1910호2019.08.21.

「주간기술동향」은 과학기술정보통신부 「ICT 동향분석 및 정책지원」 과제의 일환으로 정보통신기획평가원(IITP)에서 발간하고 있습니다.

「주간기술동향」은 인터넷(http://www.itfind.or.kr)을 통해 서비스를 이용할 수 있으며, 본 고의 내용은 필자의 주관적인 의견으로 IITP의 공식적인 입장이 아님을 밝힙니다.

정보통신기획평가원의 「주간기술동향」 저작물은 공공누리 “출처표시-상업적 이용금지” 조건에 따라 이용할 수 있습니다. 즉, 공공누리의 제2유형에 따라 상업적 이용은 금지하나, “별도의 이용 허락”을 받은 경우에는 가능하오니 이용하실 때 공공누리 출처표시 지침을 참조하시기 바랍니다.(http://www.kogl.or.kr/info/license.do 참고)

예시) “본 저작물은 ‘OOO(기관명)’에서 ‘OO년’ 작성하여 공공누리 제O유형으로 개방한 ‘저작물명(작성자:OOO)’을 이용하였으며, 해당 저작물은 ‘OOO(기관명), OOO(홈페이지 주소)’에서 무료로 다운받으실 수 있습니다.”

1910호

기획시리즈 2미디어 콘텐츠, 스마트화를 위한 역동적 진화

[김광제/한양사이버대학교]

Ⅰ. 서론

Ⅱ. 4차 산업혁명, 기술과 미디어 콘텐츠 스마트화

Ⅲ. 결론

ICT 신기술 13AI와 융합을 위한 차세대 디바이스 기술 동향

[임태규·박재웅/삼성전자 외]

Ⅰ. 서론

Ⅱ. 차세대 디바이스와 AI 융합기술

Ⅲ. AI 융합을 위한 차세대 디바이스 산업 현황

Ⅳ. 결론

ICT R&D 동향 28딥러닝 기반 초해상도 영상 생성 기술

[이승용/포항공과대학교]

기계학습 모델 기반의 음성을 이용한 파킨슨병 진단

[윤희용/성균관대학교]

주간기술동향 2019. 8. 21.

2 www.iitp.kr

*

I. 서론

미디어 콘텐츠 영역에서 혁신이라 불렸던 신기술의 등장 시기는 미디어 환경의 변화를 진단하는 시점과 거의 일치한다. 그간 새로운 혁신기술이 추구했던 방향성은 의문의 여지없이 ‘스마트함’을 구현하는 것이었다. 그리고 이 방향성은 더욱 강화되고 있으며, 여전히 진행형으로 존재하고 있다.

* 본 내용은 김광제 교수(☎ 02-2290-0443, gwangjae.k@gmail.com)에게 문의하시기 바랍니다.** 본 내용은 필자의 주관적인 의견이며 IITP의 공식적인 입장이 아님을 밝힙니다.

방송영상 콘텐츠 영역에서 혁신기술에 대한 적극적 수용과 이에 따른 변화가 본격화된 것은 1990년대 중반 이후 디지털화가 가속화되면서부터이다. 미디어 콘텐츠를 차별화된 방식으로 진화시키는 다양한 기술이 대거 등장하면서, 다른 어떤 영역보다도 혁신적 문화를 적극 수용하는 풍토가 자리하게 되었다. 우리는 이 과정에서 스마트화를 이끌었던 혁신적 기술과 서비스를 직접 체험하며 익숙해졌다. 그리고 이제는 일상이 되어버린 기술과 서비스를 적극 소비하고 있다. 하지만, 일부 영역에서는 기반 환경이 다소 미비해 단순히 실험적 수준에 머물렀던 기술과 아이디어도 존재한다. 2019년 미디어 콘텐츠 시장과 산업은 또 한 번의 큰 변화를 예고하고 있다. 기반 환경이 달라지고 있기 때문이다. 본 고에서는 기술혁신과 시장의 추동에 의해 전환기를 맞게 될 방송영상 콘텐츠 시장의 움직임을 살펴보고, 이를 토대로 향후 전개될 혁신적 콘텐츠 시장을 전망해 보고자 한다.

chapter 1

미디어 콘텐츠, 스마트화를 위한 역동적 진화

•••김광제 ‖ 한양사이버대학교 교수

기획시리즈

방송·스마트미디어콘텐츠

정보통신기획평가원 3

1990년 이전 대중화된 미디어 콘텐츠의 대명사는 방송 콘텐츠였다. 방송 콘텐츠의 전

달방식은 일방적이었다. 생산 및 공급자였던 플랫폼사업자가 일방적으로 각 가정으로 콘

텐츠를 송신하고, 이를 개별 가정의 TV수상기가 받아서 시청자들이 콘텐츠를 이용하는

방식이었다. 방송 콘텐츠의 한계는 곧 기술의 한계였으며, 콘텐츠를 주고받는 모든 구조는

일방향적 틀에서 벗어나지 못하고 있었다.

