본 연구는 특허 데이터를 활용하여 인공지능 기술의 구조를 파악하고 주요 글로벌 IT 기업들의 인공지능 기술역량을 분석한다. 2007년부터 2017년까지 미국 특허청에 등록된 2,589개의 인공지능 특허를 바탕으로 LDA 토픽모델링을 수행하여 인공지능 분야의 20개의 기술 토픽을 도출하였다. 인공지능 기술 분야 중 언어이해, 음성처리보다는 시각이해, 데이터분석, 동작제어, 그리고 기계학습 분야의 연구개발이 최근 활발한 것으로 나타났다. 또한 기업별 인공지능 기술 역량을 분석하여 인공지능 기술 분야별로 우수 역량을 보유한 기업을 도출하고, 기업별로 강점을 가지고 있는 세부 기술 분야를 도출하였다. 본 연구 결과는 인공지능 기업들의 기술기획 및 전략 수립에 유용하게 활용될 수 있을 것으로 기대된다.
본 연구는 특허 데이터를 활용하여 인공지능 기술의 구조를 파악하고 주요 글로벌 IT 기업들의 인공지능 기술역량을 분석한다. 2007년부터 2017년까지 미국 특허청에 등록된 2,589개의 인공지능 특허를 바탕으로 LDA 토픽모델링을 수행하여 인공지능 분야의 20개의 기술 토픽을 도출하였다. 인공지능 기술 분야 중 언어이해, 음성처리보다는 시각이해, 데이터분석, 동작제어, 그리고 기계학습 분야의 연구개발이 최근 활발한 것으로 나타났다. 또한 기업별 인공지능 기술 역량을 분석하여 인공지능 기술 분야별로 우수 역량을 보유한 기업을 도출하고, 기업별로 강점을 가지고 있는 세부 기술 분야를 도출하였다. 본 연구 결과는 인공지능 기업들의 기술기획 및 전략 수립에 유용하게 활용될 수 있을 것으로 기대된다.
This study analyzes the technological structure of artificial intelligence (AI) and technological capabilities of AI companies based on patent information. 2589 AI patents registered in USPTO from 2007 to 2017 were collected and analyzed by the Latent Dirichlet Allocation (LDA) to derive 20 AI techn...
This study analyzes the technological structure of artificial intelligence (AI) and technological capabilities of AI companies based on patent information. 2589 AI patents registered in USPTO from 2007 to 2017 were collected and analyzed by the Latent Dirichlet Allocation (LDA) to derive 20 AI technology topics. Analysis of technology development trends by AI technology reveals that visual understanding, data analysis, motion control, and machine learning are growing, while language understanding and speech technology are sluggish. In addition, we also investigated leading companies in each sub-field of AI as well as core competencies of global IT companies. The findings of this study are expected to be fruitfully used for formulation and implementation of technology strategy of AI companies.
This study analyzes the technological structure of artificial intelligence (AI) and technological capabilities of AI companies based on patent information. 2589 AI patents registered in USPTO from 2007 to 2017 were collected and analyzed by the Latent Dirichlet Allocation (LDA) to derive 20 AI technology topics. Analysis of technology development trends by AI technology reveals that visual understanding, data analysis, motion control, and machine learning are growing, while language understanding and speech technology are sluggish. In addition, we also investigated leading companies in each sub-field of AI as well as core competencies of global IT companies. The findings of this study are expected to be fruitfully used for formulation and implementation of technology strategy of AI companies.
* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.
문제 정의
이런 환경 속에서 산업정책과 기술전략 수립을 위해서는 인공지능 기술 구조 및 기업 기술역량 파악이 요구된다. 본 연구는 특허 데이터를 활용한 토픽 모델링 분석을 통해 인공지능 기술구조를 도출하고, 글로벌 IT 기업의 기술역량을 분석함으로써, 인공지능 기술별 우수 기업과 기업별 강점 분야를 실증적으로 도출하였다. 본 연구를 통해 도출된 인공지능 기술구조와 기업별 기술역량 정보는 인공 지능기술을 개발하는 공급 기업뿐만 아니라 이를 활용하는 수요 기업들의 기술기획 및 전략 수립에도 매우 유용하게 활용될 수 있다.
