현대 제조 기술은 딥러닝과 데이터 처리 기술을 결합하여 혁신적인 발전을 이루고 있지만, 제조 현장에서는 데이터 획득 문제로 인해 이러한 기술을 충분히 활용하기 어렵습니다. 이번 세미나에서는 이러한 고민을 해결하기 위해 소수의 데이터로도 효과적인 학습이 가능한 메타 학습부터, 데이터 레이블이 없는 상황에서도 활용할 수 있는 비지도 학습까지, 다양한 혁신적인 방법을 소개합니다. 실제 제조 공정에서 발생하는 문제에 대한 해결책을 제시하며, 산업 현장에서 딥러닝을 실용화하는 노력을 함께 나누고자 합니다.
이 세미나는 제조 분야에 관심이 있는 대학생들, 특히 기계공학, 전자공학, 컴퓨터 공학, 데이터 과학 등과 같은 관련 전공을 공부하고 있는 학생들을 대상으로 합니다. 또한, 딥러닝 및 인공지능 기술을 제조 분야에 적용하고자 하는 학생들, 산업 현장에서 문제 해결에 관심이 있는 학생들도 이 세미나를 통해 유용한 정보와 기술을 습득할 수 있을 것입니다.
[기계시스템학과] 물리지식기반 인공지능 초청 세미나(가천대 이정수 교수님)
- 전체 학생/교수/대학원생/교직원
- 전체 학년/전체 성별
- 전체 학과
-
학습 워크숍/특강
-
jysim@sookmyung.ac.kr
-
02-710-9827
-
르네상스 403호
로그인이 필요합니다.
핵심역량 지수
나의 역량 지수
로그인이 필요합니다
세부내용
[요약]
현대 제조 기술은 딥러닝과 데이터 처리 기술을 결합하여 혁신적인 발전을 이루고 있지만, 제조 현장에서는 데이터 획득 문제로 인해 이러한 기술을 충분히 활용하기 어렵습니다. 이번 세미나에서는 이러한 고민을 해결하기 위해 소수의 데이터로도 효과적인 학습이 가능한 메타 학습부터, 데이터 레이블이 없는 상황에서도 활용할 수 있는 비지도 학습까지, 다양한 혁신적인 방법을 소개합니다. 실제 제조 공정에서 발생하는 문제에 대한 해결책을 제시하며, 산업 현장에서 딥러닝을 실용화하는 노력을 함께 나누고자 합니다.
이 세미나는 제조 분야에 관심이 있는 기계공학, 전자공학, 컴퓨터 공학, 데이터 과학 등과 같은 관련 전공을 공부하고 있는 학생들을 대상으로 합니다. 또한, 딥러닝 및 인공지능 기술을 제조 분야에 적용하고자 하는 학생들, 산업 현장에서 문제 해결에 관심이 있는 학생들도 이 세미나를 통해 유용한 정보와 기술을 습득할 수 있을 것입니다.
[Abstract]
The incorporation of advanced data-processing techniques in the manufacturing field has encouraged extensive research interests to realize deep learning applications for various manufacturing processes. Despite the remarkable outcomes proposed in recent studies, practical issues concerning data acquisition have significantly restricted the implementation of deep-learning techniques at manufacturing sites. The minimum size of a dataset required is a dozen times greater than the number of trainable weights in deep neural networks, which rapidly increases when handling imbalanced datasets. Therefore, thousands of data samples are required to train even a simple deep-learning architecture; for example, a deep-learning architecture constructed using two hidden layers with ten input dimensions each has more than 200 trainable weights. However, reliable data collection at manufacturing sites is expensive and requires significant labor investments. Accordingly, there is a paucity of sufficiently large relevant datasets to train reliable deep-learning models.
This seminar will present a systematic approach to resolving industrial data challenges that arise from the lack of both quality and quantity, including: 1) a meta-learning approach for cases limited to a few data samples, 2) unsupervised learning to resolve the absence of data labels, 3) semi-supervised learning for handling imbalanced datasets, and 4) data distillation based on domain knowledge with quality but insufficient data samples. The proposed approaches will be discussed with demonstration cases in actual manufacturing processes, such as the fault detection module in the die-casting process and optimization of the reactive sputtering process.