1935호2020.02.26.

「주간기술동향」은 과학기술정보통신부 「ICT 동향분석 및 정책지원」 과제의 일환으로 정보통신기획평가원(IITP)에서 발간하고 있습니다.

「주간기술동향」은 인터넷(http://www.itfind.or.kr)을 통해 서비스를 이용할 수 있으며, 본 고의 내용은 필자의 주관적인 의견으로 IITP의 공식적인 입장이 아님을 밝힙니다.

정보통신기획평가원의 「주간기술동향」 저작물은 공공누리 “출처표시-상업적 이용금지” 조건에 따라 이용할 수 있습니다. 즉, 공공누리의 제2유형에 따라 상업적 이용은 금지하나, “별도의 이용 허락”을 받은 경우에는 가능하오니 이용하실 때 공공누리 출처표시 지침을 참조하시기 바랍니다.(http://www.kogl.or.kr/info/license.do 참고)

예시) “본 저작물은 ‘OOO(기관명)’에서 ‘OO년’ 작성하여 공공누리 제O유형으로 개방한 ‘저작물명(작성자:OOO)’을 이용하였으며, 해당 저작물은 ‘OOO(기관명), OOO(홈페이지 주소)’에서 무료로 다운받으실 수 있습니다.”

1935호

기획시리즈 2헬스케어 인공지능 기술의 활용 동향

[김종호/경성대학교]

Ⅰ. 헬스케어 인공지능의 부상

Ⅱ. 분야별 인공지능기술 활용 동향

Ⅲ. 결론

ICT 신기술 13인공지능을 활용한 광물자원개발기술 동향

[최요순·이희욱/부경대학교 외]

Ⅰ. 서론

Ⅱ. 조사 및 탐사 단계

Ⅲ. 개발 및 운영 단계

Ⅳ. 광해 관리 단계

Ⅴ. 결론

ICT R&D 동향 25메타 모델 이용한 인공지능 클라우드 인프라 자동 구축 기술

[김두현/건국대학교]

웰니스 컴패니언 QA 서비스 기술

[정혜동/전자부품연구원]

주간기술동향 2020. 2. 26.

2 www.iitp.kr

*

I. 헬스케어 인공지능의 부상

최근 헬스케어 산업의 트렌드는 질병치료 중심에서 예방 중심으로 변화하고 있다. 또한,

환자들은 의료 공급자로부터 더욱 안전하고 효과적인 진료와 개인맞춤형 치료를 기대하고

* 본 내용은 김종호 교수(☎ 051-663-4458, jonghokim0312@gmail.com)에게 문의하시기 바랍니다.** 본 내용은 필자의 주관적인 의견이며 IITP의 공식적인 입장이 아님을 밝힙니다.

의사의 인지 및 판단 능력으로는 진료기록, 의료영상, 유전체 데이터 등 방대한 환자 데이터를 분석해서 최선의 결론을 찾는 데 많은 한계가 있다. 또한, 같은 질병에 대해서도 의사들 간 변이가 크고 의료 사고는 생명을 위협하는 큰 요인으로 자주 거론되고 있다. 이에 따라 근거에 기반하고 빠르며 정확한 연산 능력을 지닌 인공지능 헬스케어시스템에 대한 의료소비자들의 신뢰가 점점 커지고 있다. 딥러닝 기술의 비약적인 발전과 의사의 한계, 진료의 효과성, 안전성에 대한 소비자의 기대가 복합되어 헬스케어의 다양한 분야에서 인공지능 기술의 적용이 활발하다. 의료영상 분야에서는 이미 인공지능 기술이 의사와 대등한 수준에 이르렀다는 것이 많은 연구에서 입증되고 있다. 의료영상 AI(Artificial Intelligence) 기술은 육안으로 확인할 수 없는 세밀한 부분까지 파악하여 치료의 안전성과 효과성을 높이고 있다. 이외에도 신약개발, 의료로봇, 진료 워크플로우 지원 등 다방면으로 AI는 적용 범위를 넓히면서 헬스케어 서비스의 제공방식을 근본적으로 바꾸어 나가고 있다. 본 고에서는 헬스케어 분야별로 인공지능의 활용 동향을 살펴보고자 한다.

chapter 1

헬스케어 인공지능 기술의 활용 동향

•••김종호 ‖ 경성대학교 부교수

기획시리즈

기획시리즈-인공지능

정보통신기획평가원 3

있다. 이러한 기대와 요구를 충족하기 위해서는 병원 내 진료 기록, 의료영상 데이터, 유전

체 데이터, 그리고 환자의 일상생활에서 발생하는 라이프 로그 데이터, 의학 문헌 데이터

를 종합적으로 분석하고 연계할 필요가 있다. 그러나 의사의 노력과 인지 및 판단능력으로

는 방대한 데이터를 분석해서 환자를 위한 최선의 결론을 찾는 데 분명 한계가 있다. 이에

따라 의사를 보조하거나 대체해서 데이터 분석과 의사결정을 지원하는 인공지능 기술의

수요가 급증하고 있다.

같은 질병이라도 의사들 간 진료의 변이가 크고 개별 의사들도 진료에 대한 일관성이

부족하다. 또한, 의료 사고는 사람의 생명을 위협하는 큰 요인으로 자주 거론되고 있다.

이에 따라 근거에 기반하여 정확하고 빠른 연산 능력을 지닌 인공지능 헬스케어시스템에

대한 환자들의 신뢰가 점점 커지고 있다. 일부 학자들은 2053년경에는 인공지능시스템이

수술을 집도하는 외과 의사까지도 대체할 수 있을 것으로 예측하고 있다([그림 1] 참조).

이러한 기술적인 수요에 부응해서 의료영상 정밀진단, 신약개발, 진료 프로세스의 개선,

의료로봇, 가상 간호(Virtual Nurse), 처방 오류방지 등 다양한 분야에서 활발하게 인공지

능 기술의 적용이 진행되고 있다. 헬스케어 AI(Artificial Intelligence) 시장도 폭발적인

속도로 커져가고 있는데 최근 Accenture의 보고서[1]에 따르면 이 시장은 연평균 40%의

속도로 급성장하여 2021년에는 전 세계적으로 66억 달러에 이를 것으로 예상된다.

* 기준 시점은 2016년 J. Bresnick, “Artificial Intelligence Could Take Over Surgical Jobs by 2053,” Healthcare IT Analytics, June 7, 2017.

[그림 1] 직업별 인공지능 시스템의 인력대체 시기

주간기술동향 2020. 2. 26.

4 www.iitp.kr

그리고 하버드 비즈니스 리뷰(Harvard Business Review)[2]의 분석에 따르면 미국에

서만 인공지능이 창출해 내는 새로운 가치 또는 비용 절감은 매년 1,500억 달러에 이를

것으로 추정된다. [그림 2]와 같이 AI가 임상 의사들의 생산성을 높이고 백엔드 프로세스

를 효율적으로 만드는데 큰 가치를 지니고 있지만 아직은 의사를 대체해서 임상결정을

내리는 수준에는 이르지 못하고 있다. 그리고 겉으로 보기에는 AI가 헬스케어라는 넓은

영역을 대상으로 광범위하게 적용되는 것처럼 보이지만 실제로는 각 분야별로 적용되는

인공지능 기술과 기법들은 매우 판이하다는 것도 주목해야 할 사실이다.

본 고에서는 헬스케어의 세부 분야별로 인공지능 기술의 활용 동향에 대해서 살펴보고

자 한다.

Brian Kalis, Matt Collier and Richard Fu, “10 Promising AI Applications in Health Care,” Harvard Business Review, 2018. 5.

[그림 2] 헬스케어를 혁신할 수 있는 10가지 AI 애플리케이션

기획시리즈-인공지능

정보통신기획평가원 5

II. 분야별 인공지능기술 활용 동향

1. 의료영상 정밀진단

의료영상 분야는 AI의 활용이 가장 활발한 분야 중 하나이다. 질병의 진단을 위해 의료

영상은 영상획득 기기를 통해 인체의 내부 및 외부의 다양한 부위에서 수집된다. 그리고

수집된 영상은 임상의나 영상의학 전문의의 시각적 인지능력과 판단력에 전적으로 의존하

여 진단에 활용되어 왔다. 이제 이러한 고전적 방법은 AI에 의해 개선되거나 대체되고

있다. 더 나아가, 많은 연구에서 AI는 임상 의사보다도 의료영상의 특징을 정확하고 신속

하게 인식할 수 있다는 사실이 밝혀지고 있다[3].

MRI, CT, X-레이 기기를 통해 얻은 디지털 이미지는 인체 내부에 대한 비침습적 가시

성을 제공한다. 그러나 방사선 디지털 이미지의 수작업 판독과정에서 일어나는 다양한

오류로 인해 의사들은 생검을 이용한 진단결과를 더 높이 평가하고 있다. 그러나 생검을

이용한 병리 진단은 감염 등 많은 위험에 노출될 수 있다. 방사선 의료영상에 대한 인공지

능 적용은 생검을 대체할 만큼 정확한 진단을 가능하게 할 수 있다. 특히, 심혈관 이상의

식별, 골절 및 근골격계 손상 감지, 신경질환 진단, 흉부 합병증 및 상태관찰, 암 검사

등에서 AI의 활용 가능성이 매우 높다.

이 분야를 선도하고 있는 업체인 뷰노는 X-레이 영상으로 뼈 나이를 판독하는 솔루션

개발로 국내 첫 의료기기 허가를 받았으며 최근 안저질환, 뇌질환, 심정지 예측에 이르기

까지 AI의 적용영역을 확대하고 있다. 루닛은 폐결절 진단과 폐암 및 유방암을 대상으로

치료 예측까지 제시하는 시스템을 개발 중에 있다. 셀바스 AI가 개발한 ‘셀비체크업’은

개인이 1년에 한번 받는 건강검진 정보를 기반으로 4년 내 발생 가능한 질환의 위험도를

알려주는 서비스를 개발 중에 있다[4].