변화의 계기는 방송 콘텐츠의 디지털화에서 비롯되었다. 모든 것이 디지털화될 수 있다

(Being Digital)는 가능성이 제시되기 시작하면서부터이다. 제작환경이 달라졌으며, 시청

자와 소통할 수 있는 방식에 변화가 일면서 채널의 한계들이 극복되기 시작했다. 아날로그

환경과 비교할 때, 동일 품질의 방송 콘텐츠와 서비스를 몇 배 더 많이 제공할 수 있는

다채널 환경에서 품질 높은 콘텐츠 공급이 이루어지는 과정을 겪었다. TV 수상기가 기술

적으로 고화질 경쟁을 본격화하기 시작한 것도 이 시점이다.

2000년 이후 플랫폼의 변화도 급격히 이루어졌다. 지상파방송 중심의 단순 시장은 다양한 형태의 기술에 기반을 둔 유료방송 플랫폼들로 새롭게 재편되었다. 2002년 위성방송, 2004년 디지털멀티미디어방송(Digital Multimedia Broadcasting), 2008년 IPTV에 이르기까지 변화는 매우 신속했다. 플랫폼의 다양화에 따라 콘텐츠 영역에서도 주목할 만한 변화를 모색하는 움직임들이 등장했다. 일방향적 틀을 벗어나는 양방향 콘텐츠를 시도하는 움직임들이었다. 시청자와 상호작용이 가능한 방송 콘텐츠, 통신 서비스와 결합된 방송 콘텐츠, 몰입감을 극대화할 수 있는 3D 콘텐츠, 시청자 기호에 맞춰진 맞춤형 콘텐츠 등은 실험적 방송 콘텐츠를 대변하는 대표적 키워드들이었다. 그러나 아쉽게도 이 가운데 상용화에 있어서 명확하게 성공이라는 이름을 내걸 만큼 성과를 거둔 영역은 그다지 많지 않다. 여전히 실험적 시도를 지속하는 가운데, 혁신적 콘텐츠는 미래 어느 시점 도달해야 할 목표처럼 여겨졌다. 디지털화 이후 방송 플랫폼의 성공과 변신에 비하면, 콘텐츠 영역의 발전은 다소 더뎠던 것으로 보인다.

II. 4차 산업혁명, 기술과 미디어 콘텐츠 스마트화

그러나 2019년은 방송영상 콘텐츠의 변화라는 관점에서 보더라도 과거와는 분명 달라

보인다. 그 이유는 디지털화가 촉발했던 시기만큼 큰 변화를 조심스럽게 예측해 볼 수

주간기술동향 2019. 8. 21.

4 www.iitp.kr

있는 탓이다. 방송 콘텐츠 혁신의 키워드로 꼽히는 5G(Fifth Generation), 인공지능, 빅

데이터, 블록체인 등의 기반 기술이 방송 콘텐츠 영역으로 빠른 속도로 스며들고 있기

때문이다. 이른바 4차 산업혁명이라 불리는 사회의 급격한 변화와 발전이 촉발되는 환경

이 도래하고 있는 것이다. 이러한 변화를 야기하고 있는 혁신기술들은 사회적으로 그리고

기술적으로 주목받으면서, 방송 콘텐츠 산업계에 조용히 그러나 깊숙하게 파고들고 있다.

기존 콘텐츠의 한계를 뛰어넘는 제작환경이 마련되고, 이용자의 니즈에 부합하는 콘텐츠

를 제공하는 서비스가 등장하는 등 과거와는 사뭇 다른 미디어 환경이 구축되고 있다.

혁신을 적극적으로 수용하고, 관련 서비스를 개발하기 위한 시장 그리고 산업 내부의 경쟁

이 가시화되는 것은 자연스러운 현상이 되고 있다.

1. 가능성의 문을 열어젖힌 5G

통신 업계는 2019년을 미디어 콘텐츠 시장의 중요한 변곡점이 될 것으로 전망하고 있다. 그 이유는 차세대 무선 네트워크인 5G의 보급 및 확산이 본격화될 것으로 판단하고 있기 때문이다[6]. 이는 콘텐츠의 수신품질이 기존보다 월등한 수준으로 개선되어 이용자들의 콘텐츠 활용도가 과거와는 비교할 수 없을 정도로 극대화될 수 있다고 보는 시각에서 비롯된 것이다.

