본 연구는 AI시대의 미래교육에 대해 배움학 기반으로 논의하고 있다. AI(인공지능) 기반은 기업이나 사회전반에 걸쳐 광범위하게 영향을 미칠 것으로 예상되고 있으며 그중 교육 분야는 가장 큰 변화가 요구 되어지는 분야 중 하나라고 평가되고 있다. AI시대를 살아가야 할 인간들은 그 어느 때보다도 수동적인 학습이 아닌 능동적인 평생배움의 실천이 강조되고 있는 것이다. 이런 변화하는 시대에 맞춰 교육 또한 새로운 패러다임의 정립이 시급한 때이다. 이에 본 연구에서는 배움 기반의 새로운 패러다임으로 미래교육에 대해 논하고자 하였다. 변화하는 시대를 맞이하는 인간은 각자력을 키워야 한다. 각자력은 자신을 바로 아는 능력, 창의성, 문제해결력, 비판적 사고를 아우르는 능력이다. 각자력이 자신과의 소통에의 변화라고 한다면, 더불어 함께 사는 미래사회에는 외부와의 소통도 중요한 시대라 할 수 있다. 나와 더불어 함께 살아갈 사람들과의 공감능력, 협업과 소통능력이 앞으로는 더욱 더 중요시 될 것이다. 즉 의식소통능력을 향상시켜야 한다. 또한 개인과 공동체 차원을 아우르는 개조력이 중요시 되어야 할 것이다.

Epidemiological research to investigate the spatial characteristics of poultry farms confirmed with avian influenza (AI) infection can help increase the efficacy of AI surveillance as well as AI control strategies. The spatial characteristics of poultry farms confirmed with AI infection can provide insights on effective AI-surveillance and AI-control strategies to policymakers by providing a visualization of the geographical pattern of AI distribution. The goal of the current study was to investigate the spatial characteristics of the risk of a farm being AI-positive by using data from routine AI-surveillance performed during the period 2014–2015. To achieve this goal, we applied a spatial model because it improves the estimation of the relative risk by taking into account spatial dependence between epidemiological units. The results revealed there was a lack of dependency between districts in the risk of a farm being AI-positive. The estimates for the spatial autocorrelation coefficient in the spatial model for chicken farms were 0.006 in 2014 (p = 0.9496) and -0.064 in 2015 (p = 0.6052) and for duck farms were -0.066 in 2014 (p = 0.4380) and 0.047 in 2015. Likewise, Moran’s I statistic estimates for chicken farms were 0.0243 in 2014 (p = 0.3183) and -0.0174 in 2015 (p = 0.5657) and for duck farms were -0.0342 in 2014 (p = 0.6678) and -0.0230 in 2015.

최근, 여러 분야에서의 AI가 빠르게 성장하였고 게임에서도 큰 발전이 있었다. 게임 AI에 대한 접근 방법은 여러 가지가 있다. 먼저 지도 학습 기반 접근 방법은 게임 플레이 데이터에서 학습하고, 플레이 행동을 흉내 낸다. 그러나, 지도 학습 기반 접근 방법은 입력 자질을 선형 조합하므로, 복잡한 문제에는 성능 향상에 한계가 있다. 선형 조합에 따른 성능 한계를 개선하기 위해, 딥 뉴럴 네트워크 기반 접근방법은 지역적 특성 및 전역적 특성을 개별적으로 각각 표현하기 위해 둘 이상의 뉴럴 네트워크를 사용한다. 그러나 딥 뉴럴 네트워크 기반 접근방법은 충분한 학습 집합이 필요하다. 학습 집합을 준비해야 하는 부담을 줄이기 위해서, 강화 학습 기반 접근 방식은 Agent가 먼저 Action을 하고 이에 따른 보상을 분석하여 학습한다. 즉, 이 접근방법은 Agent가 최대 보상을 받도록 학습한다. 본 논문에서는 강화 학습을 통해 여러 게임에서 학습하는 AI를 제안한다. 제안하는 AI 모델은 개별 게임에서 Local Agent가 플레이하고, 여러 Local Agent에서 Global Agent를 학습한다. 실험 결과, 한 게임에서 학습한 Agent는 학습했던 게임에서는 우수한 성능을 보여주었지만, 새로운 게임에서는 성능이 떨어졌다. 반면에, 두 게임에서 학습한 제안하는 Agent는 학습한 게임과 새로운 게임 모두에서 잘 적응했다.

