본 연구실의 핵심 축은 기계학습과 패턴인식을 기반으로 다양한 실제 데이터를 분석하고, 이를 통해 예측·분류·의사결정을 수행하는 지능형 시스템을 설계하는 데 있다. 연구 주제는 전통적인 머신러닝부터 최신 딥러닝까지 폭넓게 확장되어 있으며, 정형·비정형 데이터 모두를 다루는 응용 지향적 성격이 강하다. 특히 사용자 후기 평점 예측, 관광지 추천, 광고 기사 분류, 클릭 사기 탐지, 도로 상황 인식 등 서로 다른 문제를 하나의 학습 프레임워크 관점에서 접근한다는 점이 특징이다. 방법론 측면에서는 XGBoost, 랜덤포레스트, BiLSTM, CNN, 앙상블 학습, 전이학습, GAN 기반 데이터 증강 등 문제 특성에 맞는 알고리즘을 선택하고 조합하는 전략이 두드러진다. 단순히 높은 정확도만을 추구하는 것이 아니라 데이터 불균형, 잡음, 계산 효율, 과적합 문제를 함께 고려해 실제 환경에서 동작 가능한 모델을 만드는 데 집중한다. 또한 객체지향 프로그래밍, 응용 서비스 개발, 상황인지 응용 등 기존 축적된 소프트웨어 개발 역량을 바탕으로 알고리즘과 시스템 구현을 함께 연결하는 연구 흐름이 확인된다. 이러한 연구는 학문적으로는 범용 인공지능 응용의 기반 기술을 축적하고, 산업적으로는 관광, 디지털 광고, 교통, 공공서비스, 콘텐츠 분석 등 지역 및 산업 현장 문제 해결에 직접 기여할 수 있다. 특히 제주 지역의 스마트 아일랜드, 관광, 모빌리티, 공공 인프라와 연계될 수 있는 데이터 기반 의사결정 기술이라는 점에서 지역밀착형 AI 연구로서의 가치가 크다. 앞으로는 LLM, 벡터 DB, 검색증강생성 기술과 결합하여 지식처리형 AI 서비스로 발전할 가능성이 높다.

본 연구실은 에너지 분야에 인공지능을 접목하는 융합 연구를 활발히 수행하고 있으며, 특히 풍력발전기 이상 감지, 태양광 발전량 예측, 배터리 상태 예측, 그린수소 연계 에너지 시스템 등 제주 지역 특성과 국가 에너지 전환 흐름에 밀접한 주제를 다룬다. 최근 논문과 프로젝트를 보면 풍력발전기의 고장 진단, 배터리 전력 상태 예측, 태양광 패널 각도 최적화, 에너지 수요 및 생산 예측 등 에너지 생산-저장-운영 전 주기를 아우르는 데이터 기반 연구가 축적되어 있다. 세부적으로는 SCADA 데이터 기반 풍력발전기 고장 분류, GAN을 활용한 불균형 데이터 증강, PSO 최적화 딥러닝, 설명가능 인공지능(XAI), 배터리 SoH 및 상태 예측, 재생에너지 연계 운영 최적화 같은 기술이 핵심 방법론으로 활용된다. 에너지 설비 데이터는 오류 사례가 적고 클래스 불균형이 심하며, 환경 변수의 변동성이 커서 일반적인 분류 문제보다 어렵다. 이에 따라 연구실은 데이터 증강, 특징 선택, 하이브리드 모델링, 설명가능성 확보를 통해 정확도와 신뢰성을 함께 높이는 방향으로 연구를 전개하고 있다. 이 연구는 단순한 알고리즘 개발을 넘어 설비 가동률 향상, 유지보수 비용 절감, 안전사고 예방, 에너지 운영 효율화라는 직접적 효과를 가진다. 특히 풍력과 태양광, 해수전해 기반 그린수소, EV 배터리, 마이크로그리드 등은 향후 제주와 같은 재생에너지 중심 지역에서 매우 중요한 인프라가 되므로, 본 연구실의 에너지 AI 역량은 지역 혁신과 산업 확산 측면에서 파급력이 크다. 향후에는 멀티모달 센서 데이터와 대규모 AI 모델, 벡터 데이터베이스를 결합한 차세대 에너지 지능화 플랫폼으로 확장될 가능성이 높다.

