본문 바로가기 주메뉴 바로가기
22대 대한민국 국회 국회정보길라잡이 국회의원검색
회원가입 로그인
HOME

정보검색

소장정보 검색

국회도서관 홈으로 정보검색 소장정보 검색

결과 내 검색

동의어 포함

고급검색

인명/단체명

저자정보 상세정보
인명/단체명을 입력하세요.

키워드

  • 대표어

  • 외국어

-

목차보기

표제지

요약

목차

약어표 12

I. 서론 14

1.1. 연구배경 및 목적 14

1.2. 연구내용 및 범위 15

1.3. 논문의 구성 16

II. 연구비관리시스템 및 인공지능 기술 분석 17

2.1. 연구비관리시스템의 이해 17

2.1.1. 연구비관리시스템 17

2.1.2. 통합 연구비관리시스템 19

2.1.3. 통합연구비관리 시스템간 비교 21

2.1.4. 연구비관리시스템의 개선 연구 22

2.2. 인공지능 기술 분석 24

2.2.1. 인공지능 24

2.2.2. 딥러닝 25

2.2.3. 인공지능 모델링 26

2.2.4. 데이터 리샘플링 기법 29

2.3. 인공지능 기술의 활용 31

2.3.1. 챗봇(ChatBot) 31

2.3.2. 이상금융거래탐지시스템(FDS) 33

2.4. 시사점 36

III. 지능형 연구비관리시스템 구축 37

3.1. 지능형 연구비관리시스템의 구성 37

3.2.1. 지능형 연구비관리시스템 개선 범위 37

3.2.2. 지능형 연구비관리시스템의 목표시스템 구성 38

3.2. 연구비 불인정 탐지 시스템 구축 39

3.2.1. 연구비 불인정 탐지 시스템 구성 39

3.2.2. 연구비 불인정 탐지 모형 설계 40

3.2.3. 모델평가 결과 59

3.2.4. 모델 선택 64

3.2.5. 불인정 탐지 시스템 적용 65

3.3. RCMS 챗봇 시스템 구축 66

3.3.1. 사용자 질의 데이터 분석을 통한 대화흐름(Chatflow) 구성 66

3.3.2. 사용자의 질의 의도 분석 68

3.3.3. 사용자 편의성 향상 기능 73

3.3.4. RCMS 챗봇 시스템 적용 76

3.4. 연구비 사용 비세목 추천 시스템 구축 77

3.4.1. 연구비 사용 비세목 추천 시스템 구성 77

3.4.2. 연구비 사용 비세목 추천 모형 설계 77

3.4.3. 모델평가 결과 86

3.4.4. 모델 선택 91

3.4.5. 연구비 사용 비세목 추천 시스템 적용 92

3.5. 고찰 및 향후연구 93

IV. 결론 95

참고문헌 97

Abstract 105

그림목차

그림 1. Government R&D Investment Execution and Settlement Process 17

그림 2. Structure of Research Fund Card Management System 18

그림 3. Structure of Research Fund Management System 18

그림 4. Diagram of Research Fund Management System 20

그림 5. Integrated Diagram of Research Fund Management System 20

그림 6. Linkage between Accounting system and RCMS 22

그림 7. Advanced Linkage between Accounting system and RCMS 23

그림 8. Relation Diagram of AI, Machine Learning and Deep Learning 25

그림 9. Detailed Model Structure of Advanced DNN 27

그림 10. Structure of Multi Layer Perceptron 28

그림 11. The Development Stage of Chatbot in Public Services 31

그림 12. BURBY: Living Legal Knowledge service Chatbot 32

그림 13. ARA: Military Manpower Administration Chatbot 33

그림 14. Development stage of FDS 34

그림 15. Structure of Financial Institution FDS 35

그림 16. Configuration Diagram of Intelligent RCMS 38

그림 17. Configuration Diagram of Disapproval Detection System 39

그림 18. Modeling Procedure for Disapproval Detection 40

그림 19. Selection Procedure of Analysis Target Column 42