병리(Pathology) 분야에서 딥러닝 기술의 활용은 100년 이상 큰 변화 없이 지속되던

이 분야에 혁명적인 변화를 가져 오고 있다. 임상 의사결정의 70%는 병리학 결과에 기초

한다는 보고가 있을 만큼 병리 영상의 정확하고 빠른 진단은 매우 중요하다. 또한, 육안으

로 확인할 수 없는 세밀한 변화를 파악하는 것은 치료의 안전성과 효과성을 극적으로 높일

수 있다. 예를 들어, 암 치료에 있어 동일한 신체 부위의 암이라 할지라도 육안보다 더

주간기술동향 2020. 2. 26.

6 www.iitp.kr

정밀한 AI 기술을 활용한 병리 진단을 통해 암이 빠르게 진행될지 느리게 진행될지를

평가할 수 있고 약제와 치료법을 달리할 수 있을 것으로 기대된다[3].

의료영상 AI 기술의 발전은 새로운 비즈니스 모델을 창출해 내고 있다. [그림 3]은

OPTiM이라는 회사가 2019년 4월에 오픈한 클라우드 기반의 의료영상진단지원시스템인

AMIAS 시스템을 보여준다. AMIAS는 일본 내 어느 병원이든 의료영상장비를 통해 획득

된 자료를 클라우드에 올리면 사전에 정의된 최적화된 AI 로직을 선택한 후 이를 적용하

여 진단을 실시하고 그 결과를 병원 내부 전자의무기록시스템에 입력해 준다. 이러한 비즈

니스 모델은 이제 전세계적으로 보편화될 것으로 보인다.

2. 신약개발

제약사들은 분자를 약으로 만들려고 할 때 희박한 가능성에 직면한다. 전통적으로, 약물

발견 프로젝트는 특정 세포 표면의 질병 관련 단백질 수용체와 같이 공격에 취약한 표적

즉 신약 후보물질을 발견하기 위한 기본 연구에서 시작한다. 그 후, 다양한 생물학적 및

OPTiM, “Launch of AMIAS, an Integrated Open AI Platform that facilitates Medical Image Diagnosis,” Press Release, 2019. 5. 11.

[그림 3] 일본 후생성의 AMIAS 시스템 개요

기획시리즈-인공지능

정보통신기획평가원 7

화학적 테스트 방법을 사용하여 구조를 미세 조정하거나 후보물질의 부작용과 같은 다른

효과들을 검증한다.

신약 개발에 드는 평균적인 비용은 1조 원에 이르고 기간은 평균 10년 정도 필요하다고

알려져 있다. 신약 개발에 이렇게 많은 비용과 오랜 시간이 걸리는 이유 중 하나는 신약

후보물질을 찾는데 있다. 대부분의 프로젝트에서 약물 발견의 성공률은 10% 내외에 그치

기 때문이다. 약물 발견에서 딥러닝의 활용은 후보 약물 발견의 성공률을 높이고 비용과

시간을 줄일 수 있는 획기적인 대안이 될 수 있을 것으로 기대되고 있다.

[그림 4]와 같이 후보물질 탐색에 대한 AI 적용은 머신러닝 시뮬레이션을 통해 도출된

다수의 파라미터를 조합하여 생화학적 활성과 생화학적 비활성 분자를 구별하는 학습 데

이터를 생성하는 것에서부터 시작된다. 머신러닝 모델은 단백질 결합 부위에서 미립 분자

가 이동하는 정도, 단백질과 미립 분자 사이의 상호 작용 및 단백질의 형태를 시뮬레이션

하여 다양한 학습 데이터를 생성시킨다. 이 학습 데이터는 새로운 약품 후보물질의 우선순

위를 정하는데 사용할 수 있는 딥러닝 예측 모델을 학습시키는 데 사용된다[5].

AI는 약물의 화학구조를 설계하는 단계뿐만 아니라 대량의 데이터가 생성되는 전임상

및 임상 시험에서 약물의 안전성과 효과를 조사하고 예측하는 데도 활용될 수 있다. 즉,

AI는 임상 시험을 효과적으로 설계하고 임상 시험과정에서 발생하는 데이터의 분석을 지

Mike May, “Adding Artificial Intelligence to Drug Discovery,” Genetic Engineering and Biotechnology News, 2019.

[그림 4] 약품 후보물질의 우선순위 결정을 위한 머신러닝 모델

주간기술동향 2020. 2. 26.

8 www.iitp.kr

원함으로써 후보물질이 파이프라인을 통과하여 시장에 성공적으로 진입하는 과정을 개선

하는 데 도움을 줄 수 있을 것으로 기대되고 있다.

3. 진료 프로세스의 효율화

병원 경영에서 시간은 경영성과와 직결된다. 환자의 만족도를 극대화하면서 회전율을

높이는 것은 의료기관 경영에서 중요한 지향점이다. 간단한 의약품에 대한 환자 처방이나

재고가 낮은 물품에 대한 공급업체 자동 주문, 차트 작성을 자동화하는 음성 인식기술의

사용, 환자 의무기록을 포함한 다양한 보고서의 수집, 저장, 전송 등 병원 내에서 수작업으

로 진행되던 프로세스를 AI 기술을 이용하여 자동화하고 있다. 한 연구에 따르면 환자

불만의 96%는 이와 같은 간단한 프로세스의 고객응대 부족, 서류의 혼동과 미비, 부정적

인 프론트 데스크 경험에서 비롯된 것으로 보고된 바 있다.

이 분야를 주도하는 스타트업 기업 중 하나인 Olive의 AI 플랫폼은 의료기관의 반복적인 작업을 자동화하여 관리자가 더 높은 수준의 작업을 수행할 수 있도록 지원한다. 이 플랫폼은 환자의 신원 확인에서 진료비 청구, 데이터 이전 등 저수준의 진료 프로세스를 AI로 자동화하여 직원들이 보다 나은 환자 서비스 제공에 집중할 수 있도록 도와준다. 또한, 이 회사의 AI-as-a-Service는 병원의 기존 EHR(Electronic Health Records, 전자건강기록)과 쉽게 통합되므로 값비싼 통합작업이나 다운타임을 필요로 하지 않는다.

2019년 미국에서 가장 혁신적인 100대 AI 스타트업으로 선정된 Qventus는 응급실 등에서 발생하는 환자 안전 관련 문제를 해결하는 AI 소프트웨어 플랫폼을 제공하고 있다. 이 회사의 자동화 플랫폼은 환자의 질병 또는 부상의 정도를 고려한 병원 대기 시간을 추적하고 가장 빠른 구급차 경로를 차트로 만들 수도 있다.

캐나다의 Babylon이라는 회사는 AI를 사용하여 의사와의 진료 약속을 포함하여 개인화된 대화형 건강관리를 제공하고 있다. 회사의 AI 기반 챗봇은 환자의 증상을 대화형 메신저를 통해 수집한 다음 가상 병원으로 체크인시키거나 의료기관으로의 직접 방문을 권유한다. 의료기관의 방문이 필요한 경우에는 미리 환자의 상태에 대한 문진을 수행하고 그 결과를 바탕으로 올바른 의료 서비스 제공 업체 또는 의료 전문가와 연결하는 앱을 제공하고 있다.

CloudMedX는 머신러닝을 사용하여 지역 내 의료시스템 전반에 걸쳐 환자의 진료전달

기획시리즈-인공지능

정보통신기획평가원 9

을 개선하기 위한 환자 맞춤형 컨설팅을 제공한다. 이 회사의 시스템은 여러 병원이 데이터를 공유하고 협업하여 환자의 의료기관 간 전원(Transfer) 및 회송(Refer), 의료비 지불 등을 자동화함으로써 지역 내 다양한 의료 제공자들이 혼란 없이 환자를 효율적으로 이동할 수 있도록 도와준다[6].

병원들은 기존 EHR, PACS(Picture Archiving and Communication Systems, 의료

영상저장전송시스템)와 머신러닝, 자연어 처리 등 AI 기술을 접목하여 고도화함으로써

운영 효율성 향상을 추구하고 있다([그림 5] 참조). 세계적인 명성을 지니고 있는 클리블랜

드 클리닉은 EHR 공급업체인 IBM과 협력하여 환자만족도 제공을 위해 기존 IT

(Information Technology, 정보기술) 시스템에 AI를 주입하기 시작했다. 이를 통해 이

Fei Jiang et al., “Artificial intelligence in healthcare: past, present, and future,” Stroke and Vascular Neurology, Vol.2, No.4, 2017. pp.230-243.

[그림 5] 병원 내 EHR, PACS와 AI 기술의 접목

주간기술동향 2020. 2. 26.

10 www.iitp.kr

병원은 환자별로 특성화된 의료 계획을 쉽게 작성할 수 있다. 존스 홉킨스 병원 역시 최근

GE와의 파트너십을 통해 AI 기술을 EHR 시스템에 접목하여 환자의 운영 흐름을 효율적

으로 개선하였다. 이 과정을 통해 병원은 환자 수용 능력이 60% 가까이 향상되었고 정오

이전의 환자 퇴원이 21% 증가하여 환자의 만족도와 병상 회전율을 크게 개선하였다고

보고한 바 있다.

4. 환자에 대한 지속적인 치료와 모니터링 제공

AI 기반의 애플리케이션과 챗봇을 통해 환자가 병원에서 퇴원한 후에도 지속적으로

간호 서비스를 제공 받을 수 있도록 도움을 준다. 추가 장비는 필요하지 않다. 웨어러블

또는 스마트 폰이면 충분하다. AI 기반의 가상 간호는 상시적인 환자 간호 지원, 약물관련

질문에 대한 빠른 답변, 지속적인 건강 모니터링 서비스 등을 포함한다. 가상 간호사는

결코 피곤해 하거나 짜증을 내지 않는다.

또한, 고감도 센서가 포함된 장치를 통해 환자들은 자신의 건강관리에 필요한 중요 데이터를 수집하고 있다. 걸음 수 추적기를 갖춘 스마트폰부터 24시간 내내 심장 박동을 추적할 수 있는 웨어러블 기기, 홈 모니터링 장치, 디지털 침대에 이르기까지 이동 중이나 휴식 중에도 점점 많은 건강 관련 데이터가 생성되고 축적된다. AI는 이렇게 축적된 데이터를 분석하여 실행 가능한 통찰력을 도출하는데 중요한 역할을 할 수 있다. AI는 발작이나 패혈증과 같은 긴급 상태에 대해 조기 경고를 제공할 수 있고 환자의 건강상태와 위험을 수치화해서 관리하는데 도움을 줄 수 있다.