현재 이용자 대다수가 활용하고 있는 4G에 비해 5G가 갖는 가능성을 생각해 보면, 그 의미는 보다 명확해진다. 5G는 속도 면에서 20배 이상 빠르다. 영화 콘텐츠 한편을 받는데 걸렸던 시간이 4G 환경에서 16초였다면, 5G에서는 0.8초에 불과하다. 끊김 없는 안정된 환경은 덤이다. 그렇다면 다음과 같은 가능성이 곧 현실이 될 수 있다. 360도 영상, 양방향 콘텐츠, 증강현실 그리고 가상현실 모두 대역폭과 속도의 한계를 극복하고, 우리 곁에 다가서는 상용 서비스로 자리할 수 있다는 의미이다[2],[6]. 과거 이러한 서비스들이 아이디어 수준에 머물렀던 이유는 5G와 같은 앞선 통신환경을 비롯한 다양한 기반환경이 구축되지 못했던 탓이다. 과거 360도 영상, 양방향 콘텐츠, 증강현실 등의 콘텐츠는 다루기에 힘겨웠고, 이용하려 해도 활성화되지 못한 탓에 시장의 콘텐츠 제작 및 공급은 턱없이 부족했다. 미디어 콘텐츠를 제작하고 유통하는 과정에서 고려해야 할 내용들이 획기적으로 바뀌고 있는 셈이다.

이동통신 3사 모두 5G를 경쟁적으로 도입하고, 서비스에 나서고 있다. 비록 여물지

방송·스마트미디어콘텐츠

정보통신기획평가원 5

않은 서비스로 인해 일부 소비자들로부터 비판을 받는 부분도 있지만, 이동통신사들은

5G가 가져올 변화와 가능성에 주목하고 있다. 과거 실험적 수준에 머물렀던 VR, AR 콘텐

츠 영역은 가장 주목받는 영역으로 꼽힌다. 각 사의 움직임을 살펴보면, KT는 VR 콘텐츠

가 소비자들에게 새로운 서비스가 적극 수용되도록 할 촉매역할을 할 것으로 보고, 이

분야에 큰 공을 들이고 있다. 특히, VR 유형 가운데 공간 기반의 VR 사업에 힘을 쏟고

있으며, 이를 통해 경쟁사업자와의 차별화를 시도하고 있다. LG유플러스 역시 VR 콘텐츠

에 공을 들이기는 매한가지다. 다만, 서비스 활성화의 방식을 한류스타를 활용한 콘텐츠

제작으로 잡고 있다. LG유플러스는 VR 전용 플랫폼과 유튜브에서 자신들이 선점한 콘텐

츠를 독점 제공할 계획이다. VR 전용 플랫폼은 2019년 2월 출시되었다. 현재 “태양의

서커스”라는 세계적 수준의 공연을 360도 영상으로 만들어 제공하고 있다. 이밖에도 스포

츠, 애니메이션, 드라마 등과 LG유플러스가 그간 자체 제작 혹은 지원해 왔던 오리지널

콘텐츠 등이 제공될 것으로 예상된다[6]. 더불어 스포츠 중계 분야에서도 360도 VR 생중

계를 통해 일반 방송 중계 화면이 담지 못하는 현장의 감각을 고스란히 안방의 시청자들에

게 전달할 계획을 갖고 있다. SK텔레콤은 자사가 확보한 콘텐츠 및 서비스 플랫폼을 확대

해 시장영향력을 키우려 하고 있다. SK브로드밴드의 OTT 서비스 ‘옥수수’와 국내 지상파

방송사 3사 연합으로 구성된 OTT 서비스 ‘푹(Pooq)’을 통합하는 업무협약체결(MOU)을

맺은 것도 시장 확장 전략의 일환으로 풀이된다. CES 2019에서는 미국 최대 지상파 방송

사인 싱클레어(Sinclair)와 합작회사를 설립할 계획을 발표했는데, 이 역시 같은 맥락이다

[6]. 5G의 변화는 언뜻 통신영역에 국한되는 것처럼 보이지만, 결코 통신망을 통한 미디어

콘텐츠 서비스에 한정되지 않는다. 통신과 방송의 경계는 사실상 무의미하다. 미디어 콘텐

츠 혁신은 주로 기술 기반이 강한 통신영역에서 먼저 제시되고 있을 뿐이다. 혁신기술과

서비스는 방송 콘텐츠 영역의 변화도 동시에 적극 추동하고 있다.

넷플릭스의 양방향 콘텐츠 활용은 적절한 예가 될 수 있다. 넷플릭스는 2018년 12월

<블랙미러: 밴더스내치(Black Mirror: Bandersnatch)>라는 제목의 양방향 영화 콘텐츠

를 공개했다. <블랙미러: 밴더스내치>는 아마추어 게임 개발자가 비디오 게임을 만드는

과정에서 가상과 현실의 경계가 허물어지는 초현실적 상황에 빠지는 내용을 다루고 있다.

