요약
AI와 센서 데이터의 연계성이 증가하면서, 센서 파라미터 최적화의 중요성이 강조되었습니다. 기존 머신러닝 모델의 한계를 극복하기 위해 본 발명은 학습 과정에서 센서 파라미터와 머신 러닝 모델의 하이퍼 파라미터를 통합하여 최적화하는 방법을 제안합니다. 이로 인해 성능 향상, 학습 시간 단축, 학습 비용 절감 등 학습 효율성이 크게 향상되었습니다. 이 발명은 AI 기반 제품 및 서비스의 품질 향상에 기여하며, AI 산업 경쟁력 강화에 중요한 역할을 할 것입니다.
키워드: #AI, #센서데이터, #머신러닝, #최적화기술, #학습효율성, #성능향상, #학습시간단축, #학습비용절감, #AI산업경쟁력, #기술발전, #제품품질향상, #서비스품질향상, #파라미터최적화, #전처리필터, #하이퍼파라미터
기본 정보
•
특허명: 파라미터 통합 최적화 방법
•
발명자: 김재호,김유진,원주연,김세중,용태인
•
출원번호: 10-2022-0111894
•
등록번호: 10-2532282
발명 배경과 필요성
센서 데이터와 머신 러닝의 연결성
•
센서 데이터 활용 머신 러닝 어플리케이션 사용 증가
•
자율 주행차, 스마트 팩토리 등에서 센서 데이터 활용 머신 러닝 활용 활발
•
기존의 머신 러닝 모델은 최적화를 위해 다양한 하이퍼 파라미터를 사용함
•
하이퍼 파라미터 최적화를 위한 다양한 알고리즘 연구 중
최적화 필요성 및 본 발명의 취지
•
센서 데이터 활용 머신 러닝 환경에서, 모델의 하이퍼 파라미터 최적화만으로 학습 효율 향상에 한계 존재
•
센서 파라미터 최적화의 필요성 증
•
물리 센서뿐만 아니라 퓨전 센서, 가상 센서, 소프트 센서 등 다양한 센서 사용 증가
•
저가 센서의 정확도가 상대적으로 낮아, 센서 파라미터 최적화 중요성 증가
•
센서와 머신 러닝 모델은 유기적 연결로, 파라미터를 독립적으로 최적화하는 것은 비효율적임
실험과 구현
작동 원리
•
센서 파라미터, 하이퍼 파라미터, 전처리 필터를 통합적으로 최적화
•
종료 조건이 충족될 때까지 센서 파라미터와 머신 러닝 모델의 하이퍼 파라미터를 선택하여 학습 진행
•
최소 손실값을 가진 파라미터를 최적화
실험 결과와 효과
•
최적화된 파라미터를 사용하여 학습시 손실값 감소와 정확도 향상
•
머신 러닝 모델의 성능 향상, 학습 시간 단축, 학습 비용 절감
발명 활용 방안
AI 기반 제품과 서비스의 개선
•
이 발명은 AI 기반 제품 및 서비스에 적용 가능한 머신 러닝 모델 학습 성능 향상 기술임
•
센서 파라미터, 하이퍼 파라미터, 전처리 필터 최적화로 기존 모델보다 높은 성능을 달성하며, 제품 및 서비스 품질 향상에 기여함
사회적 가치 및 산업 경쟁력 강화
•
성능 향상된 AI 제품 및 서비스로 사용자 경험 개선 및 사회적 이익 증가에 도움을 줌
•
머신 러닝 모델 학습 성능 향상을 통해 AI 산업 경쟁력을 강화하고, 기술 발전을 촉진함
•
기존 모델의 한계를 극복하며, 새로운 AI 기술 도입 및 확산을 촉진함
센서 기술 시장 동향
.png&blockId=a378da7d-c7de-4423-b58a-387f06e15e4d)
기술 SWOT 분석
Strengths
통합적 최적화
•
센서 파라미터와 머신 러닝 모델의 하이퍼 파라미터를 통합적으로 최적화하여, 더 높은 학습 성능을 달성할 수 있습니다.
다양한 센서 활용
•
물리 센서, 퓨전센서, 가상 센서, 소프트 센서 등 다양한 센서의 데이터를 활용할 수 있어, 다양한 환경에서의 적용이 가능합니다.
Weaknesses
최적화 과정 복잡성
•
센서 파라미터와 머신 러닝 모델의 하이퍼 파라미터를 동시에 최적화하는 과정이 복잡하며, 이로 인해 시간이 많이 소요될 수 있습니다.
Opportunities
머신 러닝 활용 분야 확장
•
자율 주행 차량, 스마트 팩토리 등 다양한 분야에서 센서 데이터를 활용한 머신 러닝의 활용이 증가하고 있어, 이 기술의 시장 가능성이 높습니다.
Threats
기존 최적화 방법과의 경쟁
•
센서 파라미터와 머신 러닝 모델의 하이퍼 파라미터를 독립적으로 최적화하는 기존의 방법과 경쟁해야 합니다.
Summary
Strengths
•
센서 파라미터와 머신 러닝 모델의 하이퍼 파라미터를 통합적으로 최적화하여 높은 학습 성능을 달성하며, 다양한 센서를 활용할 수 있습니다.
Weaknesses
•
최적화 과정이 복잡하고 시간이 많이 소요될 수 있습니다.
Opportunities
•
다양한 분야에서 센서 데이터를 활용한 머신 러닝의 활용이 증가하고 있어, 이 기술의 시장 가능성이 높습니다.
Threats
•
기존의 최적화 방법과 경쟁해야 합니다.
대표도면
세종대학교 산학협력단
(05006) 서울시 광진구 능동로 209 세종대학교 광개토관 1002호
COPYRIGHT (c) 2023 Incheon National University. ALL RIGHT RESERVED.