과제 개요
•
과제명: 시계열 분석기반 위기아동 예측모형 개발 연구
•
과제 기간: 2023.8.1 - 2023.12.31
과제배경 및 목적
1.
e-아동행복지원시스템 및 위기아동 예측모형 현황
•
e-아동행복지원시스템: 위기아동을 조기에 발굴하여 각종 아동복지 프로그램에 연계하기 위한 시스템
•
위기아동 예측모형: XGB, MLP 알고리즘 기반
2.
시스템의 한계점: 위기정보 미활용 및 검증 수행
•
누적된 위기 정보 미활용: 현 차수에 입수된 위기정보 기준으로 위험도를 산출하므로 차수별 누적된 위기 정보 활용이 저조 → 데이터 활용 확대의 필요성
•
예측 모형 활용 변수 검증 필요: 위기아동 예측에 활용되는 MLP 모형의 파생 변수(약 3,300 종)별 영향도 등 변수 분석 및 검증 필요 → 데이터 검증의 필요성
•
현장 피드백 수렴 필요: 모형 발굴대상자의 상세 발굴 처리 결과와 지자체 등 현장에서의 피드백 정보 수렴 필요 → 예측 모형의 검증 필요성
3.
과제 목적: 시계열 모형 개발 및 관리체계 구축
•
시계열 모형 개발: 차수별 누적된 위기 정보를 결합하여 위험 확률을 산출하는 시계열 모형 개발
•
유의미한 변수 및 신규 변수 도출: 위기아동 예측모형에 사용되는 변수 검증 및 분석을 통해 유의미한 시계열 변수 선별 및 신규 변수 도출
•
모형 관리체계 구축: 모형 이중화(?)를 통한 관리체계 구축과 모형 재학습 및 비교 검증용 테스트베드 마련을 통해 모형 학습체계 구축
과업 내용
•
과업명: 시계열 분석기반 위기아동 예측모형의 효율적 운영을 위한 전략
•
과업기간: 2023.8.1 - 2023.12.31
[과업 1] 인공지능 모형의 효율적인 운영 방법론
•
인공지능 모형 운영 방법론 종류: DevOps, AIOps, MLOps
•
인공지능 모형 운영 방법론 사례
•
인공지능 모형 운영 방법론 비교
[과업 2] 위기아동 예측모형의 효과적인 운영을 위한 전략
•
모형 운영 방법론 기반의 효과적인 운영 전략
◦
신규 모형 개발 시 적용을 위한 도입 기준 수립
◦
기존 모형과의 비교 분석을 통한 교체 기준 마련
◦
개별 모형 간의 융합 기준 수립과 운영 전략
예상 목차
1.
서론
2.
데이터 현황 분석
2.1 입수 데이터 현황 분석
2.2 발굴대상자 현황 분석
2.3 지자체 현황조사 분석
2.4 아동통합정보시스템 연계 분석
2.5 과거 입수 데이터 재구조화 분석
3.
예측 모델 개발
3.1 데이터 확인 및 설계
3.2 데이터 전처리 및 분석
3.3 학습 모델 선정
3.4 모델 평가 및 최적화
3.5 예측 결과 분석
4.
발굴모델의 효율적 활용을 위한 운영 전략
4.1 MLOps 기반 예측모형 운영 체계
•
인공지능 모형 운영 방법론 (5p)
◦
DevOps [7, 8]
◦
MLOps [1, 5]
▪
머신러닝 파이프라인 [1]
◦
모형 운영 방법론 비교 [1,5, GPT]
•
MLOps 방법론 적용 방안 (8p)
◦
MLOps 동향 [12, 13, 11]
◦
MLOps 적용 성공 사례 [14]
◦
MLOps 수준 [1, 6]
◦
MLOps 지원 소프트웨어 [2]
4.2 예측모형 평가 기준 및 관리 프로세스
•
예측 모형 신뢰성 지표 [4, 16] (2p)
•
예측 모형 관리 프로세스 [3] (6p)
◦
프로세스 모델 예 [3]
◦
프로세스 관리 시스템 아키텍처 [3]
◦
예측 모형 검증 및 재학습 자동화 순서도 [3, 15]
◦
예측 모형 관리를 위한 주요 태스크 정의 [3]
5.
발굴모델 운영관련 대시보드 개발
6.
발굴모델 현장적용성 확보를 위한 방안 제시
6.1 위기아동 발굴 현황 및 변동 요인 분석
6.2 국내외 사례 검토
6.3 FGI 수행결과
6.4 현장 적용성 확보 방안
6.5 추가 활용 변수
7.
결론
작성한 보고서
참고 자료
1.
2.
3.
KEPRI 발명명세서
4.
KEPRI 기초 연구 사업계획서
5.
6.
7.
8.
9.
MLOps 기술동향 조사
10.
Machine Learning Operations (MLOps): Overview, Definition, and Architecture, IEEE Access
11.
기계학습 운영화(MLOps) 실행 전략, KOSEN 동향보고서
12.
13.
14.
15.
MLOps: A Taxonomy and a Methodology, IEEE Access
16.
17.
18.
AI 개발의 혁신견인차, ‘MLOps’란?, 산업기술정책센터