그러나 위 연구들은 논문에 근거한 학술적 측면의 분석이거나, 거시적 관점에서 전반적 기술동향만을 파악했을 뿐, 기업 수준에서의 기술개발 역량 분석은 이루어지지 않았다. 이에 본 연구는 기업별 특허 정보를 바탕으로 인공지능 기술 관련 기업의 역량과 강약점을 분석한다
가설 설정
LDA는 가장 널리 채택되는 토픽모델링 방법이라 할 수 있다(Lee and Kang, 2018). LDA에서는 문서를 구성하는 각 단어들이 주제 집합에 대한 확률분포를 가지고 있으며 이 분포에 따라각 문서를 구성하게 된다고 가정한다. (그림 3)은 LDA 토픽 모델링의 문서 생성 과정을 예시로표현한 것이다.
제안 방법
LDA 토픽 모델링 수행에는 R 패키지 ‘topicmodels’(Hornik and Grün, 2011)를 수정 활용했다.
추출된 20개의 토픽에 대해 전문가들의 협의를 통해 토픽명을 정의하였다.각 토픽에서 높은 비중을 차지하고 있는 키워드를 바탕으로 토픽명을 정의하되, 키워드만으로 토픽명을 도출하기 어려운 경우 관련된 특허 제목과 초록을 참고하였다.
또한 각 토픽의 연도별 변화 추이를 분석하여 5개 유망 토픽과 4개 쇠퇴 토픽을 도출하였다. 글로벌 IT기업의 토픽별 기술 비중과 보유 특허수를 바탕으로 기업별 인공지능 기술역량을 분석하고, 인공지능 분야별 우수 기업을 도출하였다.
다음으로 토픽 모델링 적용은 모델링에 필요한 데이터 전처리(preprocessing) 후 정제된 데이터를 이용하여 LDA기반의 토픽 모델링을 수행한다. 기술구조 분석에서는 인공지능 기술에 대한 특허 데이터와 토픽을 바탕으로 기술 토픽을 정의하고 기술 동향을 분석한다. 마지막으로 기업 기술역량 분석에서는 기업별 토픽비중 분석과 주요 기업의 기술우위를 분석한다.
기업별 인공지능관련 기술역량 분석은 두 가지 측면에서 진행하였다. 하나는 기업별 토픽비중 분석을 통해 기업별로 어떤 기술을 중점적으로 다루는지 살펴봤다.
제거된 단어들은 모든 a, an, the와 같은관사나 in, by, with와 같은 전치사를 포함한다. 네 번째는 표제어 추출(lemmatization) 과정을진행하였다. 단어는 문법에 따라 여러 형태가 될 수 있는데 이 변형된 형태 단어들을 하나의기본 단어인 표제어로 바꾸어야 한다.
첫 번째 데이터 수집은 미국 특허청 데이터베이스에서 인공지능 기술 특허를 추출한다. 다음으로 토픽 모델링 적용은 모델링에 필요한 데이터 전처리(preprocessing) 후 정제된 데이터를 이용하여 LDA기반의 토픽 모델링을 수행한다. 기술구조 분석에서는 인공지능 기술에 대한 특허 데이터와 토픽을 바탕으로 기술 토픽을 정의하고 기술 동향을 분석한다.
먼저 모든 구두점과 숫자를 제거하였고 영문 대문자는 소문자로 변환하였다. 두 번째는 토큰화(tokenization) 과정으로 문장을 단어들로 분리하였다. 세 번째는 앞에서 분리한 단어들 중 분석에 불필요한 불용어(stop words)를 제거하였다.
인공지능 기술은 발전 속도가 무척 빠르며 시장에서 새로운 기술 확보를 위해 기업 간에치열한 경쟁을 하고 있는 분야다. 따라서 인공지능 분야에서 최근 성장하고 있는 유망 토픽에 대해서 추가적인 분석을 수행하였다. (그림 8)은 다섯 개의 유망 토픽에 대한 주요 기업별 인공지능 특허 수를 나타낸 것이다.
