표제지
초록(Abstracts)
목차
제1장 서론 10
제1절 연구배경 10
1.1.1. 연구의 배경 10
1.1.2. 연구의 목적 12
제2절 연구 범위 및 방법 13
제2장 선행 연구 고찰 14
제1절 ISO-8000(데이터 품질관리) 14
2.1.1. 데이터 품질관리 시스템 14
2.1.2. ISO-8000(데이터 품질관리) 표준 16
2.1.3. 데이터 품질관리 19
2.1.4. 제조업계의 빅데이터를 활용한 데이터 품질관리 22
제2절 휴먼에러 품질관리 국제표준 현황 26
2.2.1. 품질경영시스템 26
2.2.2. IEC-62740 TRACEr 모델 27
제3장 휴먼에러 예측 모델 30
제1절 휴먼에러 예측 제안 모델 30
3.1.1. 연구의 전제조건 30
3.1.2. 연구 가설 31
3.1.3. 연구 모형 33
제2절 연구 프로세스 35
제4장 휴먼에러 예측 모델 검증 37
제1절 연구모형 검증 37
4.1.1. 데이터 선정 37
4.1.2. 데이터 전처리 38
4.1.3. 기계학습 알고리즘 별 Hyper Parameter 설정 39
4.1.4. 기계학습 및 Feature 추출 41
제2절 머신러닝 분석 모델 성능 평가 42
4.2.1. 머신러닝 분석 모델 성능 평가 모형 42
4.2.2. 머신러닝 분석 모델 성능 평가 결과 43
제5장 결론 50
제1절 연구결과 50
제2절 제약 사항 및 향후 연구 과제 51
참고문헌 53
부록 56
Abstracts 58
Table 1. ISO-8000(데이터 품질관리)의 일반 데이터 표준 18
Table 2. 한국데이터베이스진흥원, DQC의 DQ 방법론 20
Table 3. 연구가설을 위한 변수 32
Table 4. 연구 데이터 유형 37
Table 5. 전처리 방법 39
Table 6. 임베딩 방법론별 파라미터 값 40
Table 7. 임베딩 방식에 따른 기계학습 모델성능 44
Table 8. 딥러닝 모델 성능 결과 47
Figure 1. 데이터 품질관리 시스템의 영역 16
Figure 2. ISO-8000(데이터 품질관리) 표준의 범위 17
Figure 3. TRACEr 모델 29
Figure 4. Reverse TRACEr 모델 34
Figure 5. 연구 프로세스 35
Figure 6. 딥러닝 모델 성능 평가방법 43
Figure 7. X1(Problem Description)의 모델성능 45
Figure 8. X2(Service Description)의 모델성능 45
Figure 9. X3(Problem Solution)의 모델성능 46
Figure 10. Deep Learning 모델 (LSTM, CNN, MLP 모델)의 분석 결과 48
Figure 11. 클라우드 환경에서 분석을 위한 파이프라인 구축 후 동작화면 56