병원 내에서도 상시적인 환자 모니터링이 필요한 응급실과 중환자실에서도 AI는 큰 효과를 발휘할 수 있다. 심정지 후 혼수상태에 있는 환자는 상시적인 뇌파 모니터링을 통해 적절한 시점에 치료가 제공되어야 한다. 일반적으로 의료진은 이러한 환자의 뇌파 추세변화 데이터를 육안으로 검사해야 한다. 이 과정은 많은 자원이 소요되고 주관적이며 결과는 개별 임상의의 기술과 경험에 따라 달라질 수 있다. 때때로 어떤 환자가 회복 중인지 확인하기 위해 한 번에 10초 동안 모니터링한 뇌파 데이터를 24시간 전에 획득한 데이터와 비교하는 것은 머리카락이 더 길어지고 있는지 확인하는 것과 같다. 하지만 AI 알고리즘과 다양한 환자의 학습 데이터가 존재한다면 장기적인 패턴과 비교해보고 치료에 대한 적절한 의사결정에 영향을 줄 수 있는 미묘한 개선점을 쉽게 발견할 수 있다.

기획시리즈-인공지능

정보통신기획평가원 11

지금의 의료 서비스 제공체계는 일시적인 의료 서비스 제공에 집중하고 있다. 상시적인

서비스의 제공은 인력의 한계와 자원의 부족으로 실현되기 어려웠다. 그러나 AI를 활용한

가상 간호와 상시적인 모니터링 서비스는 만성질환뿐만 아니라 갑작스러운 환자상태 악화

에 대한 예측, 예방, 즉시 대응체계를 만들 수 있다. 현재로서는 보험 급여 구조상 주로

질병에 대한 보상만 가능하나 앞으로 예방, 예측 의료 서비스에 대한 진료비 청구가 가능

해진다면 이 분야의 발전은 급속히 진행될 전망이다.

앞서 언급한 4가지 분야 이외에도 EMR 데이터의 분석을 통한 질병 위험 또는 예후

예측 모델을 만드는 것이나 의료 수술 로봇의 정밀도를 높이는 데에도 AI가 활발히 활용

되고 있다.

III. 결론

헬스케어 분야에서 AI를 적용하기 위해서 극복해야 할 것이 여전히 많다. 우선 인공지

능의 성능이 데이터의 양과 질에 의해 결정된다는 점이다. 쓰레기 데이터를 집어넣으면

그 결과는 쓰레기일 뿐이다. 따라서 양질의 학습 데이터를 확보하는 것이 가장 우선되어야

하는 과제이다. 또한, 의식적이든 무의식적이든 데이터의 학습과정에서 개발자의 편견이

존재할 수 있다. 인공지능이 자율적으로 의사결정을 수행할 수 있다는 점에서 개발자의

의도를 크게 벗어날 수 있다. 인공지능의 결론 도출과정이 블랙박스이기 때문에 이 과정에

서 사람의 개입이 어렵다는 점과 일반화 능력이 떨어진다는 한계도 감안해야 한다.

이러한 한계에도 불구하고 장기적으로 헬스케어 산업에서 인공지능의 활용은 점점 더

확대될 것으로 기대된다. 인공지능 기술의 적용은 헬스케어를 변화시키고 있고 실질적인

차이를 만들어 내고 있다. AI는 질병과 유전정보 간 상관관계를 찾고 수술실에서 외과

의사를 지원하며 병원의 일상 활동을 간소화하고 의료진의 삶을 단순화하며 시간을 절약

하는 엄청난 경제적 가치를 지닌다는 것은 많은 사례를 통해 이미 입증되었다. 더 중요한

것은 생명을 구하는 데 도움이 된다는 것이다.

[ 참고문헌 ]

[1] Matt Collier, Richard Fu, Lucy Yin and Philip Christiansen, “Artificial Intelligence:

주간기술동향 2020. 2. 26.

12 www.iitp.kr

Healthcare’s New Nervous System,” Accenture, 2017.[2] Brian Kalis, Matt Collier and Richard Fu, “10 Promising AI Applications in Health

Care,” Harvard Business Review, 2018. 5.[3] 김동철, “인공지능시대의 도래: 병리과의 현실과 미래,” 헬스경향, 2019. 3.[4] 전자신문, “의료 AI 어디까지 왔나?,” 2019. 4. 4. [5] Mike May, “Adding Artificial Intelligence to Drug Discovery,” Genetic Engineering and

Biotechnology News, Vol.38, No.4, 2019 pp.26-29.[6] Fei Jiang, Yong Jiang, Hui Zhi, Yi Dong, Hao Li, Sufeng Ma, Yilong Wang, Qiang

Dong, Haipeng Shen, Yongjun Wang, “Artificial intelligence in healthcare: past, present, and future,” Stroke and Vascular Neurology, Vol.2, No.4, 2017. pp.230-243.

ICT 신기술

정보통신기획평가원 13

*

I. 서론

4차 산업혁명과 신기후변화체제에 대비하여 친환경, 고효율, 저비용, 무재해 광산현장 구현을 위한 스마트 마이닝(Smart Mining) 기술이 전 세계적으로 주목을 받고 있다[1]. 스마트 마이닝 기술이란 [그림 1]과 같이 사물인터넷(Internet of Things: IoT), 빅데이터(big data), 모바일(mobile), 인공지능(Artificial Intelligence: AI), 증강현실(Augmented Reality: AR), 가상현실(Virtual Reality: VR) 등 최첨단 정보통신기술(Information & Communication Technology: ICT)을 광물자원개발 현장에 도입한 것이다. Zion Market Research[2]는 광물 산업의 디지털 전환으로 스마트 마이닝 시장규모가 2018년 86억 달러에서 2025년 222억 달러로 확장될 것이며, 연평균 14.5% 성장할 것으로 전망하였다. 광물 산업에 첨단기술 융합을 통한 새로운 형태의 비즈니스 창출 필요성이 대두되면서 스마트 마이닝 기술 개발에 대한 중요성이 더욱 커지고 있는 시점이다.

스마트 마이닝 기술 개발로 인해 광물자원개발 현장에서는 많은 양의 데이터가 실시간

으로 생산, 수집, 공유되고 있다. 그에 따라 [그림 2]와 같이 광물자원개발 현장의 빅데이

* 본 내용은 최요순 교수(☎ 051-629-6562, energy@pknu.ac.kr)에게 문의하시기 바랍니다.** 본 내용은 필자의 주관적인 의견이며 IITP의 공식적인 입장이 아님을 밝힙니다.

chapter 2

인공지능을 활용한 광물자원개발기술 동향

•••최요순 ‖ 이희욱 ‖

부경대학교 교수한국지질자원연구원 선임연구원

ICT 신기술

주간기술동향 2020. 2. 26.

14 www.iitp.kr

터를 효과적으로 분석할 수 있는 머신러닝 등 인공지능 기술이 주목을 받고 있다. 광물자

원개발 현장에서 수집되는 자료는 통계적으로 정규분포 또는 로그 정규분포를 따르지 않

는 경우도 많고, 왜도(skewness)가 심하거나 멀티모달(multi-modal) 분포를 띠는 경우

도 많다[3]. 또한, 원격탐사, 물리탐사, 지화학탐사, 시추탐사 등 다양한 방법으로 자료를

획득하기 때문에 다중 해상도 융합, 노이즈 제거, 자료의 불확실성 등을 고려해야 하는데,

이러한 자료의 분석에는 지식 기반의 이론적 접근법보다는 머신러닝과 같은 자료 기반의

접근법을 적용하는 것이 유리한 것으로 알려졌다[4].

인공지능 사물인터넷 클라우드/빅데이터 모바일 AR/VR/MR

부경대학교 자체 작성

[그림 1] 스마트 마이닝 기술

부경대학교 자체 작성

[그림 2] 스마트 광산 빅데이터 분석을 위한 머신러닝 기술

ICT 신기술

정보통신기획평가원 15

광물 산업 분야에 머신러닝 기술을 도입하기 위한 다양한 프로젝트들이 시작되었다.

글로벌 광산 기업인 Goldcorp는 캐나다의 Ontario주에 있는 Red Lake 광산에서 추가

적인 금 매장량 확보를 위해 IBM과 공동 프로젝트를 수행하였다[5]. 당초 Red Lake 광산

의 금 매장량은 2020년에 고갈될 것으로 예상되었으나, IBM의 Watson은 머신러닝 기술

로 탐사자료를 해석하여 신규 광체를 발견하였고, 광산 개발의 효율성을 높여 Red Lake

광산을 지속해서 운영할 수 있었다[6].

건설 및 광업 분야 중장비 제조업체인 Komatsu는 NVIDIA와 중장비용 머신러닝 솔루

션 개발을 위한 공동 프로젝트를 수행하였다[7]. 이 프로젝트에서는 머신러닝 기술로 광산

현장에서 작업자와 장비를 인식하기 위해 NVIDIA의 Jetson 플랫폼이 사용되었다. 머신

러닝 기술을 이용하여 360도를 볼 수 있는 서라운드 카메라를 통해 사람과 중장비를 인식

하고 실시간으로 분석할 수 있었다. 또한, 중장비에 설치된 센서 데이터와 드론을 통해

얻은 현장의 사진측량 결과를 사용하여 장비의 좌표계를 설정할 수 있었다. 이러한 기술의

적용을 통해 현장에서 비효율적으로 운행되는 장비를 찾거나 장비의 충돌사고를 사전에

방지할 수 있었다[6].

캐나다의 자원탐사 기업인 Goldspot Discoveries는 시추자료, 지화학 탐사자료, 지구물리 탐사자료, 인공위성 사진 등 광체 부존지 추정을 위해 필요한 데이터들을 머신러닝 알고리즘을 이용하여 학습하고, 그 결과에 따라 탐사 대상지를 선정하는 기술을 개발하였다. 이 기술은 캐나다 퀘벡에 있는 Abitibi 지역에 적용되었으며, 전체 탐사 데이터의 4%에 해당하는 노두 데이터만으로 금 부존 지역의 86%를 찾을 수 있었다[8].

