← AI Solutions
데이터 분석자동화예지보전이상탐지
AI 데이터 분석·자동화 솔루션
AI Data Analysis & Automation Solution
시계열 이상탐지·분류·예측을 단일 파이프라인으로 처리하는 범용 AI 분석 엔진입니다. 설비 예지보전에서 검증된 Transformer 핵심 엔진을 LMS·ERP·광고 분석에 확장하며, 데이터 수집부터 리포트 생성까지 End-to-End 자동 파이프라인을 제공합니다.
핵심 차별점
01
범용 엔진 — 데이터 소스만 교체하면 전 도메인 적용
02
전이 학습 — 설비 예지보전에서 검증된 Transformer 엔진을 LMS·ERP·광고에 확장
03
자동화 — 데이터 수집 → 분석 → 알림 → 리포트 생성까지 End-to-End 자동
주요 기능
실시간 센서 이상탐지 + 예지보전 알림
학습자 이탈 예측 + 맞춤형 개입 추천
회원 이탈 예측 + 매출 시계열 예측
광고 이상 지출 탐지 + ROI 최적화
자동 리포트 생성 (PDF/대시보드)
실시간 알림 (Slack/이메일/웹훅)
관리자 대시보드 + Grafana 모니터링
기술 스택
AI 분석
PyTorchTransformerLSTMXGBoostProphetIsolation Forestscikit-learn
데이터 파이프라인
Apache KafkaAirflowPandasNumPySQLAlchemy
서빙/인프라
FastAPIDockerPostgreSQLRedisGrafanaAWS
아키텍처
데이터 수집센서/API/DB
→전처리정제·변환·적재
→AI 분석 엔진이상탐지/예측
→결과 처리판정·알림
→대시보드시각화/리포트
활용 분야별 분석 구성
| 활용 분야 | 입력 | 분석 방법 | 출력 |
|---|---|---|---|
| 설비 예지보전 | 센서 시계열 | Transformer + DILATE | 이상 스코어 + 고장 알림 |
| 학습 분석(LMS) | LMS 접속·학습 로그 | LSTM + Attention | 이탈 위험 학생 + 개입 추천 |
| ERP 분석 | 회원·매출·결제 | XGBoost + Prophet | 이탈 예측 + 매출 예측 |
데이터 보유·수집 현황
| 데이터 종류 | 데이터 개수 | 데이터 상세 내용 |
|---|---|---|
| 전력 설비 센서 데이터 | 168만건(활용) | AI-Hub 전력 설비 에너지 패턴 및 고장 분석 센서 (설비 10종) |
| 제조현장 열화 예지보전 | 124,263세트 | AI-Hub OHT/AGV 센서값 + 열화상 이미지 (4등급) |
| LMS 학습 로그 데이터 | 확보 예정 | 수성대학교 LMS — 접속 로그, 학습 이력, 퀴즈·시험, 과제 제출 |
| ERP 회원·매출 데이터 | 확보 예정 | 짐스컴퍼니 ERP — 회원 가입·해지, 이용권 결제, 출석, 매출 집계 |
| 광고 캠페인 데이터 | 확보 예정 | 안트라 — Facebook/Google Ads 캠페인별 노출·클릭·전환·비용, ROI |
| OULAD 학습 분석 데이터 | 32,593명 | Open University 학습자 행동 데이터 (LMS 사전 검증용) |
| Kaggle Telco Churn | 7,043명 | 통신사 고객 이탈 데이터 (ERP 사전 검증용) |
성능 검증 결과
설비 예지보전 — Transformer + DILATE 시계열 이상탐지
| Model | DILATE ↓ | DTW ↓ | TDI ↓ | F1-Score |
|---|---|---|---|---|
| Prophet (Baseline) | 0.421 | 0.312 | 0.530 | 62.3% |
| LSTM (SOTA) | 0.287 | 0.198 | 0.376 | 70.2% |
| Transformer (자사) | 0.156 | 0.102 | 0.210 | 75.7% |
| 파인튜닝 목표 | 0.120 | 0.080 | 0.160 | 82.0% |
학습 분석(LMS) — LSTM+Attention 이탈 예측
| Model | Accuracy | F1-Score | AUC-ROC |
|---|---|---|---|
| Logistic Reg. (Baseline) | 72.1% | 68.4% | 0.754 |
| Random Forest (SOTA) | 79.8% | 76.2% | 0.841 |
| 자사 LSTM+Attention | 82.4% | 79.1% | 0.872 |
| 자사(파인튜닝 목표) | 88.0% | 85.0% | 0.920 |
ERP 데이터 분석 — XGBoost 이탈 예측 + Prophet 매출 예측
| Model | 이탈 F1-Score | 매출 MAPE ↓ | 비고 |
|---|---|---|---|
| Logistic Reg. (Baseline) | 58.2% | — | 논문 기준 |
| Random Forest (SOTA) | 63.7% | — | 논문 기준 |
| 자사 XGBoost | 67.3% | — | Kaggle 사전학습 |
| 자사(파인튜닝 목표) | 75.0% | 8.5% | 수요기업 ERP |
광고 데이터 분석 — Isolation Forest + 다변량 회귀
| Model | Precision | Recall | ROI R² |
|---|---|---|---|
| Z-Score (Baseline) | 71.2% | 64.8% | — |
| Isolation Forest (SOTA) | 82.5% | 78.3% | — |
| 자사 IF+회귀 | 84.1% | 80.6% | 0.78 |
| 자사(파인튜닝 목표) | 90.0% | 87.0% | 0.88 |
도입 프로세스
1
데이터 연동센서·API·DB 연결2
파이프라인 구축전처리·적재 자동화3
모델 학습현장 데이터 파인튜닝4
대시보드 배포Grafana + 알림 설정5
운영 개시모니터링 + 리포트적용 분야
제조업 : 기계 및 장비 고장 예측
에너지 : 발전소, 풍력/태양광 설비 등 모니터링
교통 : 철도, 항공기, 자동차 부품 고장 예측
의료 : MRI, CT 등 의료장비 유지보수 최적화
IT : 서버, 네트워크 장비 고장 예측