그림 20. Cross Table by Research Year Field 42

그림 21. Correlation between Corporate Credit badness and Disapproval 43

그림 22. Cross Table by Address of Supplier and Recipient 44

그림 23. Distribution and Adjusted distribution of Original Purchase Amount 45

그림 24. Average by Disapproval Reason for Total Original Purchase Amount 45

그림 25. Statistical Test 46

그림 26. Result of Statistical Test 47

그림 27. Final Selected Data and Variables 47

그림 28. Preprocessing Process 48

그림 29. Feature Creation 49

그림 30. Feature Selection 50

그림 31. Structure of Disapproval Detection Model 51

그림 32. Model Structure of RWN 52

그림 33. Learning Graph for Loss Values of RWN 53

그림 34. Learning Graph for Recall and Precision of RWN 53

그림 35. Model Structure of Advanced DNN 54

그림 36. Learning Graph for Loss Values of Advanced DNN 55

그림 37. Learning Graph for Recall and Precision of Advanced DNN 55

그림 38. Model Structure of Advanced SGAN 56

그림 39. Learning Graph for Loss Values of SGAN 57

그림 40. Learning Graph for Recall and Precision of SGAN 57

그림 41. Errata to Judge the Effectiveness of the Model 58

그림 42. Selection of Evaluation Data 59

그림 43. Graph of Performance Metrics According to MLP Threshold 60

그림 44. Graph of Performance Metrics According to RWN Threshold 61

그림 45. Graph of Performance Metrics According to RWN Threshold after... 62

그림 46. Result of XAI for False Positive Case 63

그림 47. Result of XAI for Undetected Case 64

그림 48. Screenshot of Disapproval detection 65

그림 49. Representative Topic and Intent 67

그림 50. Chatflow Creation Process 68

그림 51. Flowchart for User Query Intention Classification 68

그림 52. Morpheme Analysis in Chatbot 69

그림 53. Korean-English Conversion and Typo correction 70

그림 54. Format Definition for Numbers, Dates and Times 71

그림 55. Query Inquiry Understanding Model based on Grammer 71

그림 56. Query Inquiry Understanding Model based on Machine Learning 72

그림 57. Query Inquiry Understanding Model based on Searching Previous Q&A 73

그림 58. Chatflow Management 74

그림 59. Entity Management 75

그림 60. Procedure for Connecting a Counselor when no-matching cases 75

그림 61. Screenshot of RCMS Chatbot 76

그림 62. Configuration Diagram of Recommending System for Research Expenses Items 77

