"1분반-컴통수"의 두 판 사이의 차이
(→개발 과제의 목표 및 내용) |
(→관련 기술의 현황 및 분석(State of art)) |
||
| 95번째 줄: | 95번째 줄: | ||
===관련 기술의 현황=== | ===관련 기술의 현황=== | ||
====관련 기술의 현황 및 분석(State of art)==== | ====관련 기술의 현황 및 분석(State of art)==== | ||
| − | *전 세계적인 기술현황 | + | *'''전 세계적인 기술현황''' |
| − | + | '''◇ 어플 요약'''<br> | |
| − | *특허조사 및 특허 전략 분석 | + | - 사용자에게 운동 기록을 입력받아, 그 기록과 체성분 정보를 활용하여 운동 루틴을 추천한다.<br> |
| − | + | - 운동 루틴을 추천하는 방법론으로 Large Language Model(LLM)을 사용하고자 한다.<br> | |
| − | *기술 로드맵 | + | - 운동 기록 추천 과정에서 다양한 전문 지식을 참고할 수 있도록 한다.<br> |
| − | + | <br> | |
| + | <br> | ||
| + | '''◇ LLM 역사'''<br> | ||
| + | LLM은 언어를 생성하거나 Natural Language Processing Task를 가능하도록 만든 딥러닝 모델이다.<br> | ||
| + | LLM이 발전된 순서로 설명하고자 한다.<br> | ||
| + | <br> | ||
| + | - Recurrent Neural Net(RNN)<br> | ||
| + | 순차적인 데이터를 처리하기 위해 설계된 신경망이다. 이전의 상태를 다음 상태에 전달하는 구조를 가지고 있기 때문에, 텍스트나 시계열, 음성 데이터 등에 주로 사용된다. 하지만, 기울기 소실 문제로 인해, 먼 과거의 정보를 효율적으로 기억하지 못하는 한계(장기 의존성 문제)가 존재한다.<br> | ||
| + | <br> | ||
| + | - Long Short-Term Memory(LSTM)<br> | ||
| + | RNN의 장기 의존성 문제를 해결하기 위해 고안된 모델이다. cell state와 3개의 게이트 구조(입 력·출력·망각 게이트)를 활용하여 이를 해결하였다. 따라서 더 긴 텍스트나 시계열, 음성 데이터에서 효과적인 성능을 보였다.<br> | ||
| + | <br> | ||
| + | - Attention Mechanism<br> | ||
| + | LSTM 및 RNN의 한계를 극복하기 위해 도입된 개념이다. 모델이 전체 시퀀스에서 특정 위치에 있는 요소를 집중해서 처리할 수 있도록 설계한 메커니즘 이며, 병렬처리가 가능하기 때문에 처리 속도 또한 향상되었다.<br> | ||
| + | <br> | ||
| + | - Transformer<br> | ||
| + | Attention Mechanism 중심으로 설계된 모델이다. Self-Attention Mechanism을 활용하여 시퀀스내 모든 요소들이 다른 모든 요소들과 얼마나 관련되어 있는지 계산한다. 이를 통해 전체적인 시퀀스 파악이 가능하며 장기 의존성 문제를 효과적으로 해결하였다. 또한, Encoder-Decoder 구조를 사용하여 시퀀스를 잘 추론(encoder)하고 생성(decoder)할 수 있다. Transformer가 발전하면서 BERT, GPT 같은 LLM 모델이 탄생했다.<br> | ||
| + | <br> | ||
| + | <br> | ||
| + | '''◇ LLM 최근 동향'''<br> | ||
| + | LLM 기반 모델이 최근에 어떤식으로 개발되는지 설명하고자 한다.<br> | ||
| + | <br> | ||
| + | - Reinforcement Learning from Human Feedback(RLHF)<br> | ||
| + | 강화학습에 대하여 인간의 피드백을 적용해 학습하는 방법론이다. 인간의 피드백을 가지고 학습에 활용하기 때문에 더 좋은 성능을 기대할 수 있다. 이와 관련된 예시로는 GPT의 이지선다 질문과 Claude 모델이 있다.<br> | ||
