[논문]고위험 현장의 안전관리를 위한 AI 클라우드 플랫폼 설계

김기봉

doi:10.23152/jatc.2022.01.02.001

[국내논문] 고위험 현장의 안전관리를 위한 AI 클라우드 플랫폼 설계
A Design of AI Cloud Platform for Safety Management on High-risk Environment 원문보기

미래기술융합논문지 = Journal of Advanced Technology Convergence, v.1 no.2, 2022년, pp.01 - 9

초록
AI-Helper

최근 기업과 공공기관에서 안전 이슈는 더는 미룰 수 있는 상황이 아니며, 대형 안전사고가 발생했을 때 직접적인 금전적 손실뿐 아니라 해당 기업 및 공공기관에 대한 사회적 신뢰가 함께 떨어지는 간접적인 손실도 매우 커진다. 특히 사망 사고의 경우는 더욱 피해가 심각하다. 이에 따라 기업 및 공공기관은 산업 안전 교육과 예방에 대한 투자를 확대함에 따라, 고위험 상황이 존재하는 산업현장에서 사용자 행동반경에 영향을 받지 않고 안전관리 서비스가 가능한 개방형 AI 학습모델 생성 기술, 에지단말간 AI협업 기술, 클라우드-에지단말 연동 기술, 멀티모달 위험상황 판단기술, AI 모델 학습 지원 기술을 이용한 시스템 개발이 이루어지고 있다. 특히 인공지능 기술의 발전과 확산으로 안전 이슈에도 해당 기술을 적용하기 위한 연구가 활발해지고 있다. 따라서 본 논문에서는 고위험 현장 안전관리를 위해 AI 모델 학습 지원이 가능한 개방형 클라우드 플랫폼 설계 방안을 제시하였다.

Abstract ▼ AI-Helper

Recently, safety issues in companies and public institutions are no longer a task that can be postponed, and when a major safety accident occurs, not only direct financial loss, but also indirect loss of social trust in the company and public institution is greatly increased. In particular, in the case of a fatal accident, the damage is even more serious. Accordingly, as companies and public institutions expand their investments in industrial safety education and prevention, open AI learning model creation technology that enables safety management services without being affected by user behavior in industrial sites where high-risk situations exist, edge terminals System development using inter-AI collaboration technology, cloud-edge terminal linkage technology, multi-modal risk situation determination technology, and AI model learning support technology is underway. In particular, with the development and spread of artificial intelligence technology, research to apply the technology to safety issues is becoming active. Therefore, in this paper, an open cloud platform design method that can support AI model learning for high-risk site safety management is presented.

주제어

표/그림 (11)

그림 Fig. 1. Kubeflow Pipeline
그림 Fig. 2. System Architecture
그림 Fig. 3. Definition of Collected Data
그림 Fig. 4. Training Process of AI Model
표 Table 1. Comparative of Machine Learning Algorithm
그림 Fig. 6. Manual Development Process
그림 Fig. 7. Web-based JupyterLab Interface
그림 Fig. 8. Automated Development Process
그림 Fig. 9. Kubernetes Component
그림 Fig. 10. Structure of Data Store based on iRods
표 Table 2. Difference of Manual Development Process and Automated Development Process

참고문헌 (31)

J. Seo. (2018). Smart Wearable Technologies in Construction, Construction engineering and management, 19(4), 58-63.？
R. Lee, M. Park & S. H. Lee. (2019). An Advanced？？IoT Data Collection Service for Data-centric Smart Cities, International Journal of Innovative Technology and Exploring Engineering, 8(8S2),？？323-327.？
R. Lee, R. Y. Jang, M. W. Park, S.-H. Lee & M. S. Choi. (2020). AIaaS Technology Trends and Activation Plan, Communications of the Korean Institute of Information Scientists and Engineers, 38(8), 49-57？
PaaS-TA. (n. d.). https://paas-ta.kr/？
Y. H. Kim. (2021), Open Cloud Platform PaaS-TA Trend and Ecosystem Activation, Software Policy & Research Institute, Monthly Software Oriented Society.？
R. Y. Jang, R. Lee, M. W. Park & S. H. Lee. (2020)？？Development of an AI Analysis Service System based on OpenFaaS, The Journal of the Korea Contents Association, 20(7), 97-106？？DOI : 10.5392/JKCA.2020.20.07.097？