본 고에서는 광물자원 개발의 전 주기에 걸쳐 머신러닝 기술이 적용된 연구사례를 소개하고자 한다. 광물자원 개발의 전주기를 [표 1]과 같이 세 단계로 분류하고, 단계별로 머신러닝 기법이 적용된 최신 연구사례를 조사하여, 이를 간략하게 정리하였다.

[표 1] 머신러닝 기술 적용사례 분석을 위한 광물자원 개발의 전주기 분류

단계 설명

1. 조사 및 탐사 광산개발 이전에 다양한 조사 및 탐사자료를 토대로 대상광물의 부존 가능성과 자원량을 추정하는 단계

2. 개발 및 운영 광산을 운영하면서 수행되는 다양한 작업을 제어 및 관리하는 단계

3. 광해 관리 광산개발 도중에서부터 개발 이후까지 발생 가능한 광산지역 재해 위험도 분석과 모니터링 단계 Yi, H., “Case Analysis of Applications for Deep Learning Technology in the Mining Industry,” J. Mineral and Energy

Resources, 56(5), 2019, 435-446.

주간기술동향 2020. 2. 26.

16 www.iitp.kr

II. 조사 및 탐사 단계

광물자원개발 전주기의 첫 번째는 광산 개발 이전에 다양한 조사 및 탐사자료를 분석하

여 대상 광물의 부존 가능성을 추정하는 단계이다. 조사 및 탐사 단계에서는 지표 지질조

사, 토양 및 퇴적물 지화학 탐사를 바탕으로 넓은 범위의 관심 영역을 설정한다. 그 뒤에

대상광물 및 광석의 지구물리적 특성에 적합한 탐사기법(예; 중력, 자력, 전기, 전기비저

항, 유도분극, 탄성파, 방사능)을 선정 및 조합하여 지하의 지구물리 이상대 영역을 특정하

고 추가 탐사를 위한 좁은 관심 영역을 제시한다. 이후에 시추를 통해 시료를 확보하고,

성분분석을 토대로 광물 품위 및 공간적 분포를 분석하여 광물 자원량(mineral resource)

을 추정한다[9].

지화학 탐사자료의 분석을 통한 이상대 분류는 자연계에서의 일반적인 품위분포를 벗어

나는 고품위 영역대를 특정하고, 광물 부존 가능성의 단서를 찾기 위해 수행한다. 기존에

는 지구통계학 기법이나 핫스팟 분석 등이 적용되었지만, 최근에는 인공지능 기술이 발달

하면서 SAE(Stacked Auto-Encoders)의 활용이 활발하게 보고되고 있다.

Xiong and Zuo[10]는 SAE와 RBM(Restricted Boltzmann Machine)을 이용하여

지화학 탐사자료의 이상값을 인식하였다. 1:2,000,000 축척의 지화학 자료와 39개의 시

료에 대한 ICP-MS(Inductively coupled plasma-mass spectroscopy), XRF(X-ray

Flourescence Spectrometry), ICP-AES(Inductively Coupled Plasma-Atomic Emission

Spectrometer) 측정값이 머신을 학습시키는 데에 활용되었다. 제안된 기법으로 도출된

지화학 이상도에서 상위 2.4%에 해당하는 영역 내에 알려진 철광상이 31.5% 포함되었고,

상위 34.1%에 해당하는 영역 내에는 68.4%의 철광상이 포함되었다.

Zhang et al.[11]은 SAE를 기반으로 한 새로운 기법을 개발하여 퇴적물 지화학 샘플의

이상값을 분류하는 연구를 수행하였다. 자료를 log-ratio 변환하여 전처리하고 SAE과

밀도 기반의 공간 클러스터링을 접목하는 기법을 제안하여 중국 Hezuo-Meiwu 지역의

금 이상대를 추정하였다. Xiong et al.[12]은 탄성파탐사 자료에 합성곱 신경망(Convolution

Neural Network: CNN)을 적용하여 단층 구조를 탐지하는 것을 제안하였다. 알고리즘

의 은닉층은 합성곱+ReLU, 풀링+LRN(지역 반응 정규화), 합성곱+ReLU, 풀링+LRN,

전연결(fully connected), 전연결, Softmax의 7개로 설계되었다. 설계된 CNN 알고리즘

ICT 신기술

정보통신기획평가원 17

은 탄성파탐사 단면도 및 3차원 자료 영역에서의 단층 탐지에 적합하게 구축되었다.

Tessema[13]는 DNN 기법의 하나인 Radial Basis Function Link Neural network

(RBFLN) 기법과 일반 머신러닝 기법의 하나인 fuzzy-WofE(Weight of Evidence) 기법

을 적용하여 Chrimite 광상의 지역적 부존 가능성을 분석하였다. 사용된 탐사자료는 지

질도, 중력탐사, 항공 자력탐사, 지화학도, 지질학적 경계도이다. 적용 결과, 제안된 기법은

73%의 알려진 광상을 상위 6.5%로 추정하였고, 광상이 아닌 것으로 알려진 모든 지역을

올바르게 분류하였다. Xiong et al.[14]은 지질도, 단층 위치정보, 퇴적물 지화학 자료,

항공 자력탐사 자료를 융합하여 광물 부존예측 지도를 작성하는 데에 SAE를 사용하였다.

작성된 지도와 기존에 알려진 철광상 위치를 중첩하여 기법의 성능을 분석하였다. SAE를

이용하면 지화학 자료와 다른 조사·탐사 자료와의 상관성을 분석하여 지화학 자료가 부재

한 곳에도 값을 추정할 수 있으므로 기존의 지구통계 기법과 내삽법을 적용하던 영역을

일부 대체할 수 있었다.

Li et al.[15]은 지질도, 지질구조선도, 노두형상, 수계분포도, 기축적된 광종별 광상

정보를 토대로 CNN을 이용하여 광물 부존 가능성 지도를 제작하고 광상의 위치를 예측

하였다. CNN 기법의 적용 과정에서 타 분야에서도 일반적으로 사용되는 기술들(예;

부경대학교 자체 작성

[그림 3] 광화대 탐사를 위한 항공 물리탐사, 항공 광학탐사, 지상탐사 자료의 융합해석 모델

주간기술동향 2020. 2. 26.

18 www.iitp.kr

ReLU 함수, 드롭아웃(dropout), softmax 함수)을 접목해 분석을 수행하였다. 해당 사례

는 자료 융합을 통한 광물 부존 가능성 예측에 CNN 기법의 적용 가능성을 보여주었다.

국내에서는 지화학 탐사자료의 분석 외에도 [그림 3]과 같이 이종 자료간 융합해석 분야

의 연구에 머신러닝 기술이 적용되고 있다. 광화대 탐사를 위해 무인항공시스템에서 취득

된 항공 물리탐사 자료와 광학탐사 자료를 지상에서 수집된 탐사자료와 함께 분석한다.

특히, 열수 변질대를 분류하기 위해 [그림 4]와 같이 k-최근접 이웃(k-NN), 서포트 벡터

머신(SVM), 의사결정 트리(DT), 랜덤 포레스트(RF), 심층신경망(Deep Neural Network:

DNN) 등의 머신러닝 기법들이 적용되고 있다.

Ⅲ. 개발 및 운영 단계

광물자원개발 전주기의 두 번째는 광산을 운영하면서 다양한 작업을 제어 및 관리하는

단계이다. 일반적으로 광산 개발은 천공, 장약, 발파, 굴진, 채굴, 통기, 운반, 지보, 측량,

배수 등의 작업이 반복적으로 진행된다. 이와 동시에 차량 및 장비, 인력에 대한 관리와

모니터링도 광산 관리의 주요 이슈이고, 작업자의 안전을 위해 유해가스 모니터링, 역학적

부경대학교 자체 작성

[그림 4] 머신러닝 기법들을 이용한 열수변질대 분류 정확도 비교 사례

ICT 신기술

정보통신기획평가원 19

안정성 분석 또한 함께 고려되어야 한다.

Bewley and Upcroft[16]은 CNN을 이용하여 차량에 부착된 카메라로 획득한 노천광

산의 전경 영상을 분석하였다. 영상에서 작업자, 경장비, 중장비, 배경을 효과적으로 인식

하여 분류하기 위해서 Joint Cosine Similarity Model을 전처리로 적용한 뒤 CNN 알고

리즘 결과와 결합하여 최종적으로 물체를 식별하는 방식을 고안하였다. 해당 기술은 자동

으로 광산 모니터링을 통한 상황파악을 수행하여 관리자에게 이상징후를 안내하는 데에

활용될 수 있으며, 더 나아가 광산 자동화를 위한 기반기술 중 하나로 이용될 수 있을

것으로 예상한다[9]. Yinka-Banjo et al.[17]은 재해의 잠재 위험성이 있는 지하광산에서

의 작업을 로봇이 대체하는 광산 자동화 시스템을 위한 기초 설계를 수행하였다. 다수의

로봇 행동을 자동화하는 데에 강화학습을 도입하여 일부 낙반에 의한 소규모 피해가 발생

할 때마다 상황을 학습하였고, 낙석 검사와 지하광산의 유독 가스 검사 시나리오에서 로봇

에 발생할 수 있는 피해 유형을 분석하였다.

Nguyen et al.[18]은 탄광에서 발파 시 발생하는 공기 폭압 초과 압력(Air-blast

overpressure)을 예측하는 데에 DNN을 적용하였다. 베트남의 Deo Nai 노천 탄광에서

습도, 풍압, 발파지점과 거리, 발파진동을 측정하여 DNN 모델의 학습 자료로 활용하였다.

