2018년 5월 30일 (수) 11:30 – 14:20 뉴턴홀에서 18-1학기 캡스톤 대회가 열렸다. 다양한 분야의 총 20개팀이 참가했고 4차 산업혁명에 걸맞는 영상처리, 인공지능, 사물 인터넷, 빅데이터를 주제로한 작품들이 소개 되었는데 이 중 인공지능을 주제로 다룬 5개의 작품을 소개한다.
유예찬, 박윤진 학생(이강교수님)이 발표한 FPGA를 이용한 머신러닝 가속기 는 CPU, GPU보다 전력 소모와 계산 속도에 있어서 효율적인 장점을 활용해 FPGA를 이용한 AI 가속이 어느 정도 가능한지 파악하고자 하는 목표를 가지고 진행되었다. 실시간 물체 발견 및 인식이 가능한 YOLO network를 임베디드 환경에서 Xilinx SDSoC를 이용해 FPGA로 가속화하는 연구를 진행했다. 결과적으로 FPGA 기반 YOLO network는 이전에 비해 8.37배의 속도 향상을 보였고 하드웨어 가속 최적화 기법을 이용해 최적화 전보다 21.9배 속도 향상을 보였다.
이영진, 곽효빈 학생(김인중교수님)이 발표한 비슷한 옷추천을 위한 딥러닝 기반 영상 분석 시스템 은 자신이 사진에서 본 옷을 찾는 것을 빅데이터를 이용해 돕는 시스템이다. Feature Extraction에 딥러닝 모델(CNN, RNN, NASNET)을 사용했고 Detector에 (YOLO, SSD, Faster rcnn)을 사용했다. 수행 내용으로는 산학협력 기업이 제공해준 데이터를 전 처리하고 특성을 찾고 비교해서 유사한 이미지를 찾는 연구를 진행했다.
노영현, 김지수, 강청웅(최희열교수님)이 발표한 데이터 처리와 숫자 처리를 통한 번역 성능 향상 프로그램은 문장내에 큰 숫자가 포함되어 있을때 번역이 정확하지 않은 시중 번역기의 문제점을 해결하기 위해 기획되었다. 프로그램은 Data의 유효성을 확보하기 위한 Data Cleansing과 숫자로 인해 발생하는 문제점을 최소화 하기 위해 기호화 하였다. 결과적으로는 데이터 양의 한계로 이미 시중에 출시되어 있는 기존의 번역기들이 우수한 성능을 보이지만 숫자 처리를 적용한 모델에서는 목표로 하였던 성과를 이룬 것을 확인하였다.
김시내, 전주영 학생(홍신 교수님)의 머신 러닝을 이용한 Commit Message 추천 도구 개발 캡스톤 프로젝트 는 Commit message가 개발자 커뮤니케이션에서 중요한 요소이지만, 좋은 commit message를 작성하는 것이 어렵고, 이를 제대로 작성하는 사용자가 많지 않다는 문제점을 해결하기 위한 추천도구 이다. Data Commit 효율성 증대를 위한 Data Cleaning, RNN cell, dierectional, dropout, bucket의 조건에 따른 모델 성능 비교, Name identifier classifier, Git implementation등을 활용해 LSTM, Unidirectional, without dropout, without bucket등 여러 다양한 모델을 비교해 본 결과 Bucket없이, Unidirectional의 경우 BLEU의 측정값이 더 높게 나왔다.
박천명, 기윤호, 김지현 학우(김인중 교수님)으로 이루어진 Deep Learning Open Source Project 의 WICWIU팀 은 국내 대다수 딥러닝 연구가 해외 프레임워크에 의존적인 문제를 해결하기 위해 C++을 이용한 자체 딥러닝 프레임워크 WICWIU를 구현했다. cuDNN을 이용한 GPU 병렬 연산을 구현하고 딥러닝 알고리즘 확장을 위한 커스터마이징 인터페이스를 제공하며, 국내 초보 개발자들의 높은 진입장벽 해소를 위해 한국어 문서를 제공한다. MNIST 필기 숫자 데이터를 이용한 Tensorflow와 WICWIU 모델의 오류율 비교를 통해 동일한 성능을 보인다는 것을 증명 하였으며 WICWIU를 이용하여 정의/학습된 CNN 모델이 잘 동작함을 확인하였다.
기사에서 소개한 5개의 작품 외에 다양한 주제의 캡스톤 작품은 전산전자공학부 캡스톤 및 자료실 에서 확인할 수 있다.
SW기자단 강예찬 기자
