도메인지식 기반 인공지능은 전통적인 데이터 기반 인공지능 모델에 기계·제조 등 공학적 도메인지식을 융합하여, 실제 산업 현장에서 발생하는 다양한 문제를 더욱 신뢰성 있고 효과적으로 해결하는 것을 목표로 합니다. 이 연구는 물리적 관계, 기계의 특성 등 도메인 고유의 정보를 데이터 전처리, 모델 구조, 학습 전략 등에 반영함으로써, 기존의 블랙박스형 인공지능이 가지는 한계를 극복하고자 합니다. 연구실에서는 도메인지식이 반영된 데이터 전처리 기법을 개발하여, 센서 신호나 기계 데이터에서 물리적 의미가 있는 특징을 추출하고, 환경 변화에 강인한 모델을 구현합니다. 예를 들어, 모터의 고장 진단에서는 운전 조건 변화에 따른 신호 특성을 보정하거나, 결함 신호를 강조하는 전처리 방법을 적용하여 데이터의 일관성과 진단 정확도를 높입니다. 또한, 적응적 학습 전략과 제약 기반 손실 함수 등을 도입하여, 모델이 실제 공학적 제약을 준수하면서도 높은 예측 성능을 유지할 수 있도록 설계합니다. 이러한 접근은 산업용 모터, 철도차량, 반도체 제조 등 다양한 산업 현장에 적용되고 있으며, 실제로 소량의 고장 데이터만으로도 미학습 결함을 진단할 수 있는 퓨샷 학습, 환경 변화에 강인한 도메인 적응, 설명 가능한 인공지능 등 최신 연구 성과를 창출하고 있습니다. 앞으로도 도메인지식과 인공지능의 융합을 통해, 신뢰성과 해석 가능성이 뛰어난 차세대 산업용 AI 솔루션 개발에 앞장설 예정입니다.

생성형 인공지능은 최근 대규모 언어모델(LLM), 멀티모달 데이터 융합, 시뮬레이션 데이터 생성 등 다양한 분야에서 혁신을 이끌고 있습니다. 본 연구실에서는 생성형 AI를 공학 데이터와 시스템에 적용하여, 기존의 분석·진단·설계 방식에 새로운 패러다임을 제시하고 있습니다. 특히, 대규모 언어모델을 활용한 공학 데이터 해석, 멀티모달 데이터(신호, 이미지, 텍스트 등) 융합, 그리고 지능형 의사결정 지원 시스템 개발에 중점을 두고 있습니다. 연구실은 실제 산업 현장에서 발생하는 다양한 형태의 데이터를 통합적으로 분석할 수 있는 생성형 AI 프레임워크를 구축하고 있습니다. 예를 들어, 모터 고장 진단에서는 신호 데이터와 텍스트 기반의 유지보수 기록, 설비 매뉴얼 등 다양한 정보를 통합하여, 보다 정밀하고 신뢰성 높은 진단 및 예측을 실현합니다. 또한, 생성형 AI를 통해 가상 결함 데이터나 시나리오를 생성함으로써, 데이터 부족 문제를 해소하고, 모델의 일반화 성능을 향상시키는 연구도 활발히 진행 중입니다. 이러한 연구는 산업용 AI의 실질적 적용성을 높이고, 복잡한 공학 시스템의 상태 진단, 예지보전, 설계 최적화 등 다양한 분야에 혁신적인 솔루션을 제공합니다. 앞으로는 생성형 AI와 도메인지식 기반 AI의 융합을 통해, 더욱 지능적이고 자율적인 공학 시스템 구현에 기여할 계획입니다.