Guo et al.[19]은 발파 시 발생하는 비석(flyrock) 분석을 위해 DNN과 최적화 알고리즘

(whale optimization)을 제안하였고, 측정된 5개 데이터 세트의 RMSE를 계산하여 기법

의 성능을 검증하였다. Zhang et al.[20]은 지하광산 내 메탄가스 농도를 모니터링하는

작업을 Radio-Frequency Identification(RFID)으로 수행하고 취합된 정보를 토대로

메탄가스 거동을 예측하는 데에 CNN 기법을 적용하였다. 센서는 지하광산 내 가스유출

위험 지역들에 설치되어 있고, 이를 근거리 무선통신으로 수신하여 자료를 취합해서 사용

하였다. 취합된 데이터는 CNN으로 특성을 추출한 뒤, LS-SVR(Least Squares Support

Vector Regression) 기법으로 농도 변화를 예측하였다.

국내에서는 Baek and Choi[21]가 광물자원의 개발 및 운영 단계에서 사용될 수 있는

머신러닝 기술의 하나로서 DNN 모델을 이용하여 지하광산 트럭 운반 시스템의 광석 생

산량과 파쇄기 이용률을 예측할 수 있는 새로운 방법을 제시하였다. ICT 기반 광산 안전

관리시스템이 설치된 석회석 지하 광산을 연구지역으로 선정하고, 트럭 운반 시스템의

특성을 반영하여 DNN 모델의 입/출력 노드를 설계하였다. 2018년 10월 한 달간 현장에

주간기술동향 2020. 2. 26.

20 www.iitp.kr

서 수집된 빅데이터를 처리하여 DNN 모델의 학습 데이터를 9,072개 생성하였고, 이 중

75%는 훈련(training), 25%는 검증(validation) 데이터로 활용하였다. 최적의 DNN 학

습 모델을 선정하기 위해 DNN 모델의 은닉층 개수와 은닉층의 노드 개수를 다양하게

설정하면서 훈련/검증 데이터에 관한 결정 계수와 평균 절대 백분율 오차(MAPE)를 분석

하였다. 그 결과 광석 생산량 예측을 위한 최적 DNN 모델 구조는 은닉층 5개, 은닉층

노드 개수 40개로 선정되었고, 이때 검증 데이터에 관한 결정 계수는 약 0.99, MAPE는

약 2.80%로 나타났다. 파쇄기 이용률 예측을 위한 최적 DNN 모델 구조는 은닉층 4개,

은닉층 노드 개수 40개로 선정되었고, 검증 데이터에 관한 결정 계수는 약 0.99, MAPE는

약 2.49%로 분석되었다. 학습된 DNN 모델을 이용하여 2018년 11월 1일부터 10일 동안

의 광석 생산량과 파쇄기 이용률을 예측하였고, 그 결과를 [그림 5]와 같이 현장에서 확인

된 값과 비교하였다. 광석 생산량에 대한 평균 제곱근 오차(RMSE)는 6.92 tons, 파쇄기

이용률에 대한 RMSE는 0.04%로 분석되었다.

Baek, J., and Choi, Y., “Deep Neural Network for Ore Production and Crusher Utilization Prediction of Truck Haulage System in Underground Mine,” Appl. Sci., 2019. 9, 4180.

[그림 5] 심층신경망을 이용해 예측한 광석 생산량과 실제 관측된 광석 생산량의 비교

ICT 신기술

정보통신기획평가원 21

Ⅳ. 광해 관리 단계

광물자원개발 전주기의 세 번째는 광산 개발 도중에서부터 개발 이후까지 발생 가능한

광산지역 재해 위험도를 분석하고, 예측하는 단계이다. 이 단계에서는 광산 또는 폐광지역

에서 발생할 수 있는 지반침하, 사면변형 및 붕괴, 유해가스 누출, 광미 유출, 먼지 등의

재해와 관련된 인자를 분석하여 예방ㆍ복구하고 피해를 최소화하기 위한 사전대책을 수립

한다.

Luo et al.[22]은 광산지역 지반침하 발생 가능성 분석을 위해 Information Value

Model(IVM), ANN, SVM을 적용하였다. 중국 지질 조사국(China Geological Survey)

의 지반침하 이력 자료를 레이블로 활용하여 알고리즘을 학습시키고, 사면각도, 사면방향,

고도, 곡률, 연간 강우량, 하천 밀도, 하천과의 거리, 지질, 단층과의 거리, 포화도, 도로

밀도, 도로와의 거리, Normalized Difference Vegetation Index(NDVI), Normalized

Difference Water Index(NDWI), Urban Land-use Index(ULI)를 영향요소로 선정하

여 분석에 활용하였다. 각 요소는 Information Gain Ratio(IGR)에 의해서 가중치가 결

정되었다.

Du et al.[23]은 [그림 6]과 같은 노천광산의 사면 변형과 붕괴를 예측하기 위해 RNN

Du, S., Feng, G., Wang, J., Feng, S., Malekian, R. and Li, Z., “A New Machine-Learning Prediction Model for Slope Deformation of an Open-Pit Mine: An Evaluation of Field Data,” Energies, 12, 2019, 1288-1302.

[그림 6] 중국 Anjialing 노천광산 북쪽 사면에서 발생한 사면 붕괴

주간기술동향 2020. 2. 26.

22 www.iitp.kr

을 적용하였다. Ground based interferometric radar(GB-SAR)로 사면을 측정한 자료

를 SVM, RVM(relevance vector machine), ANFIS(Adaptive Network-based Fuzzy

Inference System), RNN, 앙상블 기법에 각각 입력하여 분석결과를 토대로 가중치를

결정하는 기법을 제안하였다. GB-SAR로 획득된 자료를 토대로 분석결과를 비교하면 개

별 기법으로는 RVM이 가장 오차가 작았으나 RNN을 포함한 앙상블 기법이 가장 오차가

작게 도출되었다. 이 분석결과는 재해 예방 및 복구를 위한 자료로 활용되고 재해로 인한

피해를 최소화하기 위한 사전대책을 수립하는 데에 사용될 수 있을 것이다[9].

Ⅴ. 결론

본 고에서는 광물 산업 분야에 머신러닝 기술이 적용된 최근의 연구사례를 소개하였다.

광물 산업 분야에서는 광물자원의 부존 여부 조사 및 탐사, 광산 개발과 재해 분석과정에

서 획득되는 다양한 유형의 데이터를 학습 자료로 이용하여 머신러닝 기술을 적용하고

있었다.

조사 및 탐사 단계에서는 주로 퇴적물 지구화학탐사 자료에 내삽법을 적용하여 래스터 자료형식으로 변형한 후 입력자료로 사용하고 있었다. 이에 추가로 광상 종류에 따라 물리탐사, 지질도, 단층선, 지형정보를 융합하여 광물 부존 가능성 지도화(mineral potential mapping)를 목적으로 하는 사례가 다수 제안되었다. 이 단계에 적용된 딥러닝 기법은 주로 비지도학습 기법인 SAE와 지도학습인 CNN이었다. 일반적으로 조사 및 탐사 단계에서 데이터의 레이블로 사용할 수 있는 정보는 시추공을 통한 분석결과나 지질조사를 통해 지표에서 발견된 광상 노두 정보뿐인데, 그 수가 전체 입력 데이터보다 현저히 작으므로 상대적으로 비지도학습 기법인 SAE를 적용하는 것이 유리한 측면이 있었다. 또한, 대부분 입력자료를 2차원 래스터 자료형식으로 통일할 수 있으므로 CNN 기법도 활용될 수 있는데, GAN(Generative Adversarial Network)을 접목하면 레이블의 수가 부족한 것을 다소 보완할 수 있었다.

광산개발 및 운영 단계에서는 광산현장에서 고정식 또는 이동식 센서에 의해 측정되는

빅데이터나 카메라 영상이 입력자료로 활용되었다. 카메라 영상은 차량, 무인항공기, 고정

식 스테이션 등을 통해 획득할 수 있으며, 영상을 통해 작업자와 장비 위치 및 상황을

ICT 신기술

정보통신기획평가원 23

자동으로 인식하는 연구가 수행되었다. 아직 개별 연구들이 파편화되어 있지만, 점차 연구

가 축적되면서 광산 내 상황 자동감지, 상황 해결을 위한 솔루션 자동 연산, 솔루션 적용을

위한 장비제어까지 이르는 광산 자동화의 단계로 진입하는 상황에 돌입하고 있다. 이미지

자료의 물체 인식에는 주로 CNN이 활용되고 있으며, 발파 등 개별공정의 예측모델 설계

에는 DNN 등을 기본으로 하여 입력자료 특성에 적합한 새로운 알고리즘을 개발하는 연

구가 축적되고 있다. 장비제어 및 자동운영에는 강화학습을 도입하는 시도도 제안되었다.

광해 관리 단계는 주로 지도학습을 이용한 상황 인식 및 예측이 주된 목적이었다. 시계열

예측을 위해서 RNN이나 LSTM을 사용하는 연구가 많이 제안되었으며, CNN도 훌륭한

분석 도구임을 확인할 수 있었다.

스마트 마이닝 기술 개발로 인해 광물자원개발 현장에서 더 많은 데이터가 실시간으로

생산, 수집, 공유됨에 따라 향후 광물 산업에서 머신러닝 등 인공지능 기술의 중요성이

더욱 커질 것이며, 이에 관한 지속적인 연구가 필요할 것이다.

[ 참고문헌 ]

[1] Choi, Y., “Analysis of patent trend for ICT-based underground mine safety management technology,” J. Mineral and Energy Resources, 55(2), 2018, 159-164.

[2] Zion Market Research, “Smart Mining Market: Global Industry Perspective, Comprehensive Analysis, and Forecast, 2018-2025,” ZMR-191, 2019. p.110.

[3] Zuo, R., Xiong, Y., Wang, J. and Carranza, E.J.M., “Deep learning and its application in geochemical mapping,” Earth-Science Reviews, 192, 2019, 1-14.

[4] Karpatne, A., Ebert-Uphoff, I., Ravela, S., Babaie, H.A. and Kumar, V., “Machine learning for the geosciences: challenges and opportunities,” IEEE Trans. Knowl. Data Eng., 31(8), 2018, 1544-1554.

[5] Topf, A., “Goldcorp partners with IBM to hunt for exploration targets at Red Lake,” MINING.COM, 2017.

