실시간분석

5 Contents

[크브씨네마] '작전명 : 타이니어' 전이성 폐암 질환을 공략하다!! #KBSI #홀로토모그래피현미경 #범죄도시

암은 현대 의학이 해결해야 할 가장 어려운 과제 중 하나로, 특히 암세포가 원래의 위치를 벗어나 다른 장기로 퍼지는 전이 현상은 치료를 매우 힘들게 만듭니다. 한국기초과학지원연구원(KBSI)과 국립순천대학교 공동 연구진은 이러한 전이성 암을 제어하기 위해 'HO-2'라는 단백질에 주목했습니다. 연구진은 전이 과정에서 HO-2 단백질의 발현이 활발해진다는 사실을 확인했으며, 이를 암세포를 찾아내는 핵심 지표로 활용하였습니다. 이는 전이의 길목을 차단할 수 있는 중요한 과학적 근거를 마련한 것으로 평가받습니다. 연구진이 개발한 '타이니어(TiNIR)'는 표적 단백질에 반응하여 암세포를 찾아내는 것은 물론, 암의 증식과 이동을 직접적으로 방해하는 다목적 도구입니다. 이 물질이 HO-2의 활동을 저해하면 암세포 내부에 활성산소가 발생하게 되는데, 이는 세포의 주기를 방해하고 운동성을 크게 떨어뜨리는 효과를 냅니다. 결과적으로 타이니어(TiNIR)는 전이성 암세포를 선택적으로 공격하는 억제제 역할을 수행하게 됩니다. 이러한 메커니즘은 단순히 암을 발견하는 수준을 넘어, 전이 자체를 능동적으로 차단할 수 있는 새로운 가능성을 열어주었습니다. 이번 연구의 또 다른 성과는 암세포의 움직임을 실시간으로 관찰할 수 있는 3차원 홀로토모그래피 기술의 도입입니다. KBSI 이성수 박사 연구팀은 세계 최초로 이 기술을 이용해 타이니어(TiNIR)가 처리된 폐암 세포가 어떻게 변화하고 이동하는지를 정량적으로 분석하는 데 성공했습니다. 기존의 분석법과 달리 살아있는 세포의 상태를 실시간으로 추적할 수 있어, 향후 암 질환 치료제 개발에 있어 매우 차별화된 데이터를 제공할 수 있습니다. 이러한 첨단 영상 분석 기술은 차세대 항암 신약 개발의 새로운 이정표가 될 것으로 기대됩니다.

[크브씨네마] '작전명 : 타이니어' 전이성 폐암 질환을 공략하다!!  #KBSI #홀로토모그래피현미경 #범죄도시
한국기초과학지원연구원인기 업로드
  • 생명과학
  • 융합
  • 공학·기술

[KRISS 스탠다드클라스 시즌2] 제1화 첨단오페란도분석팀 편/오페란도에 대한 자세한 정보는 이 영상뿐!