This study is a study that examines the characteristics and ideology of AI Service Advertisement or AI ads for short. AI ads appear to have different characteristics than general products ads in terms of the dialogue structure, message, character and background. First, AI ads consist mostly of a dialogue structure of “call-order-execution.” The ideology being captured in this regard is that AI is perceived as being friendly to humans and free to human beings. Second, the message of an AI ads can be divided into directive content and situations. Directive content can be divided into six categories: control-home products, search-information, control-song/music, control-phone, conversation/joke, application/order, and the situations can be divided into four categories: leisure, process/progress, problem/ constraints, and others. These messages instill in us the illusion of ‘comfortable’ and give us a new value that ‘loose is reasonable’. Third, the fact that there are more unknown models compared to general product advertisements is also a characteristic of AI ads. This is social evidence that people like me are all using AI, which is a powerful mechanism that causes sympathy. Fourth, the background of AI ads is mainly “home.” This provides a powerful mechanism for the audience to build the perception that ‘many people already use AI at home.’

혁신 채찍(Innovation stick)은 혁신을 위한 특정 의무를 부과하고 그 의무를 달성하지 못하였을 경우 벌금 등의 불이익을 부과하는 방식이다. 특허와 같은 당근뿐만 아니라 불이익을 부과하는 채찍으로도 혁신을 달성할 수 있다. 필요한 혁신이지만 이에 대한 시장의 수요가 적은 경우, 시장 경쟁에만 두면 외부효과가 만연한 경우, 또는 채찍 적용 대상이 시장에서 탈출할 위험이 적은 경우에는 혁신 채찍이 유용하다. 혁신 채찍은 사회 전체 이익을 위한 효과적인 수단을 추구하도록 하고 당근과 달리 추가적인 비용을 발생시키지 않는다. 단, 이러한 이점을 누리기 위해서는 정부가 혁신 채찍을 설정하는 주체로서 정보 부담을 지어야 한다. 대표적인 혁신 채찍으로는 기업평균연비제도와 포괄수가제를 들 수 있는데, 모두 미국, 유럽, 우리나라 등 여러 국가에서 활용되고 있다. 앞으로 다가올 인공지능⋅빅데이터 시대에도 혁신 채찍은 중요한 역할을 할 수 있다. 인공지능 ⋅빅데이터가 발전할 수 있는 환경을 구축하거나 우려되는 외부효과를 방지하는 데 혁신 채찍이 좋은 도구가 될 수 있다. 공공 영역에서는 고품질 공공데이터 확보를 위한 혁신 채찍이, 시장 영역에서는 인공지능⋅빅데이터 시스템의 블랙박스화와 차별을 방지하기 위한 혁신 채찍이 필요하다. 이를 위해서 정부는 많은 정보 부담을 감수하고 준비하여야 한다. 준비 없이 만들어진 채찍은 사람들을 시장에서 탈출하게 하여 오히려 혁신을 저해할 수 있다. 미국, 유럽 등 주요국은 이미 인공지능⋅빅데이터 시대의 혁신 채찍을 수립하기 위한 연구를 시작하였다. 우리도 국제사회와 함께 필요한 혁신 채찍이 무엇인지, 적용 기준은 무엇인지, 어떻게 평가할지 논의를 진행하여야 한다.

The purpose of this paper is to examine some of the profound effects of Augmented Intelligence (AI) on Product, one of the “Four-Ps” of marketing: Product, Price, Place, and Promotion. Today’s customers are used to extreme convenience, beyond the brick-and-mortar shopping experience, and beyond online images. Customers increasingly demand more information, and more personalized information. This paper addresses how the presentation of products has changed. This paper is conceptual, based on a review of academic literature on marketing strategy, psychology, AI, and Machine Learning as chronicled in major marketing and business research journals.

The population of domestic companion animals is estimated to be about 10 million now. In recent years, the domestic pet market has been launching a wide range of products and services for high quality, smart and well-being. As a result, the market size will increase from 900 billion won in 2012 to 2.3 trillion won in 2016, which has more than doubled in five years. The industry expects to reach 6 trillion won by 2020, expecting 3 trillion won this year. In particular, domestic dogs and cats market is estimated at 275.5 billion won, accounting for 19% of the domestic animal market and 1.425 billion won for the world market. However, despite the growing market for companion animals products, unfortunately the import dependence on related industrial goods is still high and the quality of service is very low. Unlike Europe and the United States, 90% of companion animals are housed in apartments, often causing problems in the health and safety of companions and companions. The purpose of this study is to develop a smart house for companion animals with environmental friendliness and AI function that can be won in competition with products of developed countries. The results of this study are expected to contribute to the creation of a new value - added base for the related industries through the strengthening of the competitiveness of the related SMEs and further the effect of employment increase and import substitution.