[6] Lee, C., Kim, S.M. and Choi, Y., “Case Analysis for Introduction of Machine Learning Technology to the Mining Industry,” Tunnel and Underground Space, 29(1), 2019, 1-11.

[7] Krewell, K., “NVIDIA And Komatsu Partner on AI-Based Intelligent Equipment For Improved Safety And Efficiency,” Forbes, 2017.

[8] Walker, J., “AI in Mining-Mineral Exploration, Autonomous Drills, and More,” EMERD, 2019.[9] Yi, H., “Case Analysis of Applications for Deep Learning Technology in the Mining

Industry,” J. Mineral and Energy Resources, 56(5), 2019, 435-446.[10] Xiong, Y. and Zuo, R., “Recognition of geochemical anomalies using a deep autoencoder

주간기술동향 2020. 2. 26.

24 www.iitp.kr

network,” Computers & Geosciences, 86, 2016, 75-82.[11] Zhang, S., Xiao., K., Carranza, E.J.M., Yang, F. and Zhao, Z., “Integration of auto-encoder

network with density-based spatial clustering for geochemical anomaly detection for mineral exploration,” Computers & Geosciences, 130, 2019, 43-56.

[12] Xiong, W., Ji, X., Ma, Y., Wang, Y., AlBinHassan, N.M., Ali, M.N. and Luo, Y., “Seismic fault detection with convolution neural network,” Geophysics, 83(5), 2018, 97-103.

[13] Tessema, A., “Mineral Systems Analysis and Artificial Neural Network Modeling of Chromite Prospectivity in the Western Limb of the Bushveld Complex, South Africa,” Natural Resources Research, 26(4), 2017, 465-488.

[14] Xiong, Y., Zuo, R. and Carranza, E.J.M., “Mapping mineral prospectivity through big data analytics and a deep learning algorithm,” Ore Geology Reviews, 102, 2018, 811-817.

[15] Li, S., Chen, J. and Xiang, J., “Application of deep convolutional neural networks in prospecting prediction based on two-dimensional geological big data,” Neural Computing and Applications, 2019.

[16] Bewley, A. and Upcroft, B., “Background Appearance Modeling with Applications to Visual Object Detection in an Open-Pit Mine,” Journal of Field Robotics, 34(1), 2016, 53-73.

[17] Yinka-Banjo, C., Bagula, A. and Osunmakinde, I.O., “Autonomous multi-robot behaviours for safety inspection under the constraints of underground mine Terrains,” Ubiquitous Computing and Communication Journal, 7(5), 2012, 1316-1328.

[18] Nguyen, H., Bui, X.N., Bui, H.B. and Mai, N.L., “A comparative study of artificial neural networks in predicting blast-induced air-blast overpressure at Deo Nai open-pit coal mine, Vietnam,” Neural Computing and Application, 2018.

[19] Guo, H., Zhou, J., Koopialipoor, M., Armaghani, D.J. and Tahir, M.M., “Deep neural network and whale optimization algorithm to assess flyrock induced by blasting,” Engineering with Computers, 2019.

[20] Zhang, C., Fu, Y., Deng, F., Wei, B. and Wu, X., “Methane Gas Density Monitoring and Predicting Based on RFID Sensor Tag and CNN Algorithm,” Electronics, 7(5), 2018, 69-81.

[21] Baek, J., and Choi, Y., “Deep Neural Network for Ore Production and Crusher Utilization Prediction of Truck Haulage System in Underground Mine,” Appl. Sci., 2019, 9, 4180.

[22] Luo, X., Lin, F., Zhu, S., Yu, M., Zhang, Z., Meng, L. and Peng, L., “Mine landslide susceptibility assessment using IVM, ANN and SVM models considering the contribution of affecting factors,” PLoS ONE, 14(4), 2019.

[23] Du, S., Feng, G., Wang, J., Feng, S., Malekian, R. and Li, Z., “A New Machine-Learning Prediction Model for Slope Deformation of an Open-Pit Mine: An Evaluation of Field Data,” Energies, 12, 2019, 1288-1302.

ICT R&D 동향

정보통신기획평가원 25

*

I. 결과물 개요

II. 기술의 개념 및 내용

1. 기술의 개념

데이터센터, 기업 및 연구소 등 대규모 인공지능 클라우드 인프라 구축이 필요한 곳에

서, 수많은 물리 머신(노드)에 필요한 소프트웨어를 동시다발적으로 설치 및 연결하여

* 본 내용은 김두현 교수(☎ 02-2049-6044)에게 문의하시기 바랍니다.** 본 내용은 필자의 주관적인 의견이며 IITP의 공식적인 입장이 아님을 밝힙니다.***정보통신기획평가원은 현재 개발 진행 및 완료 예정인 ICT R&D 성과 결과물을 과제 종료 이전에 공개하는 “ICT

R&D 사업화를 위한 기술예고”를 2014년부터 실시하고 있는 바, 본 칼럼에서는 이를 통해 공개한 결과물의 기술이전, 사업화 등 기술 활용도 제고를 위해 매주 1~2건의 관련 기술을 소개함

개발목표시기 2019. 기술성숙도(TRL)개발 전 개발 후

TRL 3 TRL 6

결과물 형태 SW-System 검증방법 자체인증

Keywords 메타 모델, 인공지능 클라우드 인프라, 자동 구축

외부기술요소 Open Source 사용 권리성 SW, 특허

chapter 3-1

메타 모델 이용한 인공지능 클라우드 인프라 자동 구축 기술

•••김두현 ‖ 건국대학교 교수

ICT R&D 동향

주간기술동향 2020. 2. 26.

26 www.iitp.kr

자동으로 인공지능 클라우드 인프라를 구축할 수 있는 기술

Network Booting 기술을 활용하여 OS가 없는 Bare Metal 물리 머신에도 설치 가능

사용자가 필요한 소프트웨어를 선택 및 구성하여 원하는 인공지능 클라우드 인프라를

손쉽게 구축 가능

2. 기술의 상세내용 및 사업화 제약사항

기술의 상세내용

- 웹 기반으로 인프라 노드 디자인 가능

- 사용자가 디자인한 모델을 기반으로 인프라 자동 구축 가능

- 머신 성능을 고려한 클라우드 인프라 자동 구축 시스템 제공

- 머신 성능을 고려한 베어 메탈 자동 설치(OS, Xen, OpenNebula 등) & 자동화된

AI 클라우드 개발 환경 구축 기술(웹 기반의 VM/VC 구축 등) 가능

- TensorFlow 가상 머신 자동 구축(OS, Python, Jupiter, TensorFlow 등) 가능

- Hadoop/Spark 가상 클러스터 자동 구축(OS, Java, Jupiter, Hadoop, Spark 등)

가능

[그림 1] 메타 모델 이용한 인공지능 클라우드 인프라 자동 구축 설명도

ICT R&D 동향

정보통신기획평가원 27

기술이전 범위

- 메타 모델 이용한 인공지능 클라우드 인프라 자동 구축 기술

※ 분산 플랫폼의 자동 구축 방법

※ 메타모델을 이용한 다수의 머신에서 인프라 설치 관리 방법 및 장치

사업화 제약사항

- 기존 클라우드 업체가 보유하고 있는 클라우드 인프라 설정 및 가상 머신 이미지는

이미 자체 데이터베이스로 관리하고 있으며, 성공적인 사업화를 위해서는 업체가

이미 보유 중인 인프라의 설정 및 이미지 데이터베이스 분석 작업이 추가적으로 필

요함

III. 국내외 기술 동향 및 경쟁력

1. 국내 기술 동향

네이버 클라우드 플랫폼이 국내 클라우드 업체 최초로 Terraform Provider list에

등재되었으며, Terraform Infrastructure as Code(IaC) 를 통해서 네이버 클라우드

플랫폼 인프라를 구성할 수 있게 됨

2. 해외 기술 동향

Amazon CloudFormation은 Json, YAML과 같은 텍스트 파일로 설정이 가능하고

이를 바탕으로 손쉽게 AWS 머신들을 연결하고 인프라를 설정할 수 있지만, AWS 머신

들만을 연결할 수 있고, 그들의 언어 규칙을 따라야 함

Google Cloud의 Kubernetes Engine 자동 프로비저닝 기술은 현재 베타 버전으로,

무료로 사용할 수 있지만, 향후 청구될 수 있다는 점과 이전 버전과 호환이 완벽하지

않을 수 있는 점을 공지하고 있음

주간기술동향 2020. 2. 26.

28 www.iitp.kr

3. 관련 보유특허

4. 기술적 경쟁력

IV. 국내외 시장 동향 및 전망

1. 국내 시장 동향 및 전망

미래부가 발표한 클라우드 실태조사를 보면 2016년 클라우드 시장 규모는 1조 1,893

억 원으로 전년(7,664억 원)대비 55.2% 급증하였으며, 2020년에는 2조 2,305억 원

규모의 시장을 형성할 것으로 전망됨

2. 해외 시장 동향 및 전망

IT 시장 분석·컨설팅업체 IDC가 발표한 연구보고서에 따르면 세계 퍼블릭 클라우드

시장 규모는 2016년 965억 달러에서 2020년에는 두 배 이상인 1,950억 달러에 이를

것으로 전망되고 있음

No. 국가 출원번호(출원일) 상태 명칭

1 한국 1020140142006(2014.10.20) 출원 분산 플랫폼의 자동 구축 방법

2 한국 1020180172870(2018.12.28) 출원 메타 모델을 이용한 복수의 머신에서의 설치 관리 방법 및 장치

본 기술의 우수성

현 기술의 제약사항 본 기술의 차별성

- OS/Software/Cloud Infra의 제약 없이 모든 종류의 머신에 동일한 방법으로 자동 프로비저닝 하는 기술이 존재하지 않는다

- 메타 모델 기반으로 한 본 기술은 OS의 제약 없이, 혹은 OS가 설치되어 있지 않는 머신에 대해서도 자동 프로비저닝이 가능하다

- 현존하는 기술들은 사전에 정의된 소프트웨어에 한해서만 적용된다

- 사용자가 원하는 소프트웨어를 명시하고 설정하여 클라우드 인프라를 구축할 수 있다

- 현존하는 기술들은 몇몇의 파라미터 설정들만을 지원한다 - 다양한 파라미터 설정을 지원한다

ICT R&D 동향

정보통신기획평가원 29

3. 제품화 및 활용 분야

V. 기대효과

1. 기술도입으로 인한 경제적 효과

인공지능 클라우드 인프라 자동 구축 기술은 클라우드 인프라 구축 시 자원 활용의

효율성을 극대화하고, 이를 통해 경쟁력 있는 다양한 컴퓨팅 인프라 구축 사업 및 서비

스를 창출

메타 모델 이용한 인공지능 클라우드 인프라 자동 구축 기술을 통해 복잡하고, 큰 규모

의 클러스터 구축 및 관리 비용이 대폭 감소하여 총소유비용(TCO)을 절감

2. 기술사업화로 인한 파급효과

퍼블릭 및 프라이빗 클라우드 인프라 사업자는 본 기술을 통해 클라우드 구축비용을

절감

소프트웨어 사업자는 본 기술을 통해 다양한 클러스터 환경의 사용자 및 글로벌 소프트

웨어 시장의 사용자들에게 소프트웨어 배포 기술력을 강화

활용 분야(제품/서비스) 제품 및 활용 분야 세부내용

클라우드 컴퓨팅 서비스 인터넷 기반 컴퓨팅의 일종으로, 공유 컴퓨터 처리 자원과 데이터를 컴퓨터와 다른 장치들에 요청 시 제공해주는 서비스

주간기술동향 2020. 2. 26.

