AI개발 플랫폼(BI-Platform)

• ● Functions and Features
  BI-Platform은 인공지능(AI) 모델 개발시 기계 학습 알고리즘의 자동 선택 및 하이퍼파라미터 튜닝을 위한 MLOps 기반 프레임워크로, 다음과 같은 기능과 특징을 제공합니다:
  새로운 데이터셋에 대한 최적 알고리즘 자동 선택 및 성능 향상
  지속적으로 업데이트되는 모델 베이스를 활용하여 최상의 알고리즘 추천
  다양한 기계 학습 알고리즘의 하이퍼파라미터 튜닝을 자동화
  사용자가 정의한 입력을 통해 정확성과 일반화 간의 균형을 달성
  다양한 기능 선택 및 전처리 옵션을 제공하여 모델링 프로세스를 지원
  Python 언어를 기반으로 한 패키지 또는 웹 응용 프로그램으로 활용 가능
  
  이러한 기능과 특징을 통해 BI-Platform은 기계 학습 모델 생성 프로세스를 효율적으로 지원하고, 사용자가 최적의 알고리즘과 매개변수를 선택하는 데 도움을 줍니다.
  
  
  ● BI-Platform Architecture
  
  
  ● Integrated Classifier Algorithms
  Logistic Regression (로지스틱 회귀)
  K-Nearest Neighbors (K-최근접 이웃)
  Naive Bayes (나이브 베이즈)
  Decision Trees (결정 트리)
  Support Vector Machine (SVM, 서포트 벡터 머신)
  Random Forest (랜덤 포레스트)
  Gradient Boosting Classifier (그래디언트 부스팅 분류기)
  LightGBM (라이트GBM)
  XGBoost (XG부스트)
  CatBoost (캣부스트)
  Extra Trees Classifier (익스트라 트리 분류기)
  AdaBoost (아다부스트)
  Quadratic Discriminant Analysis (QDA, 이차 판별 분석)
  Linear Discriminant Analysis (LDA, 선형 판별 분석)
  
  ● Integrated Forecasting Algorithms
  Linear Regression (선형 회귀)
  Lasso Regression (라쏘 회귀)
  Ridge Regression (릿지 회귀)
  Elastic Net (엘라스틱넷)
  Least Angle Regression (LARS, 최소각 회귀)
  Orthogonal Matching Pursuit (OMP, 직교 매칭 추구)
  Bayesian Ridge (베이지안 릿지)
  Automatic Relevance Determination (ARD, 자동 관련성 결정)
  Kernel Ridge (커널 릿지)
  Support Vector Regression (SVR, 서포트 벡터 회귀)
  K-Nearest Neighbors Regressor (K-최근접 이웃 회귀)
  Decision Tree Regressor (결정 트리 회귀)
  Random Forest Regressor (랜덤 포레스트 회귀)
  Extra Trees Regressor (익스트라 트리 회귀)
  AdaBoost Regressor (아다부스트 회귀)
  Gradient Boosting Regressor (그래디언트 부스팅 회귀)
  LightGBM Regressor (라이트GBM 회귀)
  XGBoost Regressor (XG부스트 회귀)
  
  ● Supported DL Algorithms
  Convolutional Neural Networks (CNN, 합성곱 신경망) : ResNet, AlexNet, VGGNet, Inception, DenseNet 등
  Recurrent Neural Networks (RNN, 순환 신경망) : LSTM (Long Short-Term Memory), GRU (Gated Recurrent Unit)
  Transformer Models : BERT (Bidirectional Encoder Representations from Transformers), GPT (Generative Pre-trained Transformer), Transformer architecture for sequence to sequence tasks.
  Fully Connected Networks (FCN, 완전 연결 신경망)
  Autoencoders for Dimensionality Reduction and Feature Learning
  Generative Adversarial Networks (GAN, 생성적 적대 신경망)
  
  ● 적용 분야
  
  ◯ 의료계 활용 분야 
  환자의 다양한 검사 결과에 따라 적합한 약물처방
  - 혈액 투석환자의 혈액검사 결과에 따른 신속하고 정확한 약물처방 지원 (약처방 로직의 비표준화 및 복잡성으로 인한 담당의사의 번아웃 방지 및 약처방 실수 방지)
  - 경험이 부족한 수련의의 약처방 업무 지원을 통한 오처방 방지
  혈액투석 환자의 혈관접근로(AVF) 수술대상 여부 예측
  - 직전 한달간 투석시 투석기에 수집된 데이터(혈압, 혈류속도, 혈류량 등)를 기반으로 차기 투석시 혈관 수술의 필요성 여부를 사전에 예측하여 환자 불편 감소 및 의료서비스 품질 제고 
  
  ◯ 금융 및 마케팅 업계 활용분야
  신용 점수 예측: AI 알고리즘을 사용하여 개인의 신용 기록, 거래 내역, 소득 정보 등을 분석하고 신용 점수를 예측
  사기 탐지: 분류 알고리즘을 활용하여 정상 거래와 사기 거래를 구분. 실시간 거래 모니터링을 통해 사기성 거래를 식별하고 즉각적인 조치를 취할 수 있음
  고객 세분화: 고객 데이터를 분석하여 유사한 특성이나 행동 패턴을 가진 고객 그룹을 분류. 이를 통해 타겟 마케팅 전략을 개발하고 맞춤형 서비스 제공
  포트폴리오 관리: AI 기반 알고리즘을 사용하여 투자자의 위험 선호도, 투자 목표에 맞는 최적의 포트폴리오를 구성하고, 시장 변동에 따라 자동으로 조정
  대출 및 신용 위험 관리: 예측 모델을 사용하여 대출 신청자의 상환 능력을 평가하고, 대출 위험을 예측. 이를 통해 대출 조건을 결정하고, 대출 포트폴리오의 위험을 관리
  고객 이탈 예측: 고객의 거래 내역, 상호 작용 데이터 등을 분석하여 고객 이탈 가능성을 예측하고, 이를 방지하기 위한 조치 가능
  
  ◯ 제조업계 활용분야
  공장에서 대량으로 생산되는 제품의 품질규격 이탈여부 예측
  - 사출기, CNC머신 등을 통해서 생산되는 대량의 가공제품은 전수검사가 불가능하여 샘플링 검사에 의존하는데 머신의 제반 조건값(온도, 압력, 진동 등)에 따른 제품의 규격치수 변화를 예측하여 사전에 양품/불량품 가능성을 예측
  제조설비의 상태정보(온도, 압력, 진동 등)와 제품의 규격치수 변화를 기반으로 설비 부속품의 교체시기 예측
  
  ◯ 보안업계 활용분야
  사이버 위협 탐지: AI 분류 알고리즘을 사용하여 정상적인 네트워크 행동과 악의적인 활동을 구분. 이를 통해 실시간으로 사이버 공격 탐지 및 대응 가능
  악성 소프트웨어 식별: 파일, 프로그램 또는 코드의 특성을 분석하여 악성 소프트웨어를 식별. AI는 다양한 유형의 악성 코드를 효과적으로 구분 가능
  이상 행동 감지: 사용자의 행동 패턴을 학습하여 정상 범위에서 벗어나는 이상 행동을 식별. 이를 통해냅부 위협이나 침입 시도 조기 발견
  스팸 및 피싱 메일 필터링: 이메일의 내용과 패턴을 분석하여 스팸이나 피싱 시도를 식별하고 필터링