인공지능
공간-키워드 질의: 새로운 검색의 필요성과 해결책
가격 협의
현대 정보 검색 시스템에서 공간 질의는 오브젝트 간의 공간적 인접성만을 고려합니다. 하지만 공간-키워드 질의는 질의 키워드와 오브젝트 간의 키워드 유사도를 함께 고려해야 합니다. 한국 등록 특허 제10-1571960호와 제10-2014-0028935호와 같은 기존 기술들은 지리적 위상, 거리, 방향성만을 고려하고 있어 객체 주변의 환경 조건을 필터링하는 데 한계가 있습니다. 이를 해결하기 위해 새로운 다중 키워드 도메인 기반의 공간-키워드 검색 장치가 필요합니다. 이 장치는 사용자 단말로부터 공간-키워드 질의를 수신하고, 주요 조건과 부차 조건을 추출하여 독립적인 데이터베이스와 인덱스를 유지하며, 질의 처리 시 다수의 IR-트리를 동시에 탐색합니다. 이를 통해 환경적 조건을 효과적으로 필터링하고, 보다 효율적이고 실시간으로 질의를 처리할 수 있습니다. 다양한 도메인의 키워드를 동시에 고려하여 검색 성능이 떨어지지 않으며, 스마트 시티, 자율주행 자동차, 증강 현실 등 다양한 분야에 응용할 수 있는 잠재력을 가지고 있습니다.스마트 시티정보 검색 시스템지리적 정보증강 현실검색 효율성
인공지능
분산 환경에서 CF+ 트리 기반 데이터 클러스터링의 놀라운 성능
가격 협의
1930년대부터 연구된 데이터 클러스터 분석 기술은 빅데이터 시대에서 더욱 중요해졌습니다. 그러나 기존 방법들은 대용량 데이터 분석에서 한계를 보였습니다. CF+ 트리를 이용한 맵리듀스 기반 분산 군집화 방법은 이러한 한계를 극복하여 큰 데이터 세트를 효율적으로 분석할 수 있게 합니다. 이 기술은 마케팅, 의료 등 다양한 산업 분야에서 대규모 데이터를 효과적으로 분석하는 데 활용됩니다.데이터 클러스터링군집화 방법빅데이터 분석분산 환경크고 복잡한 데이터 세트
인공지능
빅데이터 시대 데이터 클러스터링 성능을 극대화하는 방법
가격 협의
빅데이터 시대에 데이터 클러스터링 기술은 많은 데이터를 빠르게 분석하는 데 큰 도움을 줍니다. 특히 CF 트리를 활용한 범위 질의 기반의 클러스터링 기술은 기존 기법의 단점을 보완하면서 더 나은 성능을 제공할 수 있습니다. 이 기술은 CF 트리의 미세 클러스터 간의 거리를 기반으로 클러스터 세그먼트를 생성하고, 범위 질의를 통해 효율적인 클러스터링을 수행합니다. 대용량 데이터를 효과적으로 처리하고 분석하는 데 뛰어난 성능을 보이는 이 기술은 데이터베이스, 빅데이터 분석, 인공지능 등 다양한 산업 분야에서 활용될 수 있습니다.빅데이터 분석 기술CF 트리 클러스터링미세 클러스터 세그먼트데이터베이스 클러스터링빅데이터 클러스터링
인공지능
공간 데이터 검색의 정확성을 높이는 혁신적 인덱스트리 기술
가격 협의
공간 데이터와 같은 다차원 데이터를 효율적으로 검색하려면 객체 간 공간적 근접성을 고려하여 저장하는 것이 중요합니다. 기존의 클라우드 컴퓨팅 프레임워크는 이러한 공간적 인접성을 고려하지 않아 많은 긍정 오류를 발생시킵니다. 본 기술은 데이터 공간을 효율적으로 분할하고 최소경계사각형(MBR)으로 정보를 저장하여 인덱스트리를 생성, 실시간 유사 질의를 처리합니다. 이를 통해 빠른 데이터 접근과 질의 처리를 가능하게 하며 긍정 오류를 줄여줍니다. 특히 빅데이터 환경에서 실시간 분석과 모니터링에 적합하며 다양한 산업 분야에서 비용 절감과 운영 효율성을 높일 수 있습니다.실시간 분석최소경계사각형질의 처리데이터 관리HBase