그림 63. Modeling Procedure for Research Expenses Items Recommend 78

그림 64. Diagram of Data Preprocessing 83

그림 65. Confusion Matrix 84

그림 66. 10 Fold Cross Validation for Learning Model 85

그림 67. Diagram of Modeling Procedure 85

그림 68. Graph of Performance Table by Syllable Characteristics Data 86

그림 69. Graph of Performance Table for SVM by Morpheme Characteristics Data 87

그림 70. Graph of Performance Table for WE by Morpheme Characteristics Data 88

그림 71. Graph of Performance Comparison between Recommended Models 89

그림 72. Comparison between Recommended Models and Ensembles 90

그림 73. Screenshot of Recommending System for Research Expenses Items 92

도표목차

표 1. Government R&D Investment by Year 14

표 2. Research Fund Management System for Each Department (Year 2017) 19

표 3. RCMS vs Ezbaro 21

표 4. Explanation of Learning Model 26

표 5. Resampling Method for Resolving Data Imbalance 29

표 6. Resampling Techniques 30

표 7. Classification of Detection Techniques 34

표 8. System Improvement Scope 37

표 9. Activity of Modeling Procedure for Disapproval Detection 40

표 10. Evaluation Index for Learning Model 58

표 11. Performance comparison Table for MLP and RWN 61

표 12. Performance comparison Table for RWN and RWN with CE 62

표 13. Performance comparison Table for MLP and RWN with CE 63

표 14. Performance of RWN with CE by Threshold 64

표 15. Example of 1:1 Question Data 66

표 16. Data Count for Modeling 79

표 17. Data status by Detail Category 79

표 18. Data status by Sub-detail Category 80

표 19. Data Normalization and Post-processing Rules 81

표 20. Example for Pre-processing of Syllable Data 81

표 21. Example for Pre-processing of Syllable Data 82

표 22. Performance Table by Syllable Characteristics Data 86

표 23. Performance Table for SVM by Morpheme Characteristics Data 87

표 24. Performance Table for WE by Morpheme Characteristics Data 88

표 25. Performance Table for SVM and WE 89

표 26. Performance Table for Ensembles 90

표 27. Result of 10 Fold Cross Validation for SVM 91

표 28. Result of 10 Fold Cross Validation for WE 91

초록보기

정부는 국가연구개발사업의 관리를 위해 연구비관리시스템을 운영하고 있다. 최근 부처별로 연구비관리시스템 운영으로 인한 연구자의 행정 부담을 해소하기 위해 국정과제로 연구비관리시스템을 통합하였다.

인공지능 기술은 제조 로봇, 인공지능 스피커, 로봇 청소기 등 산업 및 스마트홈 분야에서 다양하게 사용되고 있다. 금융 분야에서의 인공지능 기술은 전통적인 Rule 기반의 부정사용 탐지를 개선하기 위해 꾸준히 연구되고 있다. 빅데이터의 등장으로 이를 기계에게 학습시키는 딥러닝 기술을 통해 카드사는 부정사용 탐지율 향상을 이루었다.

통합된 연구비관리시스템은 정부의 국가연구개발사업 예산(2020년 기준 24.2조원)을 관리하는 중요한 시스템이다. 매년 발생하는 연구비의 부정 사용을 탐지하여 사전에 예방하는 것은 국가 예산을 효율적으로 사용하는데 기여한다.

본 논문에서는 통합 연구비관리시스템에 인공지능 기술을 적용한 지능형 연구비관리시스템을 제안한다. 연구비 관리 규정을 업무규칙으로 정의하여 탐지하던 것을 딥러닝으로 학습한 탐지 모형을 설계하고 이를 통해 연구비 사용내역별로 불인정 여부를 제시한다. 본 논문에서 구현한 연구비 불인정 모형의 성능은 불인정 탐지율은 74%, 탐지의 정밀도는 91%이다.

본 논문에서 구현한 RCMS 챗봇은 기존 온라인 게시판의 1만 3천 5백여건의 질의응답을 기반으로 연구비 사용, 시스템 사용법 등 9개 영역에 총 210개의 질의시나리오로 구축하였다. 또한, 본 논문의 비세목 추천 시스템은 RCMS에 등록된 887만건의 사용내역을 기반으로 연구비 사용비목과 품목의 상관관계를 통해 인공지능 모형이 신규로 등록하는 사용내역의 품목에 따라 사용비목을 제시해주며, 추천의 정확도는 97.21%이다.

연구자는 불인정으로 탐지된 사용내역에 대해 정산이 이루어지기 전에 연구비 불인정 요소를 사전에 해소하여 연구비를 효율적으로 집행 가능하며, 관리기관은 연구비 정산에 소요되는 업무량을 감소시킬 수 있다. 또한 챗봇은 부족한 상담인원 문제를 해소하고, 근무시간 이후에 연구자의 문의에 대응하여 사용자의 만족도를 제고 할 것으로 예상되며, 연구자의 상담문의가 가장 많았던 사용비목에 대한 추천 서비스는 상담건수를 감소시켜 다른 상담문의에 대한 답변의 질적 수준 향상이 기대된다.

추천서가 (다양한 추천 자료를 만나보세요)

권호기사보기

권호기사 목록 테이블로 기사명, 저자명, 페이지, 원문, 기사목차 순으로 되어있습니다.
기사명 저자명 페이지 원문 기사목차

권호

기사명 원문보기 기사목차
닫기