원문보기 상세보기
V. Ishakian, V. Muthusamy & A. Slominski. (2018). Serving Deep Learning Models in a Serverless Platform, 2018 IEEE International Conference on Cloud Engineering (IC2E). IEEE,？
Naver Cloud Platform. (n. d.) https://www.ncloud.com？
. https://azure.microsoft.com/ko-kr/resources/cloud-computing-dictionary/what-is-azure/azure-iaas/#overview？
Google Cloud Platform. (n. d.). https://cloud.google.com/？
E. Bisong. (2019). An Overview of Google Cloud Platform Services. Building Machine Learning and Deep Learning Models on Google Cloud Platform. Apress, Berkeley, CA, pp.7-10.？
Google Cloud AutoML. (n. d.). https://cloud.google.com/automl?hlko？
Azure Machine Learning. (n. d.). https://learn.micro？？soft.com/ko-kr/azure/machine-learning/how-toselect-algorithms？
Y.-H. Moon, I. H. Shin, Y. J. Lee & O. G. Min. (2019). Recent Research & Development Trends in Automated Machine Learning, Electronics and telecommunications trends, 34(4), 32-42？？DOI : 10.22648/ETRI.2019.J.340404？

원문보기 상세보기
MLBox. (n. d.). https://mlbox.readthedocs.io/en/latest/？
TPOT. (n. d.). http://automl.info/tpot/？
PyCaret. (n. d.). https://pycaret.org/？
LightAutoML. (n. d.). https://lightautoml.readthedocs.io/？
FLAML. (n. d.). https://microsoft.github.io/FLAML/？
EvalML. (n. d.). https://evalml.alteryx.com/en/stable/？
Auto-Sklearn. (n. d.). https://automl.github.io/autosklearn/master/？
AutoKeras. (n. d.). https://autokeras.com/？
H2O. (n. d.). https://h2o.ai/？
Kubeflow. (n. d.). https://www.kubeflow.org/？
MLFlow. (n. d.). https://mlflow.org/？
Data Version Control(DVC). (n. d.). https://dvc.org/？
Pachyderm (n. d.). https://www.pachyderm.com/？
Metaflow. (n. d.). https://metaflow.org/？
iRODS. (n. d.). https://irods.org/？
J. Kim, Y. Han, D. Kim & Y.-K. Lee. (2015). Climate Data Support System using iRODS, Journal of KIISE, 31(2), 3-15.？
Y. K. Han, J. Kim, S. Lee & Y. K. Lee. (2010). Massive Electronic Record Management System using iRODS, Journal of KIISE, 16(8), 825-836.

내보내기 구분	파일저장 인쇄 메일전송
구성항목	기본정보 상세정보 관리번호, 논문명, 저널/프로시딩명, 저자 , 발행년, 권, 호, 시작페이지, 끝페이지, 발행기관 관리번호, 논문명, 대등논문명, 저자 , 저널/프로시딩명, 발행기관, 발행년, 발행언어, 권, 호, 시작페이지, 끝페이지, ISBN, ISSN, 주제분야, 키워드, 초록(한글), 초록(영문), 저자(소속기관)
저장형식	Text(ASCII format) Excel format RefWorks Direct Export RIS format (for Reference Manager, ProCite, EndNote), Scholar's Aids, Mendeley
메일정보	받는사람 (필수) @ 보내는사람 (선택) @ 제목 내용 KISTI 검색결과 이메일 서비스
안내	총 건의 자료가 검색되었습니다. 다운받으실 자료의 인덱스를 입력하세요. (1-10,000) 검색결과의 순서대로 최대 10,000건 까지 다운로드가 가능합니다. 데이타가 많을 경우 속도가 느려질 수 있습니다.(최대 2~3분 소요) 다운로드 파일은 UTF-8 형태로 저장됩니다. 파일의 내용이 제대로 보이지 않을실 때는 웹브라우저 상단의 보기 -> 인코딩 -> 자동선택 여부를 확인하십시오. ~ Text(ASCII format) Excel format

연합인증