an imaging trap device for the automatic collection of mosquito data, the training of deep-learning models for mosquito identification, and an integrated management system to oversee multiple trap devices situated in various locations. Using the well-known Faster-RCNN detector with a ResNet50 backbone, we’ve achieved mAP (@IoU=0.50) of up to 81.63% in detecting Aedes albopictus, Anopheles spp., and Culex pipiens. As we continue our research, our goal is to gather more data from diverse regions. This not only aims to improve our model’s ability to detect different species but also to enhance environmental monitoring capabilities by incorporating gas sensors.

본 논문에서는 최근 미국과 EU의 생성형 AI 영역 협력과 경쟁에 관 하여 분석하였다. 미국 정부는 투명성 보장, 즉 생성형 AI에 의해 제작 된 창작물임을 표시하게 함으로써 표현의 자유를 보장한다. 플랫폼에 대 한 제어 또한 원칙 제시뿐, 유포에 대한 기업의 책임은 면책대상 조항으 로 다루고 있다. 반면, EU가 최종한 AI 규제는 AI 사용에 관한 세계 최 초의 포괄적 AI 규제법이다. EU는 디지털 전략의 일환으로 AI 산업을 규제하여 혁신적 기술 개발 및 사용을 위한 더 나은 조건을 보장하고자 포괄적 입법 과정을 거치고 있다. 본고에서는 양측의 규제는 미국의 경우 ‘원칙 제시 및 자발성’ 규제 유형이며, EU의 경우 ‘규칙 기반, 강제성’ 규 제 유형으로 구분될 수 있음을 제시한다.

디지털 미디어의 급속한 진화는 광고 콘텐츠 분야에서 혁신적이고 매력적인 시각적 콘텐츠의 필요성을 강조하면서 큰 영향을 미치고 있다. 본 연구는 기술 발전과 창의적인 광고 요구 사 이의 격차를 해소하는 것을 목표로 짧은 이미지 광고를 만드는 데 있어서 생성적 인공 지능 (AI)의 잠재력을 탐구하고자 하였다. 현대 미디어 환경에서 광고 콘텐츠의 형태와 소비 방식이 급변하고 있으며 특히 소셜 미디어와 디지털 플랫폼에서 짧은 형태의 비디오 및 이미지 콘텐 츠의 중요성이 증가하고 있다. 이러한 변화 속에서, 본 연구는 AI 기술을 활용하여 효과적인 애드버콘텐츠 이미지를 생성하는 새로운 방법론을 제시하고자 하였다. 연구는 먼저 생성형 AI 의 기본 이론과 광고 콘텐츠 제작에 있어 주요 요소들을 검토하고 이를 바탕으로, 인공지능을 활용하여 생성된 이미지 콘텐츠를 제안한다. 이 논문은 광고 콘텐츠 제작에 있어 생성형 AI의 가능성을 탐색하고 미디어 콘텐츠 제작의 미래 방향 및 광고 산업에 중요한 시사점을 제공한 다는 점에서 의의를 찾을 수 있다.

최근에 생성형 인공지능 활용에 관한 많은 연구가 진행되고 있다. Generative AI 도구와 플랫 폼 수량이 증가하고 있는 추세에 따라, Generative AI 도구는 텍스트와 이미지, 소리, 비디오, 그리고 3D 모델을 생성하는 기능을 가지고 있을 뿐만 아니라 프롬프트만으로도 아이디어와 콘텐츠를 포함하여 복잡한 작품을 생성할 수 있다. 본 연구는 Generative AI 도구와 플랫폼이 디지털 아트 전공학생들에게 미치는 영향을 탐구 하였으며, 특히 창작 과정에 그들의 역할과 작품에 미치는 영향을 구체적으로 살펴보았다. 또한, 본 연구는 Generative AI 작품에 의해 디지털 아트 전공 학생들에게 필요한 기술이나 특징에 대한 질적 연구법 중의 주체 분석 방법으로 자세히 연구하였다.

