인공지능 빅데이터 처리 기술
- 기술요약
- 방산 특화한 자사 고유의 Six Sigma 기반 AI 개발 Framework을 체계화 하여 제품 개발 시 고품질 AI 제품 제공
Sixsigma의 DMAIC(문제 정의 → 측정 → 분석 → 개선 → 운영 관리)체계와 Machine Learning Life Cycle
(Data Gathering → Data Preparation → Data Wrangling → Analyze Data → Train Model → Test Model → Deploy
- 1. 국방 감시 감지 분야에서 오감지 및 오탐지율을 낮추는 것이 해결해야 할 중요한 과제 중의 하나이므로 자사는 문제 해결을 위해서 6시스마 철학적 접근을 개발에 적용함
2. 6시스마에서 핵심은 데이터를 통한 관리 이므로 자사는 현장의 상황에 변화를 고려한 Big Data 분석 및 그 결과를 AI 모델 개발에 적용함
3. AI 적용은 지속 알고리즘 Update를 위한 MLOps 프로세스 적용
상세기술소개
Six Sigma 기반 AI 개발 Framework
전체 구조 개요(AI Lifecycle과 결합한 확장 DMAIC-AI 모델 프로세스 운영)
1. DEFINE(AI가 해결할 "정확한 문제" 정의 단계)
- 이상 정의(Anomaly Definition)
- 오탐/미탐 허용 수준
- Precision vs Recall 우선 순위 (예: CTQ: 99%이상 침입 탐지, 오탐 3%이하, 반응시간 1초 이내)
2. MEASURE(데이터 정의 및 수집 단계)
-센서 샘플링 주파수 정의 (예: ADXL345 (200Hz), Geophone(1KHz), Window Size(1024), FFT Bin grouping)
-데이터 라벨링 전략 (데이터 성격에 따른 지도학습, 비지도 학습 여부 판단 및 Classification 범위 결정)
-데이터 불균형 분석 (Data Gathering 정책 수립)
-Drift 모니터링 구조 설계 (MLOps를 통한 지속 모니터링 체계 구축)
3. ANALYZE(Data 특징 분석 및 모델 설계)
- DDA(기술적 분석) → EDA(탐색적 분석) → CDA(확증적 분석) → PDA(예측적 분석)을 통한 초기 모델링
- 모델 성능 분석
- 모형 최적화 (FFT, Band Energy, Autoencoder, Threshold 방법 결정)
4. MODEL(Sixsigma의 개선 대신 MODEL 단계로 운영_
- 모델학습
- Cross Validation
- Hyperparameter Tuning
- Overfitting, Underfitting 점검
- Edge MPU Inference 최적화
5. VERIFY & CONTOL
- 모델 Drift 감지
- Threshold 재보정
- 현장 Feedback Loop
- Edge Log 수집
- MLOps 운영
6. KPI(Confusion Matrix)
-예측정확도 = 올바른 예측 / 전체
-민감도 = 올바른 예측 / 실제 합격
-특이도 = 올바른 예측 / 실제 불합격
-정밀도 = 실제 합격 / 예측 합격
-진음성 비율 = 실제 불합격 / 예측 불합격