| + | <br> | ||
| + | - Direct Preference Optimization(DPO)<br> | ||
| + | RLHF 방법론에서 특정 프로시저를 제거해서 Human Feedback을 사용해도 좋은 성능을 내는 모델이다. 이 방법론은 최근에 논문을 통해 알려졌으며, 이와 관련된 후속 연구가 진행될 것을 보인다. <br> | ||
| + | <br> | ||
| + | - Multimodal<br> | ||
| + | 하나의 인공지능 모델이 텍스트와 이미지 데이터 등을 동시에 처리하고 이해할 수 있는 모델이다. 따라서 이미지를 가지고 텍스트로 설명하거나, 텍스트를 가지고 이미지를 만들어 낼 수도 있다. 이와 같은 모델의 예시로는 GPT-4와 DALL-E가 있다.<br> | ||
| + | *'''특허조사 및 특허 전략 분석''' | ||
| + | '''특허조사'''<br> | ||
| + | <br> | ||
| + | ◇ ‘운동 기록’ 관련 특허(출원번호: 10-2011-0086142)<br> | ||
| + | 운동 기구에 QR코드를 부착 후, 연동되는 앱을 통해 QR코드를 인식시킨 후 운동하면 그 정보가 알아서 저장되고 관리되는 특허이다.<br> | ||
| + | <br> | ||
| + | ◇ ‘기록 기반의 헬스 트레이닝 시스템 제어’ 관련 특허(출원번호: 10-2012-0052321)<br> | ||
| + | 사용자의 운동정보를 중앙서버로 보내고 트레이너는 그 정보를 한번에 체크해서 적절한 헬스 트레이닝 시스템을 제공한다.<br> | ||
| + | <br> | ||
| + | '''특허전략'''<br> | ||
| + | <br> | ||
| + | ◇ 운동 기구가 없는 경우(QR코드를 부착하기 어려운 경우)에도 운동 기록을 저장할 수 있는 방향으로 개발하면 좋을 듯하다.<br> | ||
| + | <br> | ||
| + | ◇ 자동 운동기록 저장을 지원하는 기구에서만 사용할 수 있으므로, 여러 운동기구를 커버할 수 있는 우리 애플리케이션이 장점을 갖는다 생각한다. 추가적으로 사용자 편의성을 추구하는 기록방식을 사용하면 가능성이 있을 듯하다.<br> | ||
| + | <br> | ||
| + | ◇ 정보들이 서버에 저장되고 다른 사람이 이 정보를 본다는 것은 부담이 될 수 있다. 이러한 부분을 고려해서 개발을 하면 가능성이 있을 듯하다.<br> | ||
| + | *'''기술 로드맵'''<br> | ||
| + | [[파일:컴통수 06.png]] | ||
| + | <br> | ||
====시장상황에 대한 분석==== | ====시장상황에 대한 분석==== | ||
2024년 12월 10일 (화) 22:16 판
프로젝트 개요
기술개발 과제
국문 : 커스텀 운동 기록 피트니스 어플리케이션
영문 : Custom exercise log fitness application
과제 팀명
컴통수
지도교수
최혁 교수님
개발기간
2024년 9월 ~ 2024년 12월 (총 4개월)
구성원 소개
서울시립대학교 수학과 2019540035 주현도(팀장)
서울시립대학교 컴퓨터과학부 2019540035 나인규
서울시립대학교 통계학과 2020580021 오제건
서론
개발 과제의 개요
개발 과제 요약
◇ 시중에는 다양한 피트니스 분야의 어플리케이션이 출시되어 있는데,그중에서 운동과 관련된 어플리케이션이 가장 사용자가 많음
◇ 운동 관련 어플리케이션 중에서도 운동 기록 기능을 가진 어플리케이션이가장 활발하게 이용되는 편인데, 그런 어플리케이션들은 사용하기에 너무 복잡하거나,기능이 제한적인 미흡한 부분이 존재함
◇ 따라서 우리는 이러한 문제를 해결할 수 있는 운동 기록 어플리케이션,더 나아가 운동을 추천까지 해줄 수 있는 어플리케이션을 개발하고자 함
◇ 이 어플리케이션을 통해 사용자들로 하여금 자신의 운동 결과를 손쉽게 기록하고,개인화된 운동 목표를 설정하며, 커뮤니티를 통해 동기부여를 받는 등종합적인 피트니스 플랫폼을 제공하는 것을 목표로 함
개발 과제의 배경
개발 과제의 배경은 다음과 같다.