현대 과학기술의 발전은 소재의 특성을 얼마나 정밀하게 파악하느냐에 달려 있습니다. 최근 주목받는 '오페란도(Operando)' 분석은 라틴어로 '동작하는'이라는 의미를 지니며, 소재나 소자가 실제로 작동하는 환경에서 실시간으로 그 변화를 관찰하는 기술입니다. 과거에는 반응이 끝난 뒤에 결과를 확인하는 사후 분석이 주를 이루었지만, 이제는 반응이 일어나는 찰나의 순간을 포착하여 소재의 활성이나 특성을 파악하는 것이 가능해졌습니다. 이러한 실시간 분석법은 연구의 패러다임을 결과 중심에서 과정 중심으로 전환하고 있습니다. 오페란도 분석은 범죄 현장의 수사 과정에 비유될 수 있습니다. 증거가 남지 않은 사건을 나중에 DNA 검사로 해결하는 것이 사후 분석이라면, 오페란도 분석은 현장에 설치된 CCTV와 같습니다. 소자가 동작하는 중간 과정을 실시간으로 들여다봄으로써 문제가 발생하는 지점을 즉각적으로 파악할 수 있기 때문입니다. 이는 신소재 개발 과정에서 발생할 수 있는 시행착오를 획기적으로 줄여주며, 연구에 투입되는 시간과 비용을 절약하는 효율적인 측정법으로 자리 잡고 있습니다. 특히 복잡한 화학 반응이 일어나는 첨단 산업 분야에서 그 가치는 더욱 빛을 발합니다. 이 기술은 우리의 일상과 밀접한 에너지 및 반도체 산업에서 중추적인 역할을 합니다. 예를 들어, 전기차 배터리가 극한의 추위에서 충전되지 않거나 화재가 발생하는 원인을 분석할 때, 실제 구동 환경과 동일한 조건에서 오페란도 분석을 진행하면 사고의 전조 증상과 근본적인 원인을 명확히 규명할 수 있습니다. 또한 국가 핵심 산업인 반도체 분야에서 소재와 부품의 자립도를 높이기 위해서도 실시간 거동 분석은 필수적입니다. 외부의 변동성에 흔들리지 않는 독자적인 기술 기반을 마련하는 데 있어 오페란도 분석은 강력한 무기가 됩니다. 한국표준과학연구원의 첨단 오페란도 분석팀은 다양한 응용 분야에서 성과를 내고 있습니다. 디스플레이의 핵심인 OLED 내부에서 전자와 에너지가 이동하는 과정을 실시간으로 측정하여 소자의 효율을 극대화하는 연구가 대표적입니다. 또한 X선을 활용해 재료의 골격이라 할 수 있는 결정 구조가 실제 작동 중에 어떻게 변하는지 분석하거나, 기존의 평면 구조를 넘어선 수직형 유연 트랜지스터를 개발하는 등 미지의 영역을 개척하고 있습니다. 이러한 노력은 차세대 전자 소자의 성능을 한 단계 끌어올리는 중요한 기틀이 됩니다. 나아가 오페란도 기술은 인간의 건강을 지키는 진단 영역으로까지 확장되고 있습니다. 2차원 소재를 활용한 초정밀 가스 센서 기술은 사람의 날숨 속에 포함된 미세한 성분들을 분석하여 특정 질병을 찾아냅니다. 천식이나 폐암과 같은 질병마다 고유하게 나타나는 가스 종을 감지하는 '바이오마커' 기술은 비침습적인 방법으로 조기 진단을 가능하게 합니다. 결과만큼이나 과정을 중요하게 여기는 집요한 분석 기술은 결국 산업의 경쟁력을 높이고 인류의 삶을 더욱 안전하고 풍요롭게 만드는 과학적 토대를 제공하고 있습니다.

[KRISS 스탠다드클라스 시즌2] 제1화 첨단오페란도분석팀 편/오페란도에 대한 자세한 정보는 이 영상뿐!
한국표준과학연구원스탠다드 클라스
  • 화학
  • 생명과학
  • 융합
  • 공학·기술

현대판 이순신 등장! 해양 방사능 감시하는 바다의 수호자들!