인공지능
대용량 데이터 효율적으로 처리하는 그리드 기반 스카이라인 질의 시스템
가격 협의
빅데이터 시대가 도래하면서 대용량 데이터를 효과적으로 처리하는 기술은 급격히 중요한 과제가 되었습니다. 기존의 스카이라인 질의 처리 방식들은 대량의 데이터에 대한 대응력이 부족하다는 문제점을 가지고 있었습니다. 이를 해결하기 위해 그리드 기반 스카이라인 질의 처리 시스템이 개발되었습니다. 이 시스템은 원점에서 멀어지는 단위 블록들로 그리드를 생성하여 효율적으로 데이터를 처리합니다. 또한 맵-리듀스 연산을 통해 분산 처리가 가능하며, 디스크 I/O를 줄이는 효과도 있어 응답 시간을 크게 단축할 수 있습니다. 실험 결과에 따르면 기존 기법에 비해 평균 40% 이상의 속도 향상을 보였고, 디스크 I/O 횟수도 30% 이상 감소했습니다. 추천 시스템 및 의사결정 지원 시스템과 같은 다양한 응용 프로그램에서 유용하게 사용될 수 있습니다.클라우드 데이터 분석데이터 처리 시스템의사결정 지원 시스템맵-리듀스추천 시스템
인공지능
임베디드 시스템에서 에너지 절약을 위한 신경망 기술
가격 협의
임베디드 환경에서 신경망 기술 적용이 증가하면서, 추론 시간이 길고 에너지 소모가 많은 문제점이 발견되고 있습니다. 이를 해결하기 위해 본 발명은 컨볼루션 신경망의 출력을 1차원 벡터로 변환하고, 가중치 연산과 정규화 과정을 통해 결과를 도출하는 방식을 제안합니다. 이를 통해 신뢰할 수 있는 분류 결과를 얻고, 다음 연산의 필요성을 판단하여 에너지 효율을 높일 수 있습니다. 본 기술은 임베디드 시스템, 모바일 장치, IoT 기기 등 다양한 애플리케이션에서 실시간 성능을 개선하고 에너지 사용을 최적화하는 데 도움을 줄 수 있습니다.머신러닝데이터 분류예측 로직실시간 성능추론 시간 단축
인공지능
스윈 트랜스포머와 자기지도학습으로 이미지 분석 성능 향상
가격 협의
컴퓨터 비전 분야의 최신 트렌드인 스윈 트랜스포머와 자기지도학습 알고리즘을 결합하여 적은 학습 데이터로도 높은 성능을 발휘하는 방법을 제시합니다. 이 기술은 지도학습의 한계를 극복하고, 작은 패치 간의 상관관계를 고려해 더 정밀한 이미지를 분석할 수 있게 합니다. 이를 통해 의료 영상 분석, 자율주행 차량의 객체 인식 등 데이터 확보가 어려운 분야에서도 효과적으로 활용될 수 있습니다.스윈 트랜스포머Transformer대조학습이미지 분석딥러닝
인공지능
LSTM 오토인코더로 불균형 데이터 문제 해결하는 이상 탐지 기술
가격 협의
시계열 데이터의 이상 탐지가 다양한 분야에서 문제로 등장하고 있습니다. 이 기술은 LSTM 기반 오토인코더를 사용해 데이터 불균형 문제를 해결하고 이상 탐지 성능을 개선하는 데 중점을 둡니다. 본 발명은 시계열 데이터 증강 기법으로 지터링과 스케일링을 사용하며, 이를 통해 온라인 네트워크와 타겟 네트워크에서 자기지도학습을 진행합니다. 실험 결과, 기존 모델보다 비정상 데이터 탐지 건수와 재현율이 상당히 향상된 것으로 나타났습니다. 이 기술은 제조업뿐만 아니라 금융 분야에서도 비정상 거래 감지 등 다양한 분야에서 활용될 수 있으며, 산업 전반의 품질과 안전성을 높일 수 있습니다.기계학습산업 품질 개선시계열 데이터 이상 탐지LSTM 오토인코더비정상 거래 감지