최근, 국토교통부에서 시행한 “국가 보행교통 실태조사”로 인해 보행안전과 보행환경에 대한 중요성이 증가하고 있으며, 전반적으로 대로에서는 보행환경이 양호하나 생활도로에서는 보도가 미설치되거나 보도폭이 협소하여 보행환경이 미흡하고 보행 만족도도 낮은 것으며 생활도로의 약 34%가 유효보도폭 기준을 충족하지 못하고 있다고 조사되었다. 국가 주요 사회간접자본(SOC)인 도로, 교량, 터 널, 공공건물, 환승센터 등에 비하여 상대적으로 보행공간을 대상으로한 정보화 속도가 늦어 정보화 연구개발에 대한 추진이 시급한 실정이다. 이에 정부에서도 국가공간정보정책 기본계획에 따른 국가공간정보정책 시행계획이 확정되어 신산업 기반으로서의 역할과 안전한 시설관리를 위한 디지털 트윈 관련 기술개발 등에 투자를 확대하고, 디지털 트윈 등의 기반 정보인 고정밀 공간정보 생산 등 에 중점적으로 투자하고 있다. 현재 한국건설기술연구원, 서울시, 경기도 등에서 활용하고 있는 조사장비(PES, KRISS)는 도로포장(차 도)에서 상태 모니터링을 진행하고 있으나 이와 같은 장비들은 고가의 장비들로 실질적으로 사용하기에는 어려움이 있다. 또한, 보행 도로에서는 상태 모니터링을 수집할 장비가 없기 때문에, 보행 공간 경사, 노면 상태 등을 측정ㆍ수집하는 방법은 인력에게 의존해왔 다. 또한, 현재 보행자도로에 대한 서비스수준 산정 방식은 한국도로용량편람(2013)의 보행자시설편에서 제공하고 있는 산정 방식으로 도로용량편람에서 제시하는 보행자도로의 분석 방법을 적용하여 서비스수준을 산출할 경우, 차량과 동일한 교통량-속도-밀도 관계에 의존하여 산출하기 때문에 현실적인 보행자도로의 서비스수준을 반영하지 못하고 있는 실정이다. 이러한 문제로 인해 보행공간에 대 한 이용자의 안전 및 편의성에 대한 연구가 미흡한 상황이다. 따라서, 본 연구는 모바일매핑시스템(Mobile Mapping System)과 인공지 능(AI), 무인비행장치(Drone)를 활용한 보행공간 상태 모니터링 시스템 구축 방안을 제시하고자 한다.

인공지능(Artificial Intelligence, AI)은 1950년대 초기개념과 이론을 앨런 튜링이 튜링 테스트를 제안하여 기계가 인간과 같은 수준의 지능을 가질 수 있는지 대한 질문을 던지면서 시작되었다. 1980년대부터 특정 분야의 전문 지식을 모방하여 지원하는 AI 시스템인 전 문가 시스템이 부상하기 시작하면서 Machine Learning이 중요성을 얻기 시작하였다. 특히, Decision Tree, Clustering 그리고 Neural Network Algorithm 등이 연구되기 시작하였다. Clustering 기법은 다양한 분야에서 통계분석에 사용되는 자료를 정제하기 위한 비지도 학습 중 하나로, 군집화 알고리즘을 사용하여 자료의 값(Pointer)들을 특정 그룹으로 분류하는 방법이다. 이러한 Clustering을 활용하여 기존 데이터에서 숨겨진 데이터들의 특성을 파악할 수 있으며, 일정 패턴이나 특징을 가진 데이터들끼리의 군집화를 할 수 있게 된다. 이러한 클러스터링은 다양한 산업 분야에서 적용 및 활용하고 있다. 산업화 이후 미국, 벨기에 등 많은 나라에서 효율적인 도로 관 리를 위해 자국의 특성에 맞는 Pavement Management System (PMS)를 운영하고 있지만 현재 많은 분야에서 적용하고 있는 AI를 활용한 사례가 매우 드물다. 한국에서도 수십년 동안 국토교통부와 한국도로공사에서 PMS를 이용하여 도로를 관리해 왔으며, 최근에 는 몇 개 지자체에서 PMS를 도입하였다. 하지만 한국에서는 오랜 PMS 운영 경험에도 불구하고 AI를 활용하지 않고 전통적 방법인 회귀모형을 활용하여 개발한 공용성 예측모형을 사용하고 있기 때문에 그 성능이 떨어지고 있다. 따라서 본 연구에서는 Machine Learning Clustering 기법을 PMS 자료에 적용이 가능한지 확인하였다. 공용성 예측모형의 종속변수인 Performance Factors와 독립변 수인 Influencing Factors 간의 상관성을 확인할 수 없는 경우 클러스터링을 적용하여 종속변수와 독립변수 간의 상관성을 분명히 나 타내고 회귀분석이 가능하도록 하였다. Delaunay Triangulation을 적용하여 인천광역시 기상관측소의 삼각망을 형성하였다. 삼각망의 각 꼭짓점과 도로 각 지점 간의 거리에 대하여 Inverse Distance Weighted 방법을 적용하여 도로 각 구간의 PMS 자료와 영향인자를 매칭하였다. 클러스터링 기법을 원자료에 적용한 결과 공용성인자와 영향인자 간의 상관성이 분명해졌다. 또한, 클러스터링 이전과 이 후 자료의 확률밀도함수의 분포를 비교하여 클러스터링 이후의 자료가 이전의 대해서 대표성을 갖고 있는지 확인하였다.