본 연구에서는 미국 특허청에서 인공지능 관련 기업 특허 2,589건을 수집하였으며 제목과초록 데이터를 활용하여 토픽 모델링을 수행하여 인공지능 분야의 세부 기술을 추출하여 동분야의 기술구조를 정의하였다. 또한 각 토픽의 연도별 변화 추이를 분석하여 5개 유망 토픽과 4개 쇠퇴 토픽을 도출하였다. 글로벌 IT기업의 토픽별 기술 비중과 보유 특허수를 바탕으로 기업별 인공지능 기술역량을 분석하고, 인공지능 분야별 우수 기업을 도출하였다.
표제어 추출에서는 앞의 예에서 다양한 동사는 interact, 다양한 명사는interaction 같이 표제어로 선택되게 된다. 마지막으로 각 문서는 백오브워드(bag of words)표현으로 변환했다. 코퍼스(corpus)가 N개의 단어를 가졌다면 각 문서는 N차원의 벡터 형태로 나타나게 된다.
기술구조 분석에서는 인공지능 기술에 대한 특허 데이터와 토픽을 바탕으로 기술 토픽을 정의하고 기술 동향을 분석한다. 마지막으로 기업 기술역량 분석에서는 기업별 토픽비중 분석과 주요 기업의 기술우위를 분석한다.
토픽 모델링을 수행하기 위해 제목과 초록 정보를 대상으로 데이터 전처리를 수행하였다.먼저 모든 구두점과 숫자를 제거하였고 영문 대문자는 소문자로 변환하였다. 두 번째는 토큰화(tokenization) 과정으로 문장을 단어들로 분리하였다.
본 연구에서는 미국 특허청에서 인공지능 관련 기업 특허 2,589건을 수집하였으며 제목과초록 데이터를 활용하여 토픽 모델링을 수행하여 인공지능 분야의 세부 기술을 추출하여 동분야의 기술구조를 정의하였다. 또한 각 토픽의 연도별 변화 추이를 분석하여 5개 유망 토픽과 4개 쇠퇴 토픽을 도출하였다.
연도별 비중이 증가하는 토픽은 성장하는 기술이며, 연도별 비중이 감소하는 토픽은 쇠퇴하는 기술이라 할 수 있다. 본 연구에서는 회귀분석을 바탕으로 각 토픽의 성장과 쇠퇴를 분석하였다. 각 토픽에 대한 토픽 비율을 종속변수로, 연도를 독립변수로 하는 선형회귀 분석을 수행하였다(Griffiths and Steyvers, 2004).
본 연구의 연구 프레임워크(framework)는 (그림 1)과 같이 데이터 수집, 토픽모델링 적용, 기술구조 분석, 기업 기술역량 분석으로 구성된다. 첫 번째 데이터 수집은 미국 특허청 데이터베이스에서 인공지능 기술 특허를 추출한다.
따라서 각기업이 보유한 특허를 분석함으로써 기업들의 기술 역량과 기술 전략을 파악할 수 있다. 본장에서는 IV장에서 도출된 인공지능 기술 분야별로 주요 글로벌 IT 기업의 인공지능 기술역량을 분석한다.
각 토픽에 대한 토픽 비율을 종속변수로, 연도를 독립변수로 하는 선형회귀 분석을 수행하였다(Griffiths and Steyvers, 2004). 산출된 회귀계수 기울기(slope)의 양수 또는 음수 여부와 유의수준 p값(p-value)을 통해 유망(hot) 토픽과 쇠퇴(cold) 토픽을 선정하였다. 유의수준 0.
두 번째는 토큰화(tokenization) 과정으로 문장을 단어들로 분리하였다. 세 번째는 앞에서 분리한 단어들 중 분석에 불필요한 불용어(stop words)를 제거하였다. 제거된 단어들은 모든 a, an, the와 같은관사나 in, by, with와 같은 전치사를 포함한다.
