최근 인공지능/머신러닝의 성능이 좋아진 것은 빅데이터를 사용할 수 있고 컴퓨팅 인프라가 발전하였기 때문입니다. 앞으로는 인공지능/머신러닝과 빅데이터 기술의 융합이 필연적으로 발생할 것입니다. 데이터 지능 연구실에서는 이 통합을 양방향으로 수행하고 있습니다. 먼저 머신러닝의 전반적인 과정에 필요한 빅데이터 관리 기술을 연구합니다. 둘째 빅데이터 관리를 개선할 수 있는 머신러닝 기법도 연구합니다. 우리 연구실은 구글 AI (AI Focused Research Award), 한국과학재단 (MARS 인공지능 통합 연구센터), SK 텔레콤, KAIST Institute으로부터 연구 지원을 받고 있습니다. 다음은 현재 관심 연구토픽들입니다.

대규모 데이터 수집 및 클리닝

딥러닝이 널리 보급되면서 머신러닝에서 가장 시간이 많이 소요되는 부분은 특징 엔지니어링보다는 데이터 수집 및 준비 과정입니다. 우리 연구실에서는 정확하고 사람과 컴퓨팅 리소스를 효율적으로 사용하는 대규모 데이터 레이블링 기술을 연구합니다. 또한 머신러닝을 위한 데이터 클리닝 연구를 수행합니다.

자동 및 문제 해결이 가능한 모델 분석

머신러닝이 민주화가 되면서 머신러닝 혹은 엔지니어링 배경지식이 없는 이용자가 훈련된 모델을 분석하는 것이 어려울 수 있습니다. 우리 연구실에서는 모델의 성능이 좋지 않은 데이터 슬라이스를 자동으로 찾아주는 기술 및 문제되는 슬라이스에 대한 성능을 개선할 수 있는 방법까지 제시하는 연구를 수행합니다.

모델의 공정성과 견고성

머신러닝의 최종 사용자는 사람이기 때문에 모델이 특정 이용자를 차별하지 않는 모델 공정성이 중요해지고 있습니다. 또한 노이즈나 포이즈닝이 들어간 데이터에 대해서도 모델이 견고하게 훈련되어야 합니다. 우리 연구실에서는 모델 공정성과 견고성을 최적화하는 모델 아키텍쳐를 개발합니다.