◇ 쉽게 식지 않는 운동 열풍
- 코로나 펜데믹 이후로 사회적 거리두기 제도가 시행됨에 따라서 많은 사람들이실내에 있는 시간이 크게 증가하게 되면서 건강과 피트니스에 대한 관심도가 크게 증가
- 또한 건강에 대한 관심의 급증과 함께 자기 관리에도 관심도가 몰리면서,스스로 몸을 가꾸기 위해 헬스나 필라테스 등의 운동을 하는 사람들의 수가 꾸준히 증가
- 게다가 이런 자기 관리를 위한 운동 외에도, 젊은 층을 중심으로골프, 클라이밍, 테니스, 러닝 등 특정한 구분 없이 다양한 스포츠가 인기를 얻음
◇ 피트니스 어플리케이션 시장의 성장
- 운동 열풍이 지속됨에 따라 국내 피트니스 어플리케이션의 시장도 함께 성장했는데,코로나 이후로 피트니스 어플리케이션 다운로드 수 증가율이 거의 30%에 육박함
- 피트니스 어플리케이션에서도 금연, 음주, 운동, 식생활 등 다양한 분야가 존재하는데,이용자 수와 연도별 이용 경험자 증가 폭이 가장 큰 분야는 운동과 관련된 서비스임
◇ 운동 기록과 소셜라이징
- 운동하면서 과정이나 결과를 모바일 어플리케이션을 통해 기록하는 사람들의 비율이꽤나 높은 것으로 나타남
- 운동 기록을 통해 과정을 가시화하여, 계속해서 운동을 이어 나갈 수 있는 동기부여 요소를형성하고, SNS를 활용해 운동 기록이나 성과를 공유하며 서로 응원하거나경쟁 하는 모습을 쉽게 확인할 수 있음
- 그렇게 기록 공유를 통해 운동 자체를 소셜라이징의 수단으로 활용하여,이제는 운동 기록 및 공유 과정은 하나의 문화로 자리잡음
개발 과제의 효과는 다음과 같다.
◇ 자유로운 운동 기록
- 운동 횟수, 종목에 구애받지 않고 자유롭게 본인이 원하는 방식으로 운동 기록 가능
- 커스텀 가능한 UI를 통해 본인에게 적합하고 쉬운 방식으로 운동 기록 가능
◇ 운동 추천을 통해 쉬운 목표 설정
- 데이터에 근거한 합리적인 목표 설정으로 점진적인 신체적 성장 가능
- 경험하지 못한 운동 종목에 대해서도 목표를 설정하여 새로운 운동 도전 용이
◇ 무료 서비스
- 구독료가 없어도 운동 기록 및 공유할 수 있어 재정적 부담 감소
◇ 운동 공유 및 커뮤니티 형성
- 운동 정보나 방식에 대하여 쉽게 공유하고 정보를 습득
- 함께 운동하고 싶은 경우, 사람을 쉽게 모을 수 있어 운동 동기부여 제공
개발 과제의 목표 및 내용
◇ 커스텀 가능한 자유로운 형식의 운동 기록
- 운동 기록을 위한 커스텀 UI 구성을 목표로 함
- 자신에 취향에 맞게 UI 이동 및 형태 변화 가능
- 텍스트, 표, 그림 등 다양하게 조정 가능
◇ AI를 통한 운동 목표, 종목 추천
- 운동 추천 AI 구성 및 만족도 증대를 목표로 함
- 자신의 운동 목표에 맞는 운동 강도, 종목 추천
- 자신의 운동 현황에 따라 운동 강도, 종목 추천
◇ 운동 커뮤니티
- 운동 종목별 커뮤니티 개발을 목표로 함
- 카테고리 분류를 통해 운동 종목별 커뮤니티 게시
- 자유롭게 글을 쓰고 댓글을 달 수 있는 환경 조성
◇ 모임 구성 기능 제공
- 빠르고 간편한 모임 구성을 목표로 함
- 운동 종목, 구성 인원 수, 위치에 기반하여 운동 모임 구성
관련 기술의 현황
관련 기술의 현황 및 분석(State of art)
- 전 세계적인 기술현황
◇ 어플 요약
- 사용자에게 운동 기록을 입력받아, 그 기록과 체성분 정보를 활용하여 운동 루틴을 추천한다.
- 운동 루틴을 추천하는 방법론으로 Large Language Model(LLM)을 사용하고자 한다.
- 운동 기록 추천 과정에서 다양한 전문 지식을 참고할 수 있도록 한다.
◇ LLM 역사
LLM은 언어를 생성하거나 Natural Language Processing Task를 가능하도록 만든 딥러닝 모델이다.
LLM이 발전된 순서로 설명하고자 한다.
- Recurrent Neural Net(RNN)
순차적인 데이터를 처리하기 위해 설계된 신경망이다. 이전의 상태를 다음 상태에 전달하는 구조를 가지고 있기 때문에, 텍스트나 시계열, 음성 데이터 등에 주로 사용된다. 하지만, 기울기 소실 문제로 인해, 먼 과거의 정보를 효율적으로 기억하지 못하는 한계(장기 의존성 문제)가 존재한다.
