지능사물연구실(LoIT)은 강화학습(Reinforcement Learning)과 멀티암드 밴딧(Multi-Armed Bandit, MAB) 문제를 기반으로 한 네트워크 자원 관리 및 최적화 연구에 집중하고 있습니다. 본 연구실은 네트워크 환경에서의 불확실성과 동적 변화에 효과적으로 대응하기 위해, 강화학습 알고리즘을 활용하여 네트워크 트래픽 스케줄링, 무선 채널 접근, 에너지 효율적 통신 등 다양한 문제를 해결하고 있습니다. 예를 들어, 무선 통신 네트워크에서 다중 사용자들이 동시에 데이터 전송을 시도할 때 발생하는 충돌을 최소화하고, 전체 시스템의 처리량을 극대화하는 멀티에이전트 강화학습 기반 접근법을 개발하였습니다. 특히, LoIT는 변화 감지(change-detection) 기반의 MAB 프레임워크를 도입하여, 네트워크 환경이 시간에 따라 변화하는 실제 상황에서도 높은 성능을 보장하는 정책을 제안하였습니다. Upper Confidence Bound(UCB), CUSUM, Page-Hinkley Test(PHT) 등 다양한 기법을 활용하여, 변화점 탐지와 정책 재설정을 통해 최적의 보상(regret)을 달성하는 알고리즘을 개발하였으며, 실제 Yahoo! 데이터셋과 웹페이지 클릭률 데이터에 적용하여 우수한 성능을 입증하였습니다. 이러한 연구는 6G, IoT, 모바일 네트워크 등 차세대 네트워크 환경에서의 자율적이고 지능적인 자원 관리, 네트워크 혼잡 제어, 에너지 효율화 등 다양한 응용 분야에 적용될 수 있습니다. 또한, 실제 산업 현장 및 대규모 네트워크 시스템에서의 실시간 의사결정 지원, 네트워크 경제 및 가격 정책 설계 등에도 활용되어, 미래 지능형 네트워크의 핵심 기술로 자리매김하고 있습니다.

LoIT 연구실은 모바일 및 엣지 컴퓨팅 환경에서 인공지능(AI) 기술을 활용한 네트워크 및 시스템 자원 관리에 대한 선도적 연구를 수행하고 있습니다. 모바일 기기와 엣지 클라우드 간의 동적 자원 할당, DNN(딥러닝) 모델 분할 및 오프로드, 에너지 효율적 스케줄링 등 다양한 주제를 다루고 있습니다. 예를 들어, 모바일 AI 응용에서 MEC(Mobile Edge Computing) 서버와 모바일 기기 간의 DNN 모델 분할 및 GPU 클럭, 전송률을 동시에 최적화하는 CutEdge 프레임워크를 개발하여, 에너지 소비, 처리량, 지연 시간 간의 최적 트레이드오프를 이론적으로 증명하고 실제 임베디드 AI 디바이스에서 실험적으로 검증하였습니다. 또한, LoIT는 컨텍스트 인지 기반 모바일 애플리케이션 스케줄링, 클라우드 기반 데이터 동기화 및 압축, 모바일 데이터 오프로딩 등 모바일 환경에서의 네트워크 효율성 향상에 중점을 두고 있습니다. 사용자의 행동 패턴, 위치, 시간 등 다양한 컨텍스트 정보를 활용하여, 애플리케이션의 사전 로딩 및 언로딩을 최적화함으로써 배터리 수명 연장과 사용자 경험 개선을 동시에 달성하였습니다. SyncCoding 등 새로운 데이터 압축 및 동기화 기술을 통해 네트워크 트래픽을 획기적으로 절감하는 성과도 거두었습니다. 이러한 연구는 5G/6G 이동통신, 스마트 디바이스, IoT, AR/VR 등 차세대 서비스 환경에서 요구되는 초저지연, 고신뢰, 에너지 효율적 네트워크 인프라 구축에 필수적인 기술로, 실제 산업체와의 협력 및 다양한 국가/산업 연구 프로젝트를 통해 실용화 및 상용화 가능성을 높이고 있습니다.

지능사물연구실은 의료 및 바이오 헬스케어 분야에서 자연어처리(NLP)와 인공지능(AI) 기술을 접목한 융합 연구도 활발히 수행하고 있습니다. 응급실 환경에서 의료진과 환자 간의 문진 대화를 자동으로 분석하고, 환자의 증상 및 병력 정보를 실시간으로 추출하는 LLM(대형 언어 모델) 기반 시스템을 개발하였습니다. BERT, KLUERoBERTa 등 최신 사전학습 언어모델을 활용하여, 응급환자 트리아지 자동화, 전자의무기록(EHR) 자동 생성, 의료 데이터 비식별화 등 다양한 의료 현장 문제를 해결하고 있습니다. 이 연구는 XAI(eXplainable AI) 및 SHAP(Shapley Additive Explanation) 기법을 활용하여, 인공지능 모델의 예측 결과에 대한 신뢰성과 해석 가능성을 높이고, 실제 의료진의 판단과 비교하여 높은 일치도를 보였습니다. 또한, 심혈관계 질환, 고혈압 등 다양한 질병의 위험 요인 분석 및 예측 모델 개발에도 머신러닝 및 딥러닝 기법을 적용하여, 대규모 건강 데이터(국민건강영양조사 등) 기반의 정밀 의료 실현에 기여하고 있습니다. 이러한 융합 연구는 의료 현장에서의 업무 효율성 향상, 환자 안전성 증대, 개인정보 보호 등 다양한 사회적 요구에 부응하며, 향후 AI 기반 디지털 헬스케어, 스마트 병원, 의료 빅데이터 분석 등 미래 의료 혁신의 핵심 동력으로 자리잡고 있습니다.