수집된 2,589건의 특허 데이터에 대해 전처리를 수행한 후 LDA 추론을 시행하였다. LDA 토픽 모델링 수행에는 R 패키지 ‘topicmodels’(Hornik and Grün, 2011)를 수정 활용했다.
앞에서 처리한 데이터를 활용하여 LDA(latent Dirichlet allocation) 토픽 모델링을 진행하였다. 토픽 모델링은 규모가 크고 구조화되지 않은 문서 집합에서 내재된 주제를 찾아내는 통계적알고리즘이다.
도출된 20개의 기술 토픽들은 각각 인공지능의 세부 기술을 나타낸다고 할 수 있으나, 보다 효과적으로 인공지능 기술구조를 파악하고 기업별 기술역량을 비교하기 위해서는 추출된 기술토픽을 몇 개의 분야(sector)로 분류할 필요가 있다. 이에 본 연구에서는 인공지능 연구개발 실무에서 활용되는 기술 분류 체계를 바탕으로 전문가 토론을 통해 (그림 4)와 같이 6개의 인공지능기술 분야를 정의하고, 20개의 기술 토픽을 분류하였다. 음성처리(speech technology) 분야가 토픽이 6개로 가장 많고, 데이터분석(data analysis) 분야 토픽은 다음으로 많은 5개였다.
기업의 기술 기획 및 기술 전략 수립을 위해서는 인공지능 기업들의 기술 역량 및 기술 개발추세 등에 대한 보다 미시적인 관점에서의 연구가 필요하다. 이에 본 연구에서는 특허 정보를바탕으로 토픽 모델링 기법을 적용하여 인공지능의 세부 기술을 도출한 후, 상세 기술영역별로 주요 글로벌 IT 기업들의 기술 역량 및 강약점을 분석한다.
인공지능 기술개발 트렌드를 살펴보기 위해 기술토픽의 연도별 비중 변화를 분석하였다. 연도별 비중이 증가하는 토픽은 성장하는 기술이며, 연도별 비중이 감소하는 토픽은 쇠퇴하는 기술이라 할 수 있다.
토픽 개수를 10, 15, 20, 25, 30로 다르게적용하여 추출한 토픽별 단어 분포를 검토한 결과, 토픽 개수가 20개일 때 설명력이 가장 우수하다고 판단하였다. 추출된 20개의 토픽에 대해 전문가들의 협의를 통해 토픽명을 정의하였다.각 토픽에서 높은 비중을 차지하고 있는 키워드를 바탕으로 토픽명을 정의하되, 키워드만으로 토픽명을 도출하기 어려운 경우 관련된 특허 제목과 초록을 참고하였다.
토픽 비중을 통해 와 같이 기업별로 다루는 중점 기술을 분석하였다.
토픽의 개수를 정하고 토픽명을 정의하기 위해 5인의 인공지능 전문가(대학교수 2인, 기업연구소 소속 실무 전문가 3인)가 참여하는 워크숍을 진행하였다. 토픽 개수 K를 결정함에 있어 Perplexity와 같은 정량적 지표를 활용할 수 있다.
대상 데이터
6위는Amazon, 7위는 Sony, 8위는 한국의 삼성전자이다. 기업별 기술역량 분석에는 인공지능 특허보유 상위 기업과 시가총액, 인지도가 높은 Apple과 Facebook을 포함하여 10개 기업을 분석하였다.
미국 특허청(USPTO)에 등록된 2007년부터 2017년까지의 특허 데이터에서 ‘artificial intelligence’등 8개의 키워드가 제목과 초록에 포함되는 특허 데이터를 추출하였다.
검색에 사용한 키워드는 ‘artificial intelligence, machine learning, cognitive computing, deep learning, predictiveAPIs, natural language processing, image recognition, speech recognition’이며 트랙티카(Tractica)의 인공지능 기술・시장 분류에 나오는 기준을 활용했다(임지연, 2016). 이 특허 데이터에서 보유수량 기준 30대 기업의 특허 2,589건을 이용해 분석을 위한 데이터베이스를 구성하였다. 데이터베이스 특허정보는 제목, 초록, 발행 연도, 양수인 등 분석에 필요한 상세 필드를 포함한다.