본 연구실은 딥러닝을 활용한 의료영상 분석과 바이오 신호 해석 연구를 통해 의료 AI 분야에도 적극적으로 기여하고 있다. 대표적으로 뇌종양 MRI 분류, 피부암 분류, 당뇨망막병증 중증도 분류, 생체 움직임 모니터링, 웨어러블 센서 기반 알파벳 인식 등 의료 및 헬스케어와 연결되는 다양한 주제가 확인된다. 이는 연구실이 단순한 일반 컴퓨터비전 연구를 넘어 사람의 건강, 진단 보조, 생체 상태 해석까지 적용 영역을 확대하고 있음을 보여준다. 기술적으로는 경량 CNN, 다중 경로 합성곱 구조, 특징 선택, 데이터 증강, 전이학습, 심층 신경망 기반 분류 등이 중심을 이룬다. 의료 데이터는 수집 비용이 높고 라벨링이 어렵기 때문에 데이터 부족과 불균형 문제가 빈번한데, 연구실은 GAN 및 다양한 증강 기법을 통해 이를 보완하고 성능을 높이려 한다. 또한 웨어러블 압력 센서와 딥러닝을 결합하여 생체 동작을 인식하는 연구는 재료, 센서, AI가 융합된 형태로, 의료 모니터링과 인간-기계 인터페이스를 동시에 지향한다는 점에서 의미가 크다. 이러한 연구는 조기 진단, 판독 보조, 개인 맞춤형 건강 모니터링, 재활 및 원격의료 지원 시스템으로 이어질 수 있다. 특히 계산량을 줄인 경량 모델 연구는 실제 병원 장비나 엣지 디바이스, 모바일 헬스케어 환경에서의 활용 가능성을 높여준다. 앞으로는 설명가능 의료 AI, 멀티모달 임상데이터 통합, 실시간 센서 기반 상태 추론 등으로 발전하면서 의료현장 친화적인 지능형 진단·모니터링 플랫폼 구축에 기여할 수 있다.

최근 연구실의 또 다른 중요한 방향은 초거대 AI와 이를 지원하는 데이터 인프라 기술이다. 특히 장기 기억 저장을 위한 벡터 DB 개발 프로젝트는 연구실이 단순 모델 개발을 넘어 대규모 AI 서비스의 기반 시스템까지 연구 범위를 확장하고 있음을 보여준다. 이는 LLM, 검색증강생성(RAG), 멀티모달 데이터 처리와 직접 연결되는 주제로, 차세대 지식처리형 AI 시스템 구현에 필수적인 영역이다. 벡터 데이터베이스 연구는 단순 저장 기술이 아니라, 대량 임베딩 데이터에 대한 고속 검색, 정확도 보장(QoS), 인메모리 및 디스크 기반 구조 최적화, 인덱싱 기법, 하드웨어 가속, 멀티모달 검색 효율화를 모두 포함하는 종합적인 시스템 연구다. 연구실의 기존 머신러닝 및 지식처리 역량은 이러한 벡터 검색 인프라 연구와 자연스럽게 연결된다. 또한 과거 RFID 데이터 스트림 처리, 상황인지 시스템, 임베디드 환경 데이터 처리 경험은 대규모 실시간 데이터 관리 문제를 다루는 데 기반이 된다. 이 연구는 향후 생성형 AI 서비스의 성능과 확장성을 좌우하는 핵심 기술로서 의미가 크다. 벡터 DB가 고도화되면 기업 및 공공기관은 문서, 이미지, 센서 데이터 등 다양한 정보를 빠르고 정확하게 검색하여 LLM 기반 응답 품질을 높일 수 있다. 연구실은 응용 인공지능, 지식처리, 시스템 구현 능력을 함께 갖추고 있어, 향후 한국형 AI 서비스 인프라와 산업용 지능형 검색 플랫폼 개발에 중요한 역할을 수행할 가능성이 높다.