kubwa

기침소리 오디오데이터를 이용한 코로나 감염여부 판단 멀티모달 모델 시작하며 이번 포스팅에서는 kubwa에서 진행한 내부프로젝트를 소개해보려고 합니다. 이 내부프로젝트는 멀티 모달리티의 활용 가능성이 대두되던 2022년, 직원들끼리 멀티모달을 공부하면서 진행한 프로젝트입니다. 어떤 데이터를 사용하면 활용도 높은 모델을 만들 수 있을가 고민하다가 COVID-19를 생각하게 되었습니다. 코로나19 팬데믹은 전 세계에 걸쳐 의료 시스템에 전례 없는 도전을 제시했습니다. kubwa는 이 위기에 맞서 혁신적인 해결책을 찾기 위해 노력했습니다. 의료 현장의 부담을 줄이고, 기존의 진단 방법의 한계를 극복하고, 더 빠르고 접근하기 쉬운 대안을 제시하는 것이 중점이 되었습니다. 즉, 더 빠르고 효율적인 코로나19 진단 방법을 개발하는 것이 목표였습니다. 문제상황 기존의 PCR 검사는 신뢰할 수 있지만, 정확성은 높으나, 결과가 나오기까지 오래 걸리고 많은 자원이 필요했습니다.또한, 검체 채취 과정이 불편하고 때로는 고통스러웠기 때문에 환자들에게 부담을 주었습니다. 대규모 검사가 필요한 상황에서는 검사소의 대기 시간이 길어지고, 검사 키트와 관련 자원의 부족 문제도 발생했습니다. 이와 더불어, PCR 검사는 고도의 기술과 전문적인 실험실 환경을 필요로 했습니다. 이로 인해 저소득 국가나 농촌 지역과 같이 의료 자원이 부족한 곳에서는 검사 진행에 어려움을 겪었습니다. 해결방법 간단하고 신속하게 코로나 감염여부를 판단하기 위해서 환자의 기침소리를 분석하는 multi-modal model를 사용해보기로 했습니다. 먼저 기침소리 오디오 데이터는 MFCC(Mel=Frequency Cepstral Coefficients) 기술을 사용하여 기침소리의 특징을 추출하고, 이를 환자의 발열상태, 근육통, 호흡기질환 여부와 같은 건강 데이터와 결합하여 코로나19 감염 여부를 예측했습니다. 이 방법은 기존 PCR 검사보다 빠르고, 의료자원이 부족한 지역에서도 효과적으로 사용할 수 있습니다. 또한, 이 모델은 대규모 검사에 있어서 검사소의 대기시간을 단축하고, 검사 키트와 관련 자원 부족 문제를 완화할 수 있는 잠재력을 가지고 있습니다. 결과 및 고도화 방안 이 프로젝트의 결과로 개발된 멀티모달 모델은 코로나19 감염 여부를 판단하는 데 95.07%의 높은 정확도를 달성했습니다. 이는 기침 소리와 건강 데이터의 결합을 통해 신속하고 효과적으로 코로나19 감염을 예측할 수 있음을 의미합니다.

인사추천시스템 시작하며 유튜브 알고리즘에 대해서 모르는 사람이 거의 없을 정도로 AI 추천 알고리즘은 널리 알려졌습니다. 그런데 추천 알고리즘은 컨텐츠 추천만 가능할까요? 사실 많은 곳에서 추천 알고리즘을 사용하고 있습니다. 대표적인 유튜브 이외에도 쇼핑몰 홈페이지나 넷플릭스 같은 OTT에서도 사용합니다. 추천 알고리즘을 회사에서 사용하고자 하면 어떻게 사용할 수 있을까요? kubwa에서는 한 회사의 의뢰를 받아 사내 인사추천 AI를 만들게 되었습니다. 과거의 기록을 바탕으로 특정 직무에 적합한 후보자를 추천해 인사이동의 참고자료를 제공하고자 합니다. 특히 인재가 성장하면서 인재관리에 어려움을 겪는 조직을 위해 인사관리에 참고자료로 활용할 수 있는 지표를 만드는 것이 이 프로젝트의 목표입니다. 문제상황 성장하는 어떤 조직이든 성공을 위해서는 적절한 인재를 적재적소에 배치하는 것이 중요합니다. 특히 승진대상자를 평가하기 위해서는 성과나 자격증 같은 정량적인 평가뿐만 아니라 성격과 프로젝트 기여도 등 정성적인 평가 모두 고려해야합니다. 하지만 조직의 규모가 커질수록 인재관리는 더욱 어려워집니다. 복잡성은 양적지표뿐만 아니라 주관적인 감정, 대인관계 등의 질적 측면도 고려해야하는데 이는 계량화하여 시스템에 통합하기 어렵습니다. 해결방법 인사추천 알고리즘을 위해 2가지 모델을 사용했습니다. 첫번째모델은 개인의 과거 프로젝트와 자격증, 경력, 대인관계 평가 및 전문성 등에 대한 데이터를 이용해 다음 인사이동에 적합한 팀을 분류하는 분류모델입니다. 두번째 모델은 분류된 팀 내에서 적합한 직책을 추천하는데 중점을 둡니다. 두번째 모델에서는 팀 내에서 중요하게 생각하는 정량적 데이터에 가중치를 두어 인재풀을 개선하도록 설계했습니다. 경력과 프로젝트 성과에 따라서 승진대상자를 추천하기도 합니다. 이렇게 만들어진 인사추천 알고리즘은 다음 인사이동에 적합한 팀과 직책을 추천하기 때문에 인사팀의 인적자원 관리에 필요한 의사결정 프로세스를 간소화하는데 도움이 됩니다. 결과 및 고도화 방안 인사추천시스템을 구현함으로써 의뢰했던 회사의 조직은 승진 및 팀 배치에 적합한 후보자를 식별하는 측면에서 인적 자원 관리 프로세스를 크게 개선할 수 있었습니다. 하지만 여전히 사람사이의 관계나 프로젝트 기여도, 사내문화 적합성 등 사람이 평가해야하는 부분이 많이 남아있기에 인사추천시스템의 결과는 참고하는 정도로만 사용할 수 있을 것 같습니다. 추후 조직의 상황이나 대인관계에 대한 데이터를 축적하고 학습한다면 좀 더 정성적인 평가가 가능해지면서 인사평가에 충분한 지표가 될 것 같습니다.