발명의 배경과 필요성

기술의 배경과 문제점

• 기존 이상 탐지(anomaly detection) 방법은 정상 데이터의 확률 분포를 정규성 점수로 모델링한 후, 점수가 낮은 데이터를 이상 데이터로 판단했습니다.

• 이를 위해 생성 적대 신경망(GAN), 오토인코더(Autoencoder), 단일 클래스 분류기(One-Class Classifier) 등의 모델이 사용되었습니다.

• 하지만 이러한 방법들은 정상 데이터의 분포에만 의존하기 때문에, 이상 데이터가 포함된 데이터셋을 학습할 경우 확률 분포를 제대로 모델링하지 못하는 한계가 있었습니다.

기술의 필요성

• 실제 산업 현장에서 사용되는 데이터셋은 정상 데이터뿐만 아니라 예상치 못한 이상 데이터를 포함하는 경우가 많습니다.

• 따라서 이상 데이터가 섞여 있는 데이터셋을 사용하더라도 데이터의 정상 여부를 정확히 판별하고 관련 확률 분포를 효과적으로 모델링할 수 있는 새로운 이상 탐지 기술이 필요합니다.

구현 방법

기술의 원리

• 본 기술은 에너지 기반의 기계 학습(Energy-based Model)을 이용하여 이상 탐지를 수행합니다.

• 훈련 데이터에 데이터 증식(Data Augmentation)을 수행하여 손실 함수를 계산하고, 이를 최소화하도록 인코더를 훈련시킵니다.

• 훈련된 인코더가 생성한 표현(representation)에 기반하여 데이터의 대표 그룹인 프로토타입(Prototype)을 결정하고, 이를 기반으로 에너지 함수를 계산합니다.

• 계산된 에너지 함수를 기반으로 모델을 미세 조정(Fine-tuning)하여 탐지 성능을 최적화합니다.

• 최종적으로 새로운 입력 데이터에 대한 에너지 함수 값을 기반으로 정상 또는 이상 여부를 판단합니다. 에너지 값이 낮으면 정상, 높으면 이상으로 분류합니다.

구체적인 구현 방법

1. 인코더 훈련: 훈련 데이터에 데이터 증식을 수행하고 손실 함수를 계산하여 기계 학습 모델의 인코더를 훈련시킵니다.

2. 프로토타입 결정: 훈련된 인코더가 생성한 표현에 대해 k-평균 클러스터링을 수행하여 데이터 그룹의 중심점인 프로토타입을 결정합니다.

3. 에너지 함수 계산: 결정된 프로토타입들을 기반으로 각 데이터에 대한 에너지 함수를 계산합니다.

4. 모델 미세 조정: 계산된 에너지 함수를 기반으로 새로운 손실 함수를 계산하여 기계 학습 모델 전체를 미세 조정합니다.

5. 프로토타입 업데이트: 모델이 일정 횟수 미세 조정될 때마다 프로토타입을 다시 결정하여 모델의 변화에 대응합니다.

6. 이상 탐지 수행: 새로운 입력 데이터가 주어지면, 최종 모델을 통해 에너지 값을 계산하고 그 값이 임계값보다 높으면 이상 데이터로, 낮으면 정상 데이터로 분류합니다.

기술의 장점

• 이상 데이터 포함 데이터셋 훈련 가능: 기존 방법과 달리, 정상 데이터뿐만 아니라 이상 데이터가 포함된 '레이블링되지 않은' 데이터셋을 이용해서도 효과적으로 모델을 훈련할 수 있습니다.

• 과적합 방지: 데이터 증식, 주기적인 미세 조정 및 프로토타입 업데이트, 얼리스탑(early-stop) 점수 사용을 통해 모델의 과적합(overfitting)을 방지하고 일반화 성능을 높입니다.

• 에너지 기반의 직관적 판단: 데이터 표현과 프로토타입 간의 유사도를 기반으로 한 에너지 함수를 사용하여, 직관적이면서도 효과적으로 이상 여부를 판단할 수 있습니다.

