현재 전투기 부품 고장 예측을 위해 AI 기반 신경망과 예측 모델 접근법을 활용하여 잠재력 평가를 수행하고 있습니다. 하지만 AI 기술은 아직 발전 단계에 있어 완벽하지 않은 상태입니다. 이에 오늘은 AI 적용 과정에서 발생할 수 있는 한계점과 해결 과제들을 살펴보도록 하겠습니다.
AI 적용의 한계와 과제
1. 데이터 운영 파이프라인 필요
USAF 정비 데이터베이스에 대한 복잡하고 노동 집약적인 데이터 운영 파이프라인이 AI 적용 이전 단계에 필요합니다.
2. 전시 데이터 부족
AI는 전시 데이터의 희소성을 완화할 수 없어서 전시 상황 예측에 한계가 존재합니다.
3. 회귀 사건 예측의 어려움
AI는 드문 사건을 추정하는 데 어려움을 겪어서 전쟁 중 특정 상황 예측 한계가 존재합니다.
AI의 한계와 정상 포아송 모델
AI의 희귀 사건을 예측하는 데 취약한 한계가 있습니다. 신경망은 드물게 발생하는 부품 고장에 대해 0으로 예측하는 경향이 있는데, 이 경우 과대 예측이 더 안전한 선택입니다. 따라서, 정상 포아송 (stationary Poisson) 모델이 더 적합한 해결책이 될 수 있습니다.
ASM 수요 예측 및 RSP 키트 비용 절감
이 연구에서 탐구한 모든 고장 분석은 단일 창고와 단일 기지 가정에 한정된다는 점을 유의해야 합니다. 이러한 모델링 제약에도 불구하고, ASM은 여러 기지에서 수요를 예측해야 하는 더욱 복잡한 문제를 다룹니다. 이러한 과정의 대부분은 AI 보다는 운영 연구(operations research)분야에서 다루는 것이 더 적합합니다. AI는 순수한 예측 성능 관점에서 더 우수할 수 있지만, 이는 반드시 부품별 고려가 필요합니다. 예를 들어, 미 공군 (USAF)은 현재 포아송 분포 모델로 매월 10개 이상 과대 예측되는 부품들을 AI로 선별함으로써 RSP 키트 비용을 절감할 수 있습니다.
결론 및 향후 연구 방향
지속적인 개선
AI 모델의 지속적인 개선과 재훈련을 통해 RSP 예측 정확도를 향상시킵니다.
데이터 품질 향상
더 나은 데이터 수집 및 관리 시스템을 구축하여 AI 모델의 성능을 향상시킵니다.
다양한 시나리오 테스트
다양한 작전 환경과 시나리오에서 AI 모델의 성능을 테스트하여 실전 적용 가능성을 향상시킵니다.
AI 한계의 최적의 해결책인 정상 포아송 모델 관련 문의 : 02-6945-2156 / Contact us – (주)모아소프트