맛있는 생선구이를 즐기기 전, 많은 이들이 원산지와 방사능 오염 여부를 걱정하곤 합니다. 특히 후쿠시마 사고 이후 해역 방사능 감시의 중요성은 더욱 커졌습니다. 기존에는 바닷물을 직접 채취해 실험실로 옮겨 분석해야 했기에 시간과 비용이 많이 소요되었습니다. 이를 해결하기 위해 한국원자력연구원에서는 '해상 부유식 현장 방사능 분석 시스템'을 개발했습니다. 바다에 떠 있는 부표 형태의 이 장비는 15분마다 바닷물을 분석해 데이터를 전송합니다. 현장에서 실시간으로 방사능 노출 여부를 파악함으로써 우리 바다의 안전을 신속하게 확인하는 스마트 장치입니다. 부표형 장비에서 한 걸음 더 나아가, 선박에 직접 장착하여 능동적으로 방사능을 감시하는 시스템도 운영되고 있습니다. '선박 장착형 능동형 해양 방사능 감시 시스템'은 배가 이동하며 실시간으로 바닷물을 끌어올려 방사성 핵종을 탐지하는 방식입니다. 이 시스템은 선상에서 즉각적인 정밀 검사가 가능하여, 기존보다 훨씬 낮은 농도의 미세한 방사능 수치까지도 잡아낼 수 있다는 장점이 있습니다. 바닷물의 흐름에만 의존하는 고정형 장치와 달리, 선박을 이용해 광범위한 해역을 구석구석 살필 수 있어 더욱 빈틈없는 감시망을 구축하는 데 기여하고 있습니다. 최근에는 넓은 바다를 자유롭게 누비며 오염원을 추적하는 첨단 로봇 기술까지 결합되었습니다. 한국원자력연구원과 한국해양과학기술진흥원이 공동 개발한 가오리 모양의 '무인 방사능 추적 로봇'은 해상 이동형 방사선 센서를 탑재하여 넓은 해역의 오염 물질을 찾아냅니다. 기존 센서보다 크기와 무게를 획기적으로 줄였으며, 저전력 설계를 통해 자체 배터리만으로도 24시간 이상 연속 운용이 가능합니다. 이처럼 곳곳에 배치된 감시 장치와 스스로 움직이는 로봇이 형성한 촘촘한 해양 방사능 감시망은, 국민이 안심하고 식탁에 마주 앉을 수 있도록 든든한 방패 역할을 수행하고 있습니다.

현대판 이순신 등장! 해양 방사능 감시하는 바다의 수호자들!
한국원자력연구원파동이의 원연생활🔵
  • 지구환경과학
  • 공학·기술

BeeAI 공모전 교육 영상(12) - 학습모델 검증 및 평가하기 튜토리얼(214~236p)