본 연구의 연구 프레임워크(framework)는 (그림 1)과 같이 데이터 수집, 토픽모델링 적용, 기술구조 분석, 기업 기술역량 분석으로 구성된다. 첫 번째 데이터 수집은 미국 특허청 데이터베이스에서 인공지능 기술 특허를 추출한다. 다음으로 토픽 모델링 적용은 모델링에 필요한 데이터 전처리(preprocessing) 후 정제된 데이터를 이용하여 LDA기반의 토픽 모델링을 수행한다.
토픽 모델링을 수행하기 위해 제목과 초록 정보를 대상으로 데이터 전처리를 수행하였다.먼저 모든 구두점과 숫자를 제거하였고 영문 대문자는 소문자로 변환하였다.
데이터처리
본 연구에서는 회귀분석을 바탕으로 각 토픽의 성장과 쇠퇴를 분석하였다. 각 토픽에 대한 토픽 비율을 종속변수로, 연도를 독립변수로 하는 선형회귀 분석을 수행하였다(Griffiths and Steyvers, 2004). 산출된 회귀계수 기울기(slope)의 양수 또는 음수 여부와 유의수준 p값(p-value)을 통해 유망(hot) 토픽과 쇠퇴(cold) 토픽을 선정하였다.
이론/모형
검색에 사용한 키워드는 ‘artificial intelligence, machine learning, cognitive computing, deep learning, predictiveAPIs, natural language processing, image recognition, speech recognition’이며 트랙티카(Tractica)의 인공지능 기술・시장 분류에 나오는 기준을 활용했다(임지연, 2016).
LDA 토픽 모델링 수행에는 R 패키지 ‘topicmodels’(Hornik and Grün, 2011)를 수정 활용했다. 깁스 샘플링(Gibbs sampling) 방법을 이용하였으며 반복 횟수는 1000회를 진행했다. \(a\)는 코퍼스에 의해 정해진 값을 \(B\)는 기본값인 0.
성능/효과
로봇, 자율주행 자동차 등에 관심이 높아짐에 따라 [T11] object detection, [T15] device control와같은 시각이해와 동작제어 기술 성장이 두드러졌으며 [T3] machine translation, [T9] speechrecognition grammar, [T14] speech recognition system와 같은 언어이해와 음성처리 기술은 성숙기에 접어들었음을 알 수 있다. 대용량 데이터 처리에 필수적인 [T10] search technique, [T16]identification method와 같은 데이터분석 기술은 유망한 기술로 분류되었다. [T20] predictiveanalytics와 같은 머신러닝 기술은 최근 한 해 동안 급격한 증가를 보여 기업들이 중점적으로 연구개발하고 있음을 알 수 있다.
데이터분석은 데이터 이용하는 다양한 기술을 포괄한다. 데이터분석으로 분류된 토픽은 파라미터 최적화관련 [T2]parameter optimization, 논리적 데이터 모델 구조를 만드는 [T5] data modeling, 인식 결과에 대한 평가와 관련된 [T6] recognition result evaluation, 데이터를 검색해 필요한 결과를 신속하게 찾아내는 [T10] searching technique, 데이터 선택과 관련된 [T17] candidate generation 토픽이 드러났다.
시각이해 분야에서는 이미지를 이용해 수학적으로 물체의 3차원 모양이나 외관을 분석하는 연구를 수행한다(Szeliski, 2010). 시각이해 분야에서 도출된 토픽은 디지털 이미지나 비디오에서 객체를 인식하는 기술인 [T11] objectdetection, 얼굴, 지문, 차량 같은 개별 객체를 식별하는 기술인 [T16] identification method토픽이 나타났다.
오히려 영상 기기 등을 생산하는 Sony,통신 기업인 AT&T, 음성인식 엔진 개발 기업인 Nuance Communications 등이 선전하고 있는 것으로 나타났다.