활용 방안 및 기대효과

활용 방안

• 의료 영상 분석: MRI, CT 등 의료 영상에서 비정상적인 병변이나 이상 징후를 자동으로 탐지하는 데 활용할 수 있습니다.

• 지능형 감시 시스템: 감시 카메라 영상에서 비정상적인 행동이나 침입 등 이상 상황을 실시간으로 탐지하는 보안 시스템에 적용할 수 있습니다.

• 제조 공정 품질 관리: 생산 라인의 제품 이미지 데이터를 분석하여 불량품이나 미세 결함을 자동으로 검출하는 스마트 팩토리 시스템에 사용할 수 있습니다.

• 콘텐츠 필터링: 웹 크롤링 등으로 수집된 대량의 이미지 데이터 중에서 부적절하거나 관련 없는 이상 데이터를 자동으로 필터링하는 데 활용할 수 있습니다.

기대효과

• 탐지 정확도 향상: 이상 데이터가 포함된 실제 환경의 데이터셋에서도 높은 정확도로 이상 징후를 탐지할 수 있습니다.

• 자동화 및 효율성 증대: 의료, 보안, 제조 등 다양한 산업 분야에서 이상 탐지 작업을 자동화하여 인적 오류를 줄이고 운영 효율성을 크게 향상시킬 수 있습니다.

• 비용 절감: 수동으로 데이터를 레이블링하는 데 드는 비용과 시간을 절감하고, 불량품 발생이나 보안 사고로 인한 경제적 손실을 줄일 수 있습니다.

시장 동향

시장 규모 및 성장 전망

AI 이상 탐지 기술 시장은 인공지능 기술 발달, IT 운영을 위한 AI 기반 서비스(AIOps) 수요 증가, 그리고 고도화되는 사이버 범죄 증가에 따라 빠르게 성장하고 있습니다. 특히 세계 AIOps 시장은 2022년 약 30억 달러에서 2032년 380억 달러 규모로 성장(연평균 29%)할 것으로 전망됩니다. (출처)

AI 기술이 보안 영역에 적극적으로 활용되면서 AI 보안 시장은 2019년 88억 달러에서 2026년 382억 달러로 급성장(연평균 23.3%)할 것으로 예측됩니다. (출처)

• 세계 AI 기반 품질 관리/분석 솔루션 시장: 2022년 213억 달러 → 2028년 1,449억 달러 (연평균 37.7% 성장) (출처)

• AI 차량 검사 시스템 시장: 2023년 12억 달러에서 2032년까지 연평균 18% 이상 성장 전망 (출처)

주요 플레이어 및 경쟁 환경

국내 AIOps 시장은 아직 초기 단계로, 소프트웨어 진흥법 등의 영향으로 중소기업을 중심으로 경쟁 구도가 형성되어 있습니다. 데이터 확보 및 제품 개발에 높은 수준의 보안이 요구되어 진입 장벽이 높은 편입니다. 글로벌 시장에서는 주요 기업들이 AI 솔루션 개발을 위해 기술 기업과의 협력을 강화하거나 유망 스타트업을 인수하는 사례가 증가하고 있습니다.

산업 동인 및 기회 요인

1. 사이버 위협의 고도화: 해킹, 악성코드 등 지능화되는 사이버 공격에 효과적으로 대응하기 위해 AI 기반 보안 기술 도입이 필수가 되고 있습니다.

2. 제조업의 디지털 전환 (스마트 팩토리): 제조 공정의 품질 관리 및 생산성 향상을 위해 AI 기반 검사 및 분석 솔루션 수요가 전 산업으로 급증하고 있습니다.

3. IT 인프라의 복잡성 증가: 클라우드 서비스 확산에 따라 IT 인프라가 복잡해지면서, 운영 및 관리를 자동화하는 AIOps(IT 운영을 위한 AI) 기술의 중요성이 커지고 있습니다.