데이터 분석의 핵심은 다양한 속성을 가진 컬럼들을 하나의 벡터로 변환하는 전처리 과정에서 시작됩니다. 벡터 어셈블러는 여러 개의 피처 컬럼을 통합하여 학습 모델이 인식할 수 있는 형태로 만들어주는 중요한 도구입니다. 컬럼 ID나 이름을 직접 입력하여 선택할 수 있으며, 특정 패턴을 가진 다수의 컬럼을 일괄적으로 추출하여 벡터화하는 기능도 제공합니다. 이러한 전처리는 단순히 데이터를 정돈하는 것을 넘어, 실제 인공지능 모델이 필드에서 정확하게 작동하기 위한 기초 토대를 마련하는 필수적인 단계라고 할 수 있습니다. BiAI 플랫폼은 인공지능 모델을 실제 운영 환경에 빠르게 배포하고 테스트하는 것을 최우선 목적으로 합니다. 실험실 환경에서 모델을 만들고 평가하는 것은 비교적 수월하지만, 실제 센서 데이터가 유입되는 필드에 적용할 때는 예상치 못한 수많은 변수가 발생하기 마련입니다. 따라서 모델의 성능이 낮을 경우 즉시 수정하여 다시 배포하고, 현장 상황에 맞춰 빠르게 프로덕션화하는 과정이 필수적입니다. BiAI는 이러한 반복적인 배포 및 검증 주기를 단축함으로써 기업들이 인공지능 기술을 실무에 효율적으로 적용할 수 있도록 돕습니다. 필드 배포가 어려운 이유는 데이터의 형태가 실험용 배치 데이터와는 근본적으로 다르기 때문입니다. 실제 환경에서는 센서에서 생성되는 가공되지 않은 로 데이터가 실시간으로 수집되며, 이를 처리하기 위해 데이터 공학자의 정교한 정제 기술이 요구됩니다. 또한 모델이 배포된 이후에도 서비스 운영자가 실시간으로 성능을 감시하고 평가해야 하는 등 복합적인 역할이 필요합니다. 이러한 과정에서 발생하는 다양한 요구사항과 잡음을 최소화하고, 수집부터 처리, 모델 관리까지 이어지는 전 과정을 통합하는 것이 바로 지능형 프레임워크의 핵심 역할입니다. BiAI 프레임워크는 배치, 스트림, 미니 배치 등 다양한 엔진을 통해 각기 다른 데이터 처리 요구사항을 충족합니다. 스트림 엔진은 센서에서 초 단위나 분 단위로 올라오는 실시간 데이터를 메모리 상에서 빠르게 묶어 이상치나 결측치를 정제하는 데 특화되어 있습니다. 반면 미니 배치 엔진은 정제된 데이터를 기반으로 피처 엔지니어링을 수행하며, 파이썬 기반의 사용자 정의 함수를 지원하여 확장성을 높입니다. 이러한 다각적인 엔진 구성은 데이터 수집부터 최종 추론 서비스까지 각 단계별 최적화된 성능과 보안, 안정성을 보장하는 밑바탕이 됩니다. 모델 개발 단계에서는 텐서플로우와 같은 외부 도구와의 원활한 연동이 중요합니다. 익스터널 엔진은 개발자가 작성한 학습 코드를 외부 환경으로 전달하여 모델을 생성하고, 완성된 모델을 리포지토리에 저장하여 체계적으로 관리합니다. 또한 스파크 ML을 활용하여 이진 분류나 회귀 모델을 만들 때 하이퍼파라미터 튜닝을 통해 최적의 모델을 자동으로 찾아주는 기능을 제공하기도 합니다. 이렇게 생성된 모델은 온디맨드 서빙 엔진을 통해 REST API 형태로 즉시 서비스화될 수 있으며, 사용자는 복잡한 구축 과정 없이 인공지능 기능을 활용할 수 있게 됩니다. 실제 사례로 강남역 교통 속도 예측 시나리오를 살펴보면 시계열 데이터 처리의 복잡성을 이해할 수 있습니다. 수많은 도로에서 시차가 발생하며 유입되는 데이터를 스트림 엔진으로 정제하고, 일정 기간의 데이터를 클라우드로 옮겨 재학습하는 워크플로가 필요합니다. 이때 파일 파이프라이터를 사용하여 시간대별로 데이터를 관리하면, 방대한 양의 데이터 속에서도 효율적으로 학습용 데이터셋을 구성할 수 있습니다. 특히 15분 후의 속도를 예측하기 위해 현재 측정값과 과거 예측값을 시프팅하여 레이블을 생성하는 방식은 시계열 분석의 실무적 노하우를 보여줍니다. 마지막으로 모델의 신뢰성을 보장하기 위해 지속적인 성능 평가와 다중 모델 검증이 이루어져야 합니다. 시계열 데이터의 경우 과거 데이터 전체에 대한 성능보다는 최신 데이터에 대한 정확도가 중요하기 때문에, 검증 데이터를 여러 구간으로 나누어 평가하는 K-폴드 방식이 효과적입니다. 만약 운영 중인 모델의 성능이 저하된다면 리포지토리에 저장된 이전 모델들과의 성능을 비교 분석하여 즉각적인 교체가 가능합니다. 이러한 체계적인 평가 도구는 인공지능 모델이 한 번의 배포로 끝나는 것이 아니라, 끊임없이 진화하며 최상의 성능을 유지할 수 있도록 관리해 줍니다.

BeeAI 공모전 교육 영상(12) - 학습모델 검증 및 평가하기 튜토리얼(214~236p)
한국전자통신연구원ETRI 클래스
  • 융합
  • 공학·기술

BeeAI 공모전 교육 영상(05) - Python 사용자 정의 함수를 활용한 데이터 처리하기(96~103p)

