이 연구 주제는 웹기반정보시스템의 확장된 형태로서, 분산된 데이터와 문서, 표, 행정 정보, 개방형 데이터를 의미적으로 연결해 기계가 해석할 수 있는 지식 체계를 구축하는 데 초점을 둔다. 연구실은 온톨로지, 링크드 데이터, 시맨틱 표현, 그래프 임베딩을 결합하여 단순 검색이나 저장을 넘어 맥락을 이해하는 정보시스템을 설계한다. 특히 변화하는 데이터 환경에서 지식그래프가 지속적으로 진화한다는 점에 주목하며, 동적인 정보 갱신과 의미 보존을 동시에 달성하는 구조를 탐구한다. 구체적으로는 진화하는 지식그래프와 심층학습 모델을 함께 최적화하는 프레임워크, 스트림 처리 환경에서 링크드 데이터 서비스를 예산 제약 하에 효율적으로 갱신하는 방법, 그리고 디지털 트윈 정부나 민원 행정과 같은 공공 도메인에서 표 데이터의 의미를 자동으로 보강하는 기술이 포함된다. 최근에는 대규모 언어모델과 도메인 온톨로지를 결합해 의미론적 테이블 증강을 수행하는 방식도 연구하고 있으며, 이를 통해 서로 다른 구조와 형식의 데이터를 일관된 지식 구조로 통합하려는 접근을 발전시키고 있다. 이러한 연구는 데이터 통합, 행정 자동화, 디지털 트윈, 지능형 질의응답, 설명 가능한 정보서비스 등 다양한 응용으로 이어질 수 있다. 연구실의 접근은 단순히 데이터를 많이 모으는 것이 아니라, 데이터 간 관계와 의미를 구조화해 실제 의사결정에 활용 가능한 지식으로 전환하는 데 강점이 있다. 앞으로는 실시간성, 신뢰성, 모델 일반화 가능성을 강화하여 공공서비스, 산업 데이터 플랫폼, 교육 및 맞춤형 추천 시스템까지 확장 가능한 의미기반 AI 인프라를 구축하는 방향으로 발전할 가능성이 크다.

이 연구 주제는 사용자와 아이템 간 상호작용이 제한적이거나 불완전한 상황에서도 정교한 추천을 수행할 수 있는 지능형 추천기술 개발에 초점을 둔다. 특히 새롭게 등록된 아이템에 대한 정보가 부족한 콜드 스타트 문제를 해결하기 위해, 아이템의 메타데이터나 콘텐츠 정보를 활용해 협업필터링 성능을 보완하는 방법을 탐구한다. 연구실은 추천 문제를 단순 예측이 아니라 불완전한 정보 환경에서 의미 있는 표현을 생성하고 보정하는 문제로 다룬다. 대표적으로 확산모델을 이용해 콜드 아이템의 협업 임베딩을 생성하는 연구, 어텐션 네트워크 기반의 콜드 아이템 추천 특허, 직업 추천이나 이력서-직종 매칭에 그래프 임베딩과 대조학습을 적용하는 연구가 이에 해당한다. 또한 온라인 학습 영상의 연속 추천, 개념도 기반 추천, LLM과 지식그래프를 활용한 직업 추천 프레임워크처럼 생성형 AI와 구조화 지식을 결합한 하이브리드 추천 방식도 연구 흐름에 포함된다. 이 과정에서 모델의 기존 시스템 호환성, 사용자 표현 재활용, 설명 가능성 확보가 중요한 설계 원칙으로 작동한다. 이 연구는 전자상거래, 교육 플랫폼, 채용 매칭, 콘텐츠 서비스 등 실제 산업과 사회 문제에 직접 연결될 수 있다는 점에서 활용도가 높다. 연구실은 최신 생성모델을 단순 적용하는 수준을 넘어, 현업 시스템에 쉽게 통합할 수 있는 현실적 구조와 성능 향상 전략을 함께 제시하고 있다. 향후에는 멀티모달 데이터, 사용자 의도 추론, 장기 선호 변화 반영, 공정성과 신뢰성까지 포함한 개인화 추천으로 확장되며, 보다 인간 중심적인 지능형 서비스 설계로 이어질 것으로 보인다.

이 연구 주제는 불확실성과 복합 요인이 큰 실제 문제를 대상으로, 데이터 분석과 확률모형, 개방형 데이터를 활용해 신뢰 가능한 의사결정을 지원하는 기술을 다룬다. 연구실은 사이트 선정, 에너지 수요·공급 예측, 가상발전소 운영, 지역 특성 분석 등 현실 세계의 정책 및 산업 문제를 대상으로 AI와 데이터사이언스 기법을 적용한다. 핵심은 다양한 데이터 소스와 변수 간 인과관계를 구조적으로 반영하면서도 실무에서 사용할 수 있는 예측 및 의사결정 체계를 만드는 데 있다. 대표 연구로는 베이지안 네트워크와 공공 데이터를 활용한 입지선정 프레임워크, 분산 재생에너지 자원의 신뢰도 기반 예측 보정, 가상발전소를 위한 지속가능 에너지 예측, GIS 및 개방형 데이터를 이용한 복지시설·놀이터·충전소 적정 입지 분석이 있다. 또한 스마트 그리드의 이상 탐지, 탄소 인지형 딥러닝 워크로드 이동, 공장 대기오염의 실시간 모니터링, 주식 데이터의 실시간 스트림 분석과 같은 응용도 수행하고 있어, 단일 분야에 제한되지 않는 문제해결형 연구 성격이 강하다. 여기에는 분산 컴퓨팅, 스트림 처리, 확률적 추론, 최적화가 유기적으로 결합된다. 이러한 연구는 지속가능성, 정책 투명성, 사회적 효율성, 자원 운영 최적화 측면에서 높은 파급효과를 가진다. 연구실은 단순 예측 정확도 향상에 그치지 않고, 신뢰도와 설명 가능성, 운영 제약을 함께 고려하는 시스템 지향적 접근을 취한다. 앞으로는 디지털 트윈 도시, 스마트 에너지 인프라, 공공 의사결정 지원 플랫폼과 연계되어 더 큰 규모의 실시간 데이터 환경에서 활용될 수 있으며, 사회문제를 해결하는 실용적 AI 연구로서의 정체성이 더욱 강화될 것으로 기대된다.