기계학습 및 지식처리는 대량의 데이터를 분석하고, 그 속에서 의미 있는 패턴을 추출하여 예측 및 의사결정에 활용하는 기술입니다. 본 연구실에서는 다양한 형태의 데이터에 대해 기계학습 알고리즘을 적용하여, 복잡한 문제를 효과적으로 해결하는 방법을 연구하고 있습니다. 특히, 시계열 데이터, 이미지, 텍스트 등 다양한 데이터 유형에 맞는 맞춤형 모델 개발에 주력하고 있습니다. 최근에는 그래프 신경망, 앙상블 학습, 딥러닝 등 최신 기계학습 기법을 활용하여 이상 탐지, 분류, 예측 등 다양한 응용 분야에 적용하고 있습니다. 예를 들어, 다중 스케일 그래프 신경망을 이용한 다변량 시계열 이상 탐지, Focal Loss와 앙상블 학습을 활용한 야생조류소리 분류, 그리고 UNet++ 기반의 안면 주름 분할 등 다양한 실제 문제에 대한 솔루션을 제시하고 있습니다. 이러한 연구는 산업 현장에서 발생하는 다양한 문제를 해결하는 데 큰 기여를 하고 있습니다. 또한, 기계학습의 해석 가능성(Explainability)에도 많은 관심을 가지고 있습니다. 예를 들어, SHAP 분석을 활용한 리튬 이온 배터리 잔존 수명 예측 기법 해석, Vision-Language Model 기반의 설명 가능한 차량 네트워크 침입 탐지 등, 모델의 예측 결과를 설명하고 신뢰성을 높이는 연구도 활발히 진행 중입니다. 이러한 연구는 인공지능 기술의 실용성과 신뢰성을 동시에 확보하는 데 중요한 역할을 합니다.

거대언어모델(Large Language Model, LLM)과 멀티모달 인공지능은 최근 인공지능 분야에서 가장 주목받는 연구 주제 중 하나입니다. 본 연구실에서는 거대언어모델을 활용하여 텍스트, 이미지, 음성 등 다양한 데이터 유형을 통합적으로 처리하고, 이를 통해 새로운 지식과 인사이트를 도출하는 연구를 수행하고 있습니다. 예를 들어, Retrieval-Augmented Generation 기반의 대화형 챗봇 개발, Vision-Language Model을 활용한 설명 가능한 인공지능 시스템 구축 등이 대표적인 연구 사례입니다. 특히, 대학 학습관리시스템(LMS)에서 학생 서비스를 지원하는 챗봇 개발, Visual Saliency 기반의 딥페이크 이미지 탐지, 언어와 비전을 결합한 감시 시스템용 인물 재식별 등 다양한 멀티모달 응용 연구를 진행하고 있습니다. 이러한 연구는 실제 산업 및 사회 전반에 걸쳐 인공지능의 활용 범위를 넓히는 데 기여하고 있습니다. 또한, 거대언어모델 기반의 특징 추출을 통한 단기 전력 수요 예측, 안면 색상 데이터 분석을 통한 퍼스널 컬러 진단 및 가상 메이크업 애플리케이션 개발 등, 다양한 실생활 문제에 대한 인공지능 솔루션을 제시하고 있습니다. 이처럼 본 연구실은 최신 인공지능 기술을 바탕으로 창의적이고 실용적인 연구를 지속적으로 추진하고 있습니다.