파이썬 UDF를 활용한 데이터 처리는 BeeAI 플랫폼의 핵심적인 기능 중 하나입니다. 이번 과정에서는 사용자가 직접 파이썬으로 구현한 로직을 도커 이미지로 변환하고, 이를 REST API 형태로 통합하여 실시간 데이터를 처리하는 실습을 진행합니다. 이 방식은 복잡한 데이터 전처리나 특수한 연산이 필요할 때 매우 유용하며, 플랫폼에서 제공하는 다섯 가지 엔진 유형 중 마지막인 '온디맨드 익스터널 서빙 엔진'을 통해 구현됩니다. 온디맨드 익스터널 서빙 엔진을 사용하려면 먼저 '파이 모듈 러너'를 설정해야 합니다. 사용자는 파이썬 코드가 저장된 폴더 경로를 지정하고, 생성될 도커 이미지의 이름과 REST API 통신에 사용할 포트 번호를 입력합니다. 이때 이미지 이름은 도커의 규약에 따라 영문 소문자만 사용해야 하며 특수문자 사용은 지양해야 합니다. 이렇게 설정된 정보는 플랫폼 내에서 자동으로 컨테이너화되어 데이터 파이프라인의 일원이 될 준비를 마칩니다. 엔진을 통해 생성된 REST API는 외부 데이터와의 통로 역할을 수행합니다. 데이터 파이프라인 상에서 처리하고자 하는 데이터를 해당 API로 전송하면, 도커 인스턴스 내부에서 사용자가 작성한 파이썬 코드가 실행되어 결과값을 반환합니다. 기본적으로 문자열 기반의 데이터가 송수신되는데, 이미지나 오디오 같은 멀티미디어 데이터의 경우 Base64 인코딩을 통해 문자열로 변환하여 처리하는 방식을 주로 사용하게 됩니다. 성공적인 배포를 위해서는 몇 가지 코딩 규약을 준수해야 합니다. 파이썬 모듈화를 위한 __init__.py 파일이 반드시 존재해야 하며, 실제 로직은 base.py 파일 내에 메인 함수 형태로 구현되어야 합니다. 또한, 코드 작성에 사용된 외부 라이브러리들은 requirements.txt 파일에 명시해야만 도커 이미지가 생성될 때 해당 패키지들이 자동으로 설치됩니다. 이러한 폴더 구조를 갖추어야만 시스템이 코드를 인식하고 서빙 환경을 구축할 수 있습니다. 이미지 회전과 같은 시각적 데이터 처리는 파이썬 UDF의 장점이 잘 드러나는 사례입니다. 스파크나 하둡 기반의 일반적인 배치 처리로는 복잡할 수 있는 작업을 파이썬의 Pillow 라이브러리를 활용하면 단 몇 줄의 코드로 구현할 수 있습니다. 입력된 이미지 바이트 스트림을 이미지 객체로 변환하고 90도 회전시킨 뒤 다시 결과값을 내보내는 로직을 온디맨드 익스터널 서빙 엔진에 탑재하면 강력한 커스텀 오퍼레이터가 완성됩니다. 실습에서는 JSON 문자열을 처리하는 시뮬레이션도 함께 진행합니다. 특정 키값을 추출하여 연산을 수행하고 결과를 반환하는 엔진을 구동하면, BeeAI 대시보드에서 실시간으로 생성된 서비스 상태를 확인할 수 있습니다. 시뮬레이터 엔진이 1초 간격으로 데이터를 REST API에 전송하면, 도커 컨테이너 내부에서 처리된 결과값이 즉각적으로 반환됩니다. 이는 데이터가 수집되고 저장되는 과정 사이에 사용자 정의 로직이 어떻게 유기적으로 개입하는지를 잘 보여줍니다. 안정적인 데이터 처리를 위해서는 시스템 환경 구성도 중요합니다. 특히 여러 개의 엔진을 동시에 구동하여 엔드투엔드 워크북을 실행할 때는 최소 8코어 이상의 CPU와 16GB 이상의 메모리가 권장됩니다. 파이썬 UDF 처리까지 포함된 복합적인 파이프라인은 자원 소모가 크기 때문입니다. 이러한 기초적인 데이터 처리 기법들을 숙지하고 나면, 다음 단계인 머신러닝 모델 학습과 GPU를 활용한 가속 서빙 단계로 원활하게 넘어갈 수 있습니다.

BeeAI 공모전 교육 영상(05) - Python 사용자 정의 함수를 활용한 데이터 처리하기(96~103p)
한국전자통신연구원ETRI 클래스
  • 공학·기술