30 www.iitp.kr

*

I. 결과물 개요

II. 기술의 개념 및 내용

1. 기술의 개념

상황에 대한 인지와 사용자의 자연어 질의에 대해 분석하여 웰니스 지식 베이스를 기반

으로 질의에 대한 응답을 해주는 기술

* 본 내용은 정혜동 책임연구원(☎ 031-739-7455)에게 문의하시기 바랍니다.** 본 내용은 필자의 주관적인 의견이며 IITP의 공식적인 입장이 아님을 밝힙니다.***정보통신기획평가원은 현재 개발 진행 및 완료 예정인 ICT R&D 성과 결과물을 과제 종료 이전에 공개하는 “ICT

R&D 사업화를 위한 기술예고”를 2014년부터 실시하고 있는 바, 본 칼럼에서는 이를 통해 공개한 결과물의 기술이전, 사업화 등 기술 활용도 제고를 위해 매주 1~2건의 관련 기술을 소개함

개발목표시기 2019. 12. 31. 기술성숙도(TRL)개발 후

TRL 7

결과물 형태 Open SW 검증방법 자체검증

Keywords 지식 베이스, 질의응답 시스템

외부기술요소 Open Source, License 사용 권리성 SW

chapter 3-2

웰니스 컴패니언 QA 서비스 기술

•••정혜동 ‖ 전자부품연구원 책임연구원

ICT R&D 동향

ICT R&D 동향

정보통신기획평가원 31

2. 기술의 상세내용 및 사업화 제약사항

기술의 상세내용

- 본 기술은 멀티 모달 입력에 대한 분석된 결과와 사용자의 자연어 질의에 대한 텍스

트가 입력으로 들어왔을 때 구축한 지식 베이스와 복합 추론 질의응답 시스템을 통

해 사용자의 의도를 파악하여 응답을 해주는 기술

- 멀티 모달 입력에 대한 분석 결과의 예로 성별, 연령대와 같은 정보와 함께 사용자의

자연어 질의가 입력으로 들어오면, 자연어 이해 기술을 통해 구축된 지식 베이스에

서 정보를 가져올 수 있는 쿼리를 생성하여 응답을 만들어냄

기술이전 범위

- 구축된 웰니스 분야에 대한 지식 베이스를 활용한 질의응답 서비스

[그림 1] 기술개념도

주간기술동향 2020. 2. 26.

32 www.iitp.kr

사업화 제약사항

- 본 과제를 통해 구축한 특정 도메인이 아닌 새로운 분야에 적용할 경우 새롭게 데이

터를 구축해야 하고 시스템을 최적화시켜야 함

III. 국내외 기술 동향 및 경쟁력

1. 국내 기술 동향

정부의 주요 R&D 과제로 사람과 의사소통이 가능한 몸 바깥의 인공두뇌를 의미하는 엑소브레인(外腦, Exobrain) SW 개발이 진행 중(2013.5.~2023.2.) - 엑소브레인 과제의 1단계 추진성과로 자연어 어휘와 문장의 이해 기술, 일반상식

분야 지식 학습 및 생산 기술, 자연어 질문의 이해와 정답을 추론하는 기술에 대한 기반기술은 확보한 상태임

- 엑소브레인 과제의 1단계 주요 연구내용은 자연어의 어휘 및 문장의 의미 분석을 위한 한국어 처리 기술 개발, 일반지식을 대상으로 트리플 단위의 사실지식 학습과 추출 기술 개발, 자연어 질문분석을 통한 단답형 질의응답 기술 개발로 구성

사물인터넷(IoT)·인공지능(AI)·로보틱스·빅데이터 등 지능기술의 범용화

- 정보화 혁명이 거듭되면서 컴퓨터·인터넷에 이어 IoT·AI·로보틱스·빅데이터 등의 지능기술이 범용기술(GPT)로 부상하며, 혁신적인 지능화 시대 패러다임을 견인

- 이에 따라 로봇, 자율자동차 등 지능을 갖춘 기계가 보편화되어 생산성이 비약적으로 향상되고 인간의 지식노동을 보완, 지원하는 지능화 시대를 실현

- 지능화 시대에는 산업사회, 정보사회와 유사하게 생산방식·산업이나 고용구조, 기술 혁신 등 경제사회 전반에서 급속한 변화가 촉발될 전망

지능기술의 발전으로 지능화 서비스는 현실사회에서 실현되고 있는 상황

- 자율주행차 운행, 드론 배송, 엔터테인먼트 업계의 몰입형 가상현실, 의료 분야 원격수술, 실시간 자동 음성번역 등이 서비스로 등장

- AI 기술은 체스·장기·바둑 등 정형화된 분야에서는 인간의 능력을 추월했고 변호사

ICT R&D 동향

정보통신기획평가원 33

사무실의 판례 검색, 의료분야 질병사례 검색, 보험업계 심사, 은행 인증 등 지식·판단력이 필요한 분야에서도 활용

- 지능화 서비스는 비즈니스·시장 모델에도 급속한 패러다임 변화를 가져올 전망

네이버, 다음카카오 등을 중심으로 기초적인 지능정보 응용기술을 개발하여 자사 서비

스에 적용하는 초기 단계

- 네이버는 채팅 로봇(챗봇) 시스템인 ‘라온’(Laon)을 개발하여, 사용자가 말을 걸었을

때 사람이 대꾸하는 것처럼 대화 형태로 답변하는 서비스를 개발 중인데, 라온은

기본적으로 검색 데이터를 바탕으로 만들어졌으며, 인터페이스가 채팅 형식일 뿐,

물어봤을 때 적합한 답변을 찾아준다는 점에서 기본적으로는 검색에 가까운 서비스

- 한편, 네이버는 ‘라인 컨퍼런스 도쿄 2016’에서 챗봇 도입을 발표하고 이후 챗봇

기반의 인공지능 서비스를 공개하였으며, 다음카카오는 즉답 검색 서비스 ‘바로이

거’를 제공

(삼성전자) 킨진(Kngine)과 지보(Jibo)에의 투자에 이어 대표적인 언어지능 기술기업

인 Viv labs.를 인수하는 등 인공지능 기술 확보와 사업화를 위한 대규모 투자를 진행

하고 있으며, 특히 하만 인수를 통해 모바일 부문뿐 아니라 가전과 자동차 부문으로의

전략적 사업 확대를 추진

2. 해외 기술 동향

글로벌 기업들은 지능기술 개발뿐만 아니라 첨단기술을 보유한 벤처기업 인수와 함께

인재획득을 위해 기계학습·AI 분야 전문가를 적극적으로 확보

- 구글·IBM·MS·아마존·페이스북 등은 AI 관련 연구·비즈니스 확대, 투자에 집중하고

있으며 혁신적 연구 결과물의 상업화로 시장을 석권

- 구글은 AI 관련 인재 영입이나 적극적 기업 인수합병 등을 통해 다양한 연구를 추진

해 혁신적 성과를 내고 있으며, IBM은 왓슨 상용화에 주력

- MS는 실시간 번역과 영상인식 기술을 발표하였으며, 아마존은 예측분석 배송시스

템, 드론 배송, 물류창고에서의 자율로봇 활용 등 신속한 배송을 위해 AI를 활용

- 페이스북은 안면인식 기술(DeepFace), AI 오픈소스화 등을 추진하였으며, 중국도

주간기술동향 2020. 2. 26.

34 www.iitp.kr

2015년까지 AI 분야에서 출원한 특허건수가 총 6,900건에 달해 미국(9,786건)에

이어 세계 2위를 차지

[표 1] 글로벌 기업의 지능기술 상용화 현황(2014)

(IBM) 자연어 처리, 질의응답 기술 개발을 위해 슈퍼컴퓨터 왓슨에 10억 달러(약 1조

2,000억 원)를 투자하여, 제퍼디 퀴즈쇼에서 우승(2011년)한 이후에 금융, 의료, 법률

등 분야의 전문가 시스템 개발에 집중적으로 개발을 추진

- 왓슨은 Jeopardy! 퀴즈쇼에서 가장 많은 우승횟수와 우승상금을 보유한 켄 제닝과

브랫 러터와의 대결에서 압도적으로 승리(2011.1.)