- Long Short-Term Memory(LSTM)
RNN의 장기 의존성 문제를 해결하기 위해 고안된 모델이다. cell state와 3개의 게이트 구조(입 력·출력·망각 게이트)를 활용하여 이를 해결하였다. 따라서 더 긴 텍스트나 시계열, 음성 데이터에서 효과적인 성능을 보였다.
- Attention Mechanism
LSTM 및 RNN의 한계를 극복하기 위해 도입된 개념이다. 모델이 전체 시퀀스에서 특정 위치에 있는 요소를 집중해서 처리할 수 있도록 설계한 메커니즘 이며, 병렬처리가 가능하기 때문에 처리 속도 또한 향상되었다.
- Transformer
Attention Mechanism 중심으로 설계된 모델이다. Self-Attention Mechanism을 활용하여 시퀀스내 모든 요소들이 다른 모든 요소들과 얼마나 관련되어 있는지 계산한다. 이를 통해 전체적인 시퀀스 파악이 가능하며 장기 의존성 문제를 효과적으로 해결하였다. 또한, Encoder-Decoder 구조를 사용하여 시퀀스를 잘 추론(encoder)하고 생성(decoder)할 수 있다. Transformer가 발전하면서 BERT, GPT 같은 LLM 모델이 탄생했다.
◇ LLM 최근 동향
LLM 기반 모델이 최근에 어떤식으로 개발되는지 설명하고자 한다.
- Reinforcement Learning from Human Feedback(RLHF)
강화학습에 대하여 인간의 피드백을 적용해 학습하는 방법론이다. 인간의 피드백을 가지고 학습에 활용하기 때문에 더 좋은 성능을 기대할 수 있다. 이와 관련된 예시로는 GPT의 이지선다 질문과 Claude 모델이 있다.
- Direct Preference Optimization(DPO)
RLHF 방법론에서 특정 프로시저를 제거해서 Human Feedback을 사용해도 좋은 성능을 내는 모델이다. 이 방법론은 최근에 논문을 통해 알려졌으며, 이와 관련된 후속 연구가 진행될 것을 보인다.
- Multimodal
하나의 인공지능 모델이 텍스트와 이미지 데이터 등을 동시에 처리하고 이해할 수 있는 모델이다. 따라서 이미지를 가지고 텍스트로 설명하거나, 텍스트를 가지고 이미지를 만들어 낼 수도 있다. 이와 같은 모델의 예시로는 GPT-4와 DALL-E가 있다.
- 특허조사 및 특허 전략 분석
특허조사
◇ ‘운동 기록’ 관련 특허(출원번호: 10-2011-0086142)
운동 기구에 QR코드를 부착 후, 연동되는 앱을 통해 QR코드를 인식시킨 후 운동하면 그 정보가 알아서 저장되고 관리되는 특허이다.
◇ ‘기록 기반의 헬스 트레이닝 시스템 제어’ 관련 특허(출원번호: 10-2012-0052321)
사용자의 운동정보를 중앙서버로 보내고 트레이너는 그 정보를 한번에 체크해서 적절한 헬스 트레이닝 시스템을 제공한다.
특허전략
◇ 운동 기구가 없는 경우(QR코드를 부착하기 어려운 경우)에도 운동 기록을 저장할 수 있는 방향으로 개발하면 좋을 듯하다.
◇ 자동 운동기록 저장을 지원하는 기구에서만 사용할 수 있으므로, 여러 운동기구를 커버할 수 있는 우리 애플리케이션이 장점을 갖는다 생각한다. 추가적으로 사용자 편의성을 추구하는 기록방식을 사용하면 가능성이 있을 듯하다.
◇ 정보들이 서버에 저장되고 다른 사람이 이 정보를 본다는 것은 부담이 될 수 있다. 이러한 부분을 고려해서 개발을 하면 가능성이 있을 듯하다.
- 기술 로드맵
시장상황에 대한 분석
- 경쟁제품 조사 비교
내용
- 마케팅 전략 제시
내용
개발과제의 기대효과
기술적 기대효과
내용
경제적, 사회적 기대 및 파급효과
내용
기술개발 일정 및 추진체계
개발 일정
내용
구성원 및 추진체계
내용
설계
설계사양
제품의 요구사항
내용
설계 사양
내용
개념설계안
내용
이론적 계산 및 시뮬레이션
내용
상세설계 내용
내용
결과 및 평가
완료 작품의 소개
프로토타입 사진 혹은 작동 장면
내용
포스터
내용
관련사업비 내역서
내용
완료작품의 평가
내용
향후계획
내용
특허 출원 내용
내용
