이 연구 주제는 기업과 공공조직에서 발생하는 이벤트 로그를 분석하여 실제 업무 흐름을 이해하고, 병목·비효율·이탈 패턴을 발견하며, 더 나은 프로세스로 개선하는 방법론을 다룬다. 배혜림 연구실의 이력과 논문, 학술발표를 보면 워크플로우 제어, ECA 규칙 기반 자동 실행, 프로세스 참조모델 생성, 적합성 검증, 이상 탐지 등 비즈니스 프로세스 관리(BPM)와 프로세스 마이닝을 장기간 핵심 축으로 연구해 왔음을 확인할 수 있다. 최근에는 단순한 프로세스 발견을 넘어 사람이 이해하고 신뢰할 수 있는 설명가능한 프로세스 러닝(XPL)으로 연구가 확장되고 있다. 방법론적으로는 이벤트 로그 기반의 프로세스 모델 도출, 활동 간 의존관계 분석, 베이지안 네트워크 및 규칙 기반 추론, 참조모델 선택, 프로세스 유사도 측정, 이상행동 탐지 등의 기법이 결합된다. 특히 연구실의 프로젝트에서 제시된 XPL은 인공지능을 통해 프로세스를 학습하되, 결과가 왜 도출되었는지 설명할 수 있어야 한다는 점을 강조한다. 이는 현장 운영자나 관리자에게 단순 예측 결과만 제공하는 것이 아니라, 어떤 활동 조합과 데이터 특성이 문제를 유발하는지, 어떤 개입이 개선 효과를 낼 수 있는지를 해석 가능한 형태로 제시하는 데 목적이 있다. 이 연구는 제조, 물류, 항만, 공급망, 행정 프로세스 등 복잡한 운영 환경에 직접 적용될 수 있다는 점에서 실용성이 크다. 궁극적으로는 프로세스 모니터링, 자동 탐지, 운영 개선, 의사결정 지원을 하나의 지능형 플랫폼으로 통합하여 데이터 기반의 지속적 프로세스 혁신을 가능하게 한다. 또한 설명가능성은 AI 도입에 대한 현장의 저항을 낮추고, 규제 대응과 책임성 확보에도 기여하므로 산업 현장에서 채택 가능성이 매우 높다.

이 연구 주제는 시간에 따라 변화하는 데이터를 분석해 미래 상태를 예측하는 인공지능 모델 개발에 초점을 둔다. 연구실의 대표 논문인 Correlation Recurrent Units는 시계열 분해와 상관관계 학습을 하나의 신경망 셀 내부에서 수행하도록 설계하여 기존 RNN, LSTM, GRU 계열 모델보다 예측 성능을 향상시키는 방향을 제시했다. 이는 단변량과 다변량 데이터를 모두 다룰 수 있으며, 장기·단기 패턴을 동시에 반영하는 고성능 예측 프레임워크라는 점에서 의미가 크다. 핵심 기술은 딥러닝 기반 시계열 모델링, 자기상관 및 변수 간 상관관계 분석, 시계열 분해, 예측 성능 비교 실험, 반지도 학습과 잠재거리 학습 등으로 구성된다. 특히 최근의 반지도 이진분류 연구는 라벨이 제한적인 실제 산업 데이터 환경에서 유용하며, 시계열 예측과 더불어 데이터 부족 문제를 해결하는 방향으로 연구 범위를 넓혀 준다. 이러한 접근은 단지 모델 정확도를 높이는 것에 그치지 않고, 복잡한 현실 데이터에서 어떤 패턴이 중요한지 구조적으로 학습하는 데 강점을 가진다. 적용 분야는 제조 데이터, 물류 운영 데이터, 항만 회전시간, 공급망 수요 및 리스크, 스마트 시스템 운영지표 등 매우 넓다. 예를 들어 선박 체류시간 예측 연구는 대기와 처리 흐름을 설명하는 운영 지표를 반영하여 항만 효율을 개선하는 데 직접 연결될 수 있다. 향후에는 시공간 인공지능, 멀티모달 데이터 결합, 설명가능 예측모델로 발전하면서 복잡한 산업 현장의 계획·스케줄링·이상 감지·자원배분 문제를 함께 지원하는 지능형 분석 체계로 확장될 가능성이 크다.

이 연구 주제는 제조, 물류, 항만, 공급망과 같은 산업 시스템에서 발생하는 대규모 데이터를 활용해 운영 문제를 진단하고 최적화하는 데이터사이언스 연구를 의미한다. 연구실의 과거 발표와 최근 논문, 대형 프로젝트를 종합하면 항만 물류 프로세스 분석, 조선 블록 조립 및 이동 프로세스 분석, 제조 데이터 분석 도입 이슈 식별, 글로벌 공급망 최적화 등 산업 현장 중심의 데이터 활용 연구가 매우 강하게 나타난다. 이는 전통적인 산업공학 문제를 AI와 데이터 분석으로 재해석하는 접근이라 할 수 있다. 세부적으로는 제조 데이터 분석(MDA) 구현 이슈의 체계적 정리, 포트 물류 프로세스의 지식 발견, 운영 효율 평가, 스케줄링과 벤치마킹, DEA 기반 분석, 베이지안 네트워크, 큐잉 기반 성과지표, 복합 이벤트 처리 등 다양한 방법이 사용된다. 최근 수행 중인 인간 중심-탄소 중립 글로벌 공급망 연구센터 사업은 블록체인 기반 데이터 공유, 시공간 인공지능, 안전·환경을 고려한 초연계 최적화까지 포함하고 있어 연구실이 단순 분석을 넘어 지속가능하고 회복력 있는 공급망 생태계 설계로 나아가고 있음을 보여준다. 이 연구의 강점은 산업 현장의 실제 의사결정 문제와 매우 밀접하게 연결된다는 점이다. 제조기업의 데이터 분석 도입 장벽을 낮추고, 물류 운영의 지연 원인과 개선 포인트를 도출하며, 공급망 전반에서 생산성·안전·환경성의 균형을 맞추는 데 기여할 수 있다. 앞으로는 데이터 거버넌스, 디지털 전환, 탄소중립, 인간 중심 운영을 함께 고려하는 방향으로 발전하면서, 지역 산업 혁신과 스마트 제조·스마트 물류 생태계 구축에 핵심 역할을 수행할 가능성이 높다.