- 왓슨은 1997년 체스 세계대회에서 우승한 컴퓨터 딥블루(Deep Blue)의 진화된 모

델로, 인간과 같이 유연한 전략적인 행동은 아직 구현되지 못한 상태

- 문제를 텍스트 파일로 읽어 들이고 문제 제시 직후 3초 이내에 답을 하도록 되어

있어 문제를 푸는 사람이 버저를 먼저 누른 후 사회자가 제한시간을 세는 동안 답을

생각하는 전략적 행동을 하지 못함

- IBM은 왓슨을 이용하여 “Watson Discovery Advisor”를 개발하고 이를 통해 과학

분야의 수많은 데이터를 종합하여 의미 있는 결과를 도출하는 연구를 진행할 예정

- 최근 IBM은 Watson의 QA 기술을 의학저널·처방전, 법률판례 분석, 가상 에이전트

기업/기관 사업부문, 프로젝트, 인수합병 등

Apple SIRI

Facebook Social Graph

GoogleDynamics, Bot & Dolly, DeepMined, DNNresearch Inc., Futter, Holomni, Industrial Perception, Jetpac, Redwood Robotics, Meka Robotics, Metaweb, Nest, Now, SCHAFT Inc., Viewdle, Wavii

IBM Cognea, TrueNorth, Watson Business Unit

Intel Ginger

MS Cortana

Qualcomm Zeroth

Yahoo! IQ Engine, LookFlow

기타: Adobe, Baidu, BHP Billiton, HRL Laboratories, Linkedln, SRI International, Twitter, Wolfram Alpha

ICT R&D 동향

정보통신기획평가원 35

등 다양한 분야에 응용하여 새로운 재화 및 서비스를 제공할 수 있도록 집중적인

투자를 하고 있음

(구글) 구글은 지능형 검색, 지능형 개인비서, 자연어 질의응답, 전문가 시스템 등의

인공지능 기술 개발을 위해 양질의 지식 베이스인 지식그래프(Knowledge Graph)

구축에 투자하고 있음

- 구글 지식 그래프는 웹 검색에서 짧은 문장에 대한 일반지식을 제공하는데 활용되고

있음

- 웹 검색엔진의 새로운 랭킹 알고리즘 RankBrain을 딥러닝에 기반하여 개발함

- 딥러닝을 적용한 제품 개발을 2008년부터 시작하여 2015년 3분기에는 1,200개의

제품에 딥러닝을 적용

- 구글은 딥러닝을 적용하여 스팸 메일분류 성능을 99.9%로 개선하였으며, 언어처리,

웹검색, 이메일 자동응답 등에도 딥러닝을 적용함

(애플) 개인용 가상비서인 시리를 사용자가 입력한 빅데이터 로그를 분석하여 지속적인 성능개선을 추진하여 기술 고도화를 추진하고 있는데, 시리는 음성인식, 의도분석, 행위처리, 대화처리의 4단계로 수행

- 음성인식: 단어 인식 에러율을 50% 이상 감소시킴- 의도분석: 2,000만 건의 사용자 로그를 기계학습으로 분류함- 행위처리: 지속적으로 영화, 스포츠 등의 도메인을 추가함- 대화처리: 최종 응답처리를 위해 개인 맞춤형 서비스에 치중함

(페이스북) 페이스북 사용자는 많은 소셜 미디어를 생성하며, 빅데이터와 소셜 네트워크를 효율적으로 분석하기 위해 기계학습을 이용한 인공지능을 사용 중

- 최근 가상비서 M을 출시하였으며, 향후 인공지능 기술은 인간의 의사결정에 활용될 것으로 예상

- 마크 저커버그는 페이스북의 최종 목표는 인공지능 시스템에게 인간의 ‘상식’과 같은 것을 가르치는 비지도학습 방법이라고 언급

(MS) 2016년 초 인공지능 서비스 ‘테이’를 공개했으나 통제되지 않은 학습과 대화 품질 문제로 서비스를 중단

주간기술동향 2020. 2. 26.

36 www.iitp.kr

- 2016년 AI 리서치 그룹 신설과 새로운 인공지능 서비스인 조(Zo) 발표 및 코그너티브 서비스 프레임워크 개방 등 독자 생태계 확보에 노력

(일본) 세계 1등 슈퍼컴 K컴퓨터(2011년)를 기반으로 지능형 SW 기술 확보를 위해

동경대와 NII가 공동으로 2021년 동경대 입시에 합격 가능한 인공지능 시스템 개발

을 위한 토다이 로봇 프로젝트(2011~2021년)를 진행 중

3. 표준화 동향

TTA PG606 메타데이터 표준화 그룹에서 신규 TOR로 자연어 서비스를 위한 메타데

이터 표준화 항목이 표준 주제로 추가됨

TTA PG606 메타데이터 표준화 그룹에서 자연어처리의 주요 표준인 형태소 태그셋

개정 표준화가 진행

TTA PG804 양방향 TV 표준화 그룹에서 TV 서비스를 위한 음성 인터페이스 국내

표준화가 진행

TTA PG219 IPTV 표준화 그룹에서 IPTV 서비스를 위한 음성기반 EPG 정보 검색

표준화가 진행

VoiceXML(Voice Extensible Markup Language)은 음성 대화 시스템을 위해 설계

된 표준으로 IVR(Interactive Voice Response) 시스템 구축을 용이하게 하는 환경

을 위해 제안되었음

최근 모바일 기기의 대중화와 함께 사용자의 접근성을 극대화하는 대화형 자연어 인터

페이스 기술에 대한 요구가 증대되어 ITU-T SG16의 Accessibility 그룹을 중심으로

표준화가 진행 중

시간/공간 다형지식 표현: TimeML(TARSQI, TANGO, TERQAS 등), SpaceML

(RCC-8, MC-4, Cardinal Directional Framework, Simple Temporal Constraint

Networks, Orientation Framework, EBNF(Extended Backus-Naur Form) 등)

지식표현 체계 표준화: ISO 24617(TimeML), ISO 3166(SpaceML), ISO/IEC 13250

(Topic maps), ISO 15836(Dublin core) 등

ICT R&D 동향

정보통신기획평가원 37

4. 기술적 경쟁력

IV. 국내외 시장 동향 및 전망

1. 국내 시장 동향 및 전망

인공지능 관련 국내 시장은 2015~2020년까지 연평균 66.1%씩 성장할 전망으로 북미·

유럽 지역 국가에 비해 빠르게 성장할 전망

인공지능 관련 시장은 전문가시스템, 자율로봇, 지능형 가상 도우미가 시장을 이끌 것

으로 전망

2. 해외 시장 동향 및 전망

인공지능 기술을 활용한 가상 개인비서 서비스 시장은 2024년 80억 달러 규모로 2016

년 대비 900% 이상 증가할 것으로 전망

음성인식 시장규모는 2017년 대략 167억 달러 규모로 성장할 것으로 예상

3. 제품화 및 활용 분야

경쟁기술 본 기술의 우수성 및 차별성

복합 추론 멀티 모달 입력에 대한 분석 결과를 이용한 복합 추론

지식 자동학습 서비스 분야 확장 및 인터렉션 정보/지식 증가에 따른 지식 베이스 확장 기술

웰니스 챗봇 개인화된 건강 상담 시스템에 질의응답을 통한 정보 제공

활용 분야(제품/서비스) 제품 및 활용 분야 세부내용

웰니스 컴패니언 QA open API - 웰니스 컴패니언 QA open API를 통해 일반 사용자 혹은 기업에서 해당 API를 통해 웰니스 도메인의 챗봇 혹은 질의응답 시스템 구축에 사용

웰니스 컴패니언 지식조회 open API- 웰니스 컴패니언 지식조희 open API를 통해 구축된 웰니스 컴패니언의 지식 베이

스를 제공- 해당 지식 베이스를 활용하여 인공지능 서비스 개발에 활용 가능

주간기술동향 2020. 2. 26.

38 www.iitp.kr

V. 기대효과

1. 기술도입으로 인한 경제적 효과

미국 시장조사기관 프로스트앤드설리번에 따르면 AI 헬스케어 시장은 2014년 6억

3,380만 달러(약 7,300억 원)에서 연평균 40% 이상 성장하여 2021년 66억 달러(약

7조 6,300억 원)로 커질 전망

2. 기술사업화로 인한 파급효과

과제결과물을 후발 기업(스타트업) 및 개인들이 추가 응용기술 개발 및 사업화할 수

있도록 API Gateway 방식으로 OpenAPI를 제공하여 손쉽게 활용하고 통합적으로

관리 운영하는 것이 가능

국민들의 건강관리를 위한 서비스 제공이 가능하며, 지능 정보 기술을 활용한 시공간을

초월한 공공 서비스 제공도 가능

인공지능 적용 분야의 확대와 대화를 통한 건강관리 QA 서비스의 고도화를 통해 국내

인공지능 산업의 발전과 성장 동력을 제공

한국형 인공지능 기술의 고도화로 국내 산업 환경을 공고히 하고, 나아가 글로벌 인공

지능 시장 진출의 발판을 마련

사업책임자: 문형돈(기술정책단장)

과제책임자: 이성용(융합정책팀장)

참여연구원: 이재환, 이효은, 권요안, 김용균, 박주혁, 김우진, 전영미(위촉)

통권 1935호(2020-07)

발 행 년 월 일 : 2020년 2월 26일발 행 소 : 편집인겸 발행인 : 석제범등 록 번 호 : 대전 다-01003등 록 년 월 일 : 1985년 11월 4일인 쇄 인 : ㈜승일미디어그룹

(34054) 대전광역시 유성구 유성대로 1548(화암동 58-4번지)전화 : (042) 612-8296, 8210 팩스 : (042) 612-8209

표지판권목차헬스케어 인공지능 기술의 활용 동향I. 헬스케어 인공지능의 부상II. 분야별 인공지능기술 활용 동향III. 결론

인공지능을 활용한 광물자원개발기술 동향I. 서론II. 조사 및 탐사 단계Ⅲ. 개발 및 운영 단계Ⅳ. 광해 관리 단계Ⅴ. 결론

메타 모델 이용한 인공지능 클라우드 인프라 자동 구축 기술I. 결과물 개요II. 기술의 개념 및 내용III. 국내외 기술 동향 및 경쟁력IV. 국내외 시장 동향 및 전망V. 기대효과

웰니스 컴패니언 QA 서비스 기술I. 결과물 개요II. 기술의 개념 및 내용III. 국내외 기술 동향 및 경쟁력IV. 국내외 시장 동향 및 전망V. 기대효과

EG위원