[최종목표]o 탄소중립과 에너지산업 고도화를 선도할 수 있는 전문지식과 현장경험을 겸비한 “건물형 태양광산업 생태계 대응 전문 인력 양성” - 응용 분야 연계 지식 교육을 통한 건축-태양광 융합 시장에 능동적으로 대응하는 융합인력 양성 - 참여 대학별 특화 분야 전문교육 + 대학 간 교차 교육으로 유동적 대응 가능 융합인력 양성 - 기업 에로기술 해결...

AI 나우캐스팅 절차는 1) DB 구축, 2) 연관관계 측정, 3) 나우캐스팅의 세 가지 단계로 구성된다. 1) DB 구축: 인공지능 관련 키워드 검색을 통해 깃허브에서 AI 프로젝트 Repo를 추출하고 (약 50만 개 이상), 웹크롤링 및 API를 이용하여 Owner, Repo, Topics, Intro, Date, Language, Contributor, Fork 등 다양한 종류의 데이터를 수집하여 AI 프로젝트 DB를 구축한다. 2) 연관관계 측정: Repo/Owner/User/Topic 등 다양한 수준에서의 연관관계 및 유사성을 측정하여 인접행렬(adjacency matrix)을 생성하며, 이때 연관관계는 첫째, Co-contribution, Co-word, Co-library 등 동시 발생(co-occurrence) 관점, 둘째, 코드 수정 및 가져오기와 관련한 Pull Request 및 Fork 활동 등의 지식 흐름(knowledge flow) 관점, 셋째, Readme 등 텍스트 데이터를 대상으로 토픽 모델링 및 워드 임베딩을 통해 문서 간 유사성을 측정하는 의미 유사성(semantic similarity) 관점의 세 가지 측면에서 분석된다. 3) 나우캐스팅: 인접행렬로부터 네트워크 시각화, 클러스터링 및 중심성, 브로커리지 분석 등을 통해 현황을 파악한 후, Graph Neural Network 및 Node2Vec 등 그래프 임베딩 기반 링크 예측(link prediction)을 통해 단기 변화를 예측한다. 나우캐스팅은 기술(T), 생태계(E), 서비스(S) 세 가지 모듈별로 수행된다. [모듈 T] AI 기술 나우캐스팅은 Repo 네트워크 및 Keyword 네트워크를 통해, 최신 AI 기술 구조 및 분포, 현황을 파악하고, 새롭게 출현하는 유망 AI 분야를 도출하며, AI 클러스터 진화 구조 예측을 바탕으로 AI 기술의 유망 및 쇠퇴 분야, 융합 및 분화를 예측한다. [모듈 E] AI 생태계 나우캐스팅은 Developer 네트워크 및 Company 네트워크를 통해, 개발자간 협업 생태계의 구조 및 변화를 분석하고, AI 기술 개발에 기여하고 있는 개발자 그룹 및 핵심 개발자를 추출하여 인재 발굴 및 채용과 연계하며, AI 생태계를 주도하고 있는 기업 간 지식 흐름 및 공동 개발 현황을 파악함으로써 AI 연구개발 및 기술전략 수립에 활용한다. [모듈 S] AI 서비스 나우캐스팅은 Tech-Service 네트워크 및 APP 네트워크를 통해, AI 활용 서비스 부문과 그에 활용되는 기술 간의 연관관계를 파악하고, AI 애플리케이션 간의 Trigger-Action 관계를 분석 및 예측하여, AI 애플리케이션 디자인 및 서비스 기회를 탐색한다.

AI 나우캐스팅 절차는 1) DB 구축, 2) 연관관계 측정, 3) 나우캐스팅의 세 가지 단계로 구성된다. 1) DB 구축: 인공지능 관련 키워드 검색을 통해 깃허브에서 AI 프로젝트 Repo를 추출하고 (약 50만 개 이상), 웹크롤링 및 API를 이용하여 Owner, Repo, Topics, Intro, Date, Language, Contributor, Fork 등 다양한 종류의 데이터를 수집하여 AI 프로젝트 DB를 구축한다. 2) 연관관계 측정: Repo/Owner/User/Topic 등 다양한 수준에서의 연관관계 및 유사성을 측정하여 인접행렬(adjacency matrix)을 생성하며, 이때 연관관계는 첫째, Co-contribution, Co-word, Co-library 등 동시 발생(co-occurrence) 관점, 둘째, 코드 수정 및 가져오기와 관련한 Pull Request 및 Fork 활동 등의 지식 흐름(knowledge flow) 관점, 셋째, Readme 등 텍스트 데이터를 대상으로 토픽 모델링 및 워드 임베딩을 통해 문서 간 유사성을 측정하는 의미 유사성(semantic similarity) 관점의 세 가지 측면에서 분석된다. 3) 나우캐스팅: 인접행렬로부터 네트워크 시각화, 클러스터링 및 중심성, 브로커리지 분석 등을 통해 현황을 파악한 후, Graph Neural Network 및 Node2Vec 등 그래프 임베딩 기반 링크 예측(link prediction)을 통해 단기 변화를 예측한다. 나우캐스팅은 기술(T), 생태계(E), 서비스(S) 세 가지 모듈별로 수행된다. [모듈 T] AI 기술 나우캐스팅은 Repo 네트워크 및 Keyword 네트워크를 통해, 최신 AI 기술 구조 및 분포, 현황을 파악하고, 새롭게 출현하는 유망 AI 분야를 도출하며, AI 클러스터 진화 구조 예측을 바탕으로 AI 기술의 유망 및 쇠퇴 분야, 융합 및 분화를 예측한다. [모듈 E] AI 생태계 나우캐스팅은 Developer 네트워크 및 Company 네트워크를 통해, 개발자간 협업 생태계의 구조 및 변화를 분석하고, AI 기술 개발에 기여하고 있는 개발자 그룹 및 핵심 개발자를 추출하여 인재 발굴 및 채용과 연계하며, AI 생태계를 주도하고 있는 기업 간 지식 흐름 및 공동 개발 현황을 파악함으로써 AI 연구개발 및 기술전략 수립에 활용한다. [모듈 S] AI 서비스 나우캐스팅은 Tech-Service 네트워크 및 APP 네트워크를 통해, AI 활용 서비스 부문과 그에 활용되는 기술 간의 연관관계를 파악하고, AI 애플리케이션 간의 Trigger-Action 관계를 분석 및 예측하여, AI 애플리케이션 디자인 및 서비스 기회를 탐색한다.

본 과제는 제조장비·생태계·고객데이터를 활용한 전자제조 교육프로그램 운영으로 전자+제조+데이터+경영 이해도가 높은 산업혁신인재 양성을 목표로 함. 연구목표는 전자제조 생태계 기반 산학교육 구축과 3개 특화분야(전자시스템 제조, Business Analytics for Operations and Marketing, 데이터사이언스 및 Operation Analytics 융합) 산학연계 교육과정 확립이며, 숭실대·숙명여대·서울과기대·KEA 컨소시엄에서 공통기초과목 2과목+산학프로젝트 의무화, 전자제조 현장실습, 공동워크샵·멘토링·환류체계 운영 추진됨. 기대효과는 데이터분석 기반 기술·제품 경쟁력 강화, 미래 교육모델·기반 구축, 특허/표준화/논문 등 성과 및 신규 고용 지원 확대임.