, 2007). 토픽 개수를 10, 15, 20, 25, 30로 다르게적용하여 추출한 토픽별 단어 분포를 검토한 결과, 토픽 개수가 20개일 때 설명력이 가장 우수하다고 판단하였다. 추출된 20개의 토픽에 대해 전문가들의 협의를 통해 토픽명을 정의하였다.
후속연구
본 연구는 특허 데이터를 활용한 토픽 모델링 분석을 통해 인공지능 기술구조를 도출하고, 글로벌 IT 기업의 기술역량을 분석함으로써, 인공지능 기술별 우수 기업과 기업별 강점 분야를 실증적으로 도출하였다. 본 연구를 통해 도출된 인공지능 기술구조와 기업별 기술역량 정보는 인공 지능기술을 개발하는 공급 기업뿐만 아니라 이를 활용하는 수요 기업들의 기술기획 및 전략 수립에도 매우 유용하게 활용될 수 있다.
따라서 기업의 기술 역량을 분석하는데 특허 데이터와 더불어 논문 데이터도 함께 살펴볼 필요가 있다. 셋째, 인공지능 특허를 많이 보유한 글로벌 IT기업 뿐 아니라 소규모 기업도 분석할 필요가 있다. 새로운 기술을 근간으로 창업하여 성장하는 신생기업이나 영향력이 있는 벤처기업 등을 포함하여 연구의 범위를 확장하는 것이 필요하다.
임지연(2016)은 세계 주요 국가와 글로벌 ICT 기업의 인공지능 연구개발 동향을 기술과 시장 분류에 따라 분석하였다. 하지만 이 연구는 정성적이고 주관적인 관점으로 인공지능 기술의 동향을 분석하였다는 점에서 한계가 있다. 특허 데이터를 활용하여 실증적인 관점에서 인공지능 기술을 분석하려는 시도들도 일부 이루어져 왔다.
질의응답
핵심어
질문
논문에서 추출한 답변
인공지능 기술 분야 중 최근 활발하게 연구되는 분야는?
2007년부터 2017년까지 미국 특허청에 등록된 2,589개의 인공지능 특허를 바탕으로 LDA 토픽모델링을 수행하여 인공지능 분야의 20개의 기술 토픽을 도출하였다. 인공지능 기술 분야 중 언어이해, 음성처리보다는 시각이해, 데이터분석, 동작제어, 그리고 기계학습 분야의 연구개발이 최근 활발한 것으로 나타났다. 또한 기업별 인공지능 기술 역량을 분석하여 인공지능 기술 분야별로 우수 역량을 보유한 기업을 도출하고, 기업별로 강점을 가지고 있는 세부 기술 분야를 도출하였다.
인공지능(artificial intelligence, AI)은 무엇입니까?
인공지능(artificial intelligence, AI)은 지능을 가진 존재가 하는 일을 컴퓨터 또는 로봇이 할 수 있도록 만드는 기술이다(Britannica, 2019). 인공지능은 4차 산업혁명을 주도하는 혁신 기술로 전 세계적으로 주목받고 있다.
인공지능이 4차 산업혁명을 주도하는 혁신 기술로 주목받는 이유는?
인공지능은 4차 산업혁명을 주도하는 혁신 기술로 전 세계적으로 주목받고 있다. 인공지능 기술은 고용, 생산, 소비 등 사회 전반에 큰 파급 효과를 일으키고 있으며 향후 인류에게 보다 많은 혜택을 가져다 줄 것으로 기대되고 있다(IITP, 2016; Russell et al., 2015). 선도적인 인공지능 기술 확보가 기업 경쟁력을 결정짓는 핵심 요인으로 인식됨에 따라, 많은 기업이 인공지능 관련 연구개발과 특허 확보에 사활을 걸고 있다(Cincera, 1997; Drucker, 1995; Fujii and Managi, 2018; Maresch et al., 2016; 김봉선・김언수, 2014).
※ AI-Helper는 부적절한 답변을 할 수 있습니다.