인공지능 시대의 도전에 종교학적으로 답하기 위해 폴 리쾨르(Paul Ricoeur)의 미메시스(mimèsis) 이론을 그의 종교적 해석학에 접붙였다. 이 접붙임을 통해 드러나는 종교적 텍스트의 본유적인 기능은 개인과 공동체가 종교적 텍스트를 읽고 해석하면서 개인과 공동체가 자신들이 가지고 있는 한정적인 시간성(Zeitlichkeit)을 넘어선 영원성(eternity)이나 공(空)과 같은 근원적인 시간성과 새로운 존재의 가능성을 보면서 일어나는 영혼의 변형과 서사적 정체성이다. 약한 인공지능(weak AI)의 경우, 인공지능이 지식적이고 교리적인 측면의 기능을 감당하게 되어 영혼의 변형이라는 종교적 텍스트의 본유적 기능이 강화될 것이다. 강한 인공지능(strong AI)의 경우, 인공지능이 앞으로 인간과 함께 살아가는 동반자가 될 수 있다는 점에서 강한 인공지능이 등장하기 전에 지금까지 종교적 텍스트가 형성해 온 다양한 종교적인 서사적 정체성을 인공지능 프로그램 안에 적극적으로 포함하는 컴퓨터 공학과의 협업이 강력하게 요청된다.

선박은 해양사고 발생 시 최악의 경우 퇴선을 해야 하나 특성상 협소하고 복잡하며 해상에서 운항하므로 퇴선이 쉽지 않다. 특히, 여객선의 경우 해상에서의 안전훈련을 이수하지 않은 불특정 다수의 승객들로 인해 더욱 퇴선이 어려운 상황이 된다. 이런 경우 승무원들의 피난 유도가 상당히 중요한 역할을 하게 된다. 그리고 구조자가 사고 선박에 진입하여 구조 활동을 하는 경우 어느 구역으로 진입해야 가장 효과적인지에 대한 검토가 필요하다. 일반적으로 승무원 및 구조자는 최단경로를 택하여 이동하는 것이 일반적이나 최단 경로에 사고 상황 등이 발생했을 경우 제2의 최적 경로 선택이 필요하다. 이러한 상황을 해결하기 위해 이 연구에서는 머신러닝(Machine learning)의 기법 중에 하나인 강화학습(Reinforcement Learning)의 Q-Learning 이용하여 퇴선 경로를 산출하고자 한다. 강화학습은 인공지능(Artificial Intelligence)의 가장 핵심적인 기능으로 현재 여러 분야에 사용되고 있다. 현재까지 개발된 대부분의 피난분석 프로그램은 최단경로를 탐색하는 기법을 사용하고 있다. 이 연구에서는 최단경로가 아닌 최적경로를 분석하기 위해 머신러닝의 강화학습 기법을 이용하였다. 향후 AI기법인 머신러닝은 자율운항선박의 최적항로 선정 및 위험요소 회피 등 다양한 해양관련 산업에 적용 가능할 것이다.

하폐수처리를 위한 분리막 생물반응기에서 막오염을 유발시키는 원인물질로 알려진 정족수감지 신호분자인 AHL과 AI-2를 동시 억제하는 연구를 하였다. AHL 분해 효소를 생산하는 BH4와 AI-2 불활성 물질을 분비하는 DKY-1를 각각 하이드로겔 담체에 고정시켜 분리막 생물반응기에 적용시킴으로써 막오염을 효과적으로 제어하고자 한다. 주기적으로 반응기의 신호분자 농도를 LC/MS/MS로 측정하였으며, 막투과 압력 증가 데이터를 바탕으로 막오염의 완화 정도를 살펴보았다. 이외에 총질소, 화학적 산소요구량, 미생물 플록 크기, 미생물 농도 등을 측정하여 반응기의 상태와 폐수의 처리효율을 비교 고찰하였다. 본 연구는 연구재단 이공분야 기초연구사업(NRF-2016R1A2B2013776)의 지원을 받아 수행되었습니다.