첫 번째는 과자의 신선도 예측이다. 독일 한 대학교에서 식품과학 박사학위 학생은 과자의 신선도를 분석하는 프로세스를 개발했다. 과자를 깨물때 나오는 소리와 턱의 힘을 측정한 데이터를 매트랩에 입력해 특징을 분류(Classify)했다. 머신러닝 과정에서 분류는 매우 어려운 작업이다. 매트랩 머신러닝 툴박스를 활용해 X축에는 예측치, Y축에는 실측치를 넣고 테스트한 결과 과자 신선도 예측에 대해 약 93%의 정확도를 보였다.
두 번째는 터널공사 드릴링 예시다. 오스틴(Austin) 터널 공사는 딥러닝으로 영상을 분석한 최초 시도였다. 최초 지표면 분석시에는 이미지 데이터가 70개밖에 없었다. 이미지 70개를 각각 15등분해 총 1000개로 분류했다. 알렉스넷(AlexNet)에서 제공해주는 기초 데이터를 추가로 활용하려고 했지만, 터널에 대한 전문 데이터가 아니어서 데이터 활용에 어려움이 많았다. 이 때 기존 모델의 학습을 다시 이용해 전이학습을 활용했다. 매트랩의 전이학습은 클라우드에서 이용해 자동화하는 경우, 코드 5줄만으로도 딥러닝 결과를 볼 수 있다.
세 번째는 풍력발전기 터빈 예측보수 예시다. 풍력발전기 부품 교체 시기를 예측하기 위해서는 날이 부러지는 결과를 기다려야만 데이터가 생긴다. 이 경우 시뮬링크 모델링을 활용하면 데이터가 없는 경우에도 예측할 수 있다. 시뮬링크에 풍력발전기 작업 과정을 정의한 후 데이터를 주입하면 시뮬레이션으로 장애발생 예측결과를 볼 수 있다.
사고로 한쪽 팔을 잃은 사람이 드럼 연주에 활용한 예시도 있다. 부착한 인공팔에 드럼 스틱 2개를 부착하고 제어기기와 연결했다. 인공팔에 부착된 드럼 스틱 제어기에는 마이크가 달렸다. 스틱 1개는 직접 설정한 주기에 따라 드럼을 연주하고 나머지 스틱은 마이크로 인지한 연주 상황에 맞춰서 자율적으로 보조 연주를 맞춰준다.
미샤 김 팀장은 "머신러닝 경험이 없어도 매트랩을 활용하면 여러 인공지능 기법을 활용할 수 있다"며 "추출할 데이터나 특징이 없더라도 전이학습과 시뮬링크로 결과를 예측할 수 있다"고 설명했다.
IT조선 조병승 기자 myoinbong@chosunbiz.com
이 기사의 카테고리는 언론사의 분류를 따릅니다.
기사가 속한 카테고리는 언론사가 분류합니다.
언론사는 한 기사를 두 개 이상의 카테고리로 분류할 수 있습니다.
언론사는 한 기사를 두 개 이상의 카테고리로 분류할 수 있습니다.