인공지능
복수 유사도 측정법으로 시계열 데이터 분류 정확도 향상
가격 협의
대규모 심층신경망은 양질의 데이터를 다량으로 필요로 하지만, 이를 확보하는 데 많은 비용과 시간이 소요됩니다. 이를 해결하기 위해 가짜 데이터를 생성하거나 전이 학습을 활용하는 방법이 있습니다. 특히 데이터가 부족한 시계열 데이터의 경우, 복수의 유사도 측정법을 사용해 정확한 분류 모델을 생성하는 새로운 방법이 제시되었습니다. 이 방법은 각 유사도에 대한 가중치를 학습하여 최종 유사도를 얻고, 이를 기반으로 최적의 분류 모델을 선택하여 기존 방법들보다 우수한 성능을 보입니다. 이 기술은 금융, 의료, 제조업 등 다양한 산업 분야에 적용 가능하며, 기존 데이터 증대 방법 대비 학습 비용과 시간을 절감할 수 있습니다.데이터 분석데이터 분류금융 데이터시계열 데이터딥러닝
인공지능
강화학습으로 데이터 결측과 불균형 문제 해결하는 법
가격 협의
4차 산업혁명이 시작된 이후, 데이터 분석의 중요성은 매우 높아졌습니다. 그러나 데이터 분석의 정확성을 보장하기 위해 필수적인 데이터 전처리 과정에서 결측값과 데이터 불균형 문제는 큰 도전과제로 남아 있습니다. 기존 방법들은 이러한 문제를 완전히 해결하지 못했지만, PPO와 DQN 알고리즘을 활용한 강화학습 접근은 더 높은 성능과 신뢰성을 제공합니다. 이를 통해 데이터 분석의 정확성을 높여 다양한 산업 분야에서 더 신뢰할 수 있는 결과를 도출할 수 있습니다.기계학습산업 적용강화학습PPO 알고리즘DQN 알고리즘
인공지능
데이터 불균형 문제, 적대적 오토인코더와 SMOTE로 해결하자!
가격 협의
기계학습 실험에서는 데이터의 수가 비슷할 때 가장 높은 성능을 발휘하지만, 실제 데이터에서는 클래스별 데이터 수가 불균형한 경우가 많습니다. 이로 인해 소수 범주 데이터가 잘못 분류되며, 기계학습 모델의 성능이 저하될 수 있습니다. 이를 해결하기 위해 SMOTE와 같은 오버샘플링 기법이 사용되지만, 기존 방법은 한계가 존재합니다. 적대적 오토인코더를 활용하면 잠재 변수 공간에서 소수 범주 데이터를 보다 정확하게 생성할 수 있어, 기존 기법보다 우수한 성능을 제공합니다. 이러한 기술은 의료 데이터 분석, 자율 주행 차량의 객체 인식, 금융 사기 탐지 등에서 데이터 불균형 문제를 효과적으로 해결할 수 있습니다. 따라서 기계학습 모델의 정확도와 신뢰도를 향상시킬 수 있습니다.소수 범주 데이터기계학습학습 데이터오버샘플링금융 사기 탐지
인공지능
시계열 데이터 예측 성능을 향상시키는 방법, 무엇이 있을까요?
가격 협의
시계열 데이터를 예측하는 기술은 금융, 의학, 생명 등 다양한 산업 분야에서 중요한 역할을 합니다. 그러나 데이터가 충분하지 않을 때 과적합 문제가 발생할 수 있습니다. 이 기술은 합성곱신경망을 활용하여 시계열 데이터를 확장함으로써 예측 성능을 개선합니다. 연속된 시계열 데이터의 특징을 2차원 배열로 변환하고, 이를 합성곱신경망에 입력하여 새로운 데이터를 생성합니다. 이 데이터를 원본 데이터와 결합해 확장된 데이터셋을 만들어 예측 모델을 학습시킵니다. 이를 통해 작은 크기이지만 변동성이 큰 데이터셋에서도 안정적인 예측 결과를 제공합니다.머신러닝CNN안정적 예측 결과금융 예측 모델예측 성능 개선