| 초록 |
□ 연구개발 목표 및 내용 ○ 최종 목표 수학문제 풀이 가능한 딥러닝 모델개발 및 학습 데이터셋 구축 ○ 전체 내용 문맥 이해 가능하고 실제 환경에서 빠른 추론이 가능한 자연어처리 경량화 딥러닝 모델을 개발하고 더 나은 학습 생태계를 위해 수학문제 데이터셋 구축 ○ 1단계 □ 목표 수학문제 풀이 가능한 딥러닝 모델개발 및 학습 데이터셋 구축 □ 내용 문맥 이해 가능하고 실제 환경에서 빠른 추론이 가능한 자연어처리 경량화 딥러닝 모델을 개발하고 더 나은 학습 생태계를 위해 수학문제 데이터셋 구축 □ 연구개발성과 정성적 성과 (1) 기술적 측면 - 문제 해결 모델은 기존 클라우드 서비스에 탑재하여 활용 가능하며 해당 사용자가 등록한 문제에 대하여 서버에서 해결 후 답안을 제공하는 서비스를 구축함. - 광학문자인식(OCR) 기술을 결합하여 사용자가 직접 문제를 타이핑 할 필요 없이 이미지 데이터를 활용한 어플리케이션 등으로 서비스를 확대함. - 문제 해결 모델이 오답을 도출 할 경우 사용자가 직접 문제와 답을 클라우드 서비스에 제공함으로써 방대한 양의 데이터를 크라우드소싱(Crowdsourcing)으로 확보가능하며, 추가 데이터 공급으로 더욱 복잡한 문제 이해를 효율적으로 수행할 수 있는 연구 기반이 마련됨. (2) 경제적, 산업적 측면 - 문제 생성 알고리즘은 한가지 유형에 대하여 랜덤 생성 자동화를 통한 중복 없는 높은 다양성을 띔. 따라서 문제 생성에 소모되는 막대한 시간을 절감하며 문제 해결 모델에 대한 훈련 데이터셋 마련 및 데이터 증강을 가능케함. - 차후 성능이 개선된 모델 탑재 시에도 추가적인 비용이 거의 발생하지 않음. - 해당 기술은 문제 해결에 소요되는 시간 및 노동력을 효율적으로 절감 시킬절감시킬 수 있음. (3) 사회적 측면 - 문제 생성 모델과 문제 해결 모델은 “균등, 효율적 교육” 확립에 필요한 핵심 기술이며, 문제 해결을 위한 불필요한 지불(?) 절감 및 공개 인공지능?클라우드 서비스를 통한 공정한 사회적 교육 인프라를 제공. - 기술 고도화 및 확장을 위한 전문 인력 양성에 따른 취업 시장 활력 기대. - 초ㆍ중등 학습자에게 발생하는 방대한 미결(?) 문제를 모두 개별 답변 하는 것은 불가능함. 문제 해결 모델을 통해, 신속하게 답안을 제공함으로써 효율적인 학습 효과를 볼 수 있음. 정량적 성과 (1) 7가지 문제 유형에 대해 총 6,719개의 수학문제 데이터 생성 (2) 모델의 정확도(모델의 예측 값이 정답인 문제의 비중) 최고값 87.46% 달성 (3) 모델 경량화를 통해 기존 모델과 비교하여 파라미터 수 72% 축소 (4) 기존의 딥러닝 모덱 속도에 비해 20%이상 추론속도 개선 □ 연구개발성과 활용계획 및 기대 효과 수학문제 풀이 모델을 위한 학습데이터셋 생성을 통해 더 나은 학습 생태계를 구축하고 높은 정확도의 풀이 자동화를 통하여 학습자의 효율성 증대를 도모할 수 있을 뿐만 아니라 교육자의 직접적인 개입이 줄어들어 교육의 사각지대에 놓여진 학습자들의 학습격차 감소에 도움을 줄 수 있을 것으로 기대함. (출처 : 요약문 3p) |