인공지능(Artificial Intelligence, AI)은 1950년대 초기개념과 이론을 앨런 튜링이 튜링 테스트를 제안하여 기계가 인간과 같은 수준의 지능을 가질 수 있는지 대한 질문을 던지면서 시작되었다. 1980년대부터 특정 분야의 전문 지식을 모방하여 지원하는 AI 시스템인 전 문가 시스템이 부상하기 시작하면서 Machine Learning이 중요성을 얻기 시작하였다. 특히, Decision Tree, Clustering 그리고 Neural Network Algorithm 등이 연구되기 시작하였다. Clustering 기법은 다양한 분야에서 통계분석에 사용되는 자료를 정제하기 위한 비지도 학습 중 하나로, 군집화 알고리즘을 사용하여 자료의 값(Pointer)들을 특정 그룹으로 분류하는 방법이다. 이러한 Clustering을 활용하여 기존 데이터에서 숨겨진 데이터들의 특성을 파악할 수 있으며, 일정 패턴이나 특징을 가진 데이터들끼리의 군집화를 할 수 있게 된다. 이러한 클러스터링은 다양한 산업 분야에서 적용 및 활용하고 있다. 산업화 이후 미국, 벨기에 등 많은 나라에서 효율적인 도로 관 리를 위해 자국의 특성에 맞는 Pavement Management System (PMS)를 운영하고 있지만 현재 많은 분야에서 적용하고 있는 AI를 활용한 사례가 매우 드물다. 한국에서도 수십년 동안 국토교통부와 한국도로공사에서 PMS를 이용하여 도로를 관리해 왔으며, 최근에 는 몇 개 지자체에서 PMS를 도입하였다. 하지만 한국에서는 오랜 PMS 운영 경험에도 불구하고 AI를 활용하지 않고 전통적 방법인 회귀모형을 활용하여 개발한 공용성 예측모형을 사용하고 있기 때문에 그 성능이 떨어지고 있다. 따라서 본 연구에서는 Machine Learning Clustering 기법 을 PMS 자료에 적용이 가능한지 확인하였다. 공용성 예측모형의 종속변수인 Performance Factors와 독립 변수인 Influencing Factors 간의 상관성을 확인할 수 없는 경우 클러스터링을 적용하여 종속변수와 독립변수 간의 상관성을 분명히 나타내고 회귀분석이 가능하도록 하였다. Delaunay Triangulation을 적용하여 인천광역시 기상관측소의 삼각망을 형성하였다. 삼각망 의 각 꼭짓점과 도로 각 지점 간의 거리에 대하여 Inverse Distance Weighted 방법을 적용하여 도로 각 구간의 PMS 자료와 영향인 자를 매칭하였다. 클러스터링 기법을 원자료에 적용한 결과 공용성인자와 영향인자 간의 상관성이 분명해졌다. 또한, 클러스터링 이전 과 이후 자료의 확률밀도함수의 분포를 비교하여 클러스터링 이후의 자료가 이전의 대해서 대표성을 갖고 있는지 확인하였다.

This study aimed to explore the impact of AI image generators on the affective factors of college-level English learners and the correlations among these factors. During a four-week instructional period, 65 participants were asked to use Midjourney as an AI tool for their user experiences. Affective factors including interest, confidence, and participation were measured through pre- and post-surveys. Using Jamovi for analysis, significant improvements were discovered across all affective factors. Noteworthy improvements occurred in confidence, indicating a favorable impact by AI-generated images on English learning. Additionally, correlation analysis demonstrated significant positive relationships between interest and confidence, as well as confidence and participation. This confirms the interconnected nature of these affective elements in the learning process. The findings suggest that the educational use of image-generating AI tools can beneficially influence English learners’ affective domains. The study calls for further investigation into the pedagogical applications of image AI to foster a more interactive, engaged, and self-assured attitude towards language learning.

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.