<블랙미러: 밴더스내치>의 시작은 2011년이었다. 이후 4개의 시즌으로 이어져 오다,

2018년 말 전작과는 달리 시청자가 직접 스토리를 선택할 수 있는 새로운 형식으로 영화

주간기술동향 2019. 8. 21.

6 www.iitp.kr

를 제작했다. 시청자의 선택이 결말에 영향을

미치는 만큼 이 영화의 플레이 타임도 전부 제

각각이다. 여러 선택지를 재차 재생하다 보면

각 선택지에 따른 완성도의 차이도 나타난다.

최종 엔딩을 보기 전에는 플래시백을 통해 끊

임없는 선택을 할 수 있어 시청 시간이 최소

40분부터 최대 5시간까지 다양하다. 그럼에도

불구하고 영화는 시청자와 상호작용을 통해 강력한 몰입감과 희열을 느끼게 한다[8]. 넷플

릭스의 실험적 콘텐츠 제작 및 배포 역량은 향후 더욱 강화될 것이다. 우리의 안방극장을

노크할 혁신적 콘텐츠는 더욱 늘 수밖에 없음을 짐작하게 한다.

2. 인공지능과 빅데이터, 미디어 콘텐츠 큐레이션

인공지능 기술과 방송 콘텐츠를 연결 짓는 것은 여전히 익숙하지 않다. 상관성을 찾기가 쉽지 않아 보이는 탓이다. 그러나 실상은 전혀 다르다. 우리가 인지하지 못하는 사이, 4차 산업혁명의 핵심으로 여겨지는 인공지능과 빅데이터 기술은 미디어 콘텐츠 산업에 상당히 깊숙이 자리하고 있다. 그리고 미디어 콘텐츠 큐레이션 영역을 주도하고 있기도 하다.

콘텐츠 큐레이션은 빅데이터의 수집·관리·분석과 관련한 기술의 발전에 힘입은바가 크다. 여기서 빅데이터란 디지털 시대에 접어들면서 나타난 새로운 데이터 형태를 말하는 것이 아니다. 빅데이터는 대용량의 데이터가 수집, 분석될 수 있는 컴퓨팅 파워가 개선되면서 등장한 용어로, 컴퓨터로 분석될 수 있는 대용량의 데이터를 관념적으로 지칭하는 용어이다[5]. 최홍규(2015)는 이러한 빅데이터를 사업적 목적으로 수집하고 가치를 창출해 내는 대표적 영역이 바로 콘텐츠 큐레이션 서비스 영역이라고 할 수 있다고 주장하였으며, 최근에는 모바일 애플리케이션의 콘텐츠를 분석하고 노출시키는 앱 인덱싱(app indexing)1) 기술까지 등장하고 있다고 밝히고 있다. 미디어 콘텐츠의 핵심은 결국 빅데이터 기술에서 비롯되었으며, 콘텐츠 큐레이션 비즈니스의 토대가 바로 4차 산업혁명의

1) 안드로이드 4.4(코드명 킷캣)에 포함되어 있는 기능으로, 구글 모바일 검색 결과와 앱의 특정 콘텐츠를 서로 연결해준다. 앱 안에 있는 콘텐츠도 구글의 검색에서 노출시켜주고 웹페이지가 아닌 특정 앱을 실행시켜 내용을 보여준다. 다만, 모바일 개발자들이 앱 인덱싱에 노출되기 위해서는 ‘딥링크(deeplink)’를 지원하도록 앱을 추가 개발해야 하고 관련 웹페이지가 존재해야 한다는 부담이 있다[8].

[그림 1] 넷플릭스 영화 홍보 포스터

방송·스마트미디어콘텐츠

정보통신기획평가원 7

핵심기술임을 짐작할 수 있다.콘텐츠 큐레이션에 기반한 비즈니스는 다양화되고 고도화되고 있다. 현재 시청 중인

콘텐츠의 의미정보를 시각화하여 부가 정보나 맞춤광고 등을 제공하는 서비스나, 주변

시청자의 콘텐츠 관계정보를 기반으로 다양한 형태의 장면 추천이나 검색 혹은 장면 간

큐레이션 서비스는 우리에게 이미 제법 익숙해졌다. 그리고 이러한 서비스 이면의 기술은

모두 인공지능과 빅데이터 알고리즘에 의해 구현되고 있다[2].

보다 구체적인 예는 IPTV 등 VOD를 제공하는 플랫폼사업자의 서비스에서 찾을 수

있다. 잠시 우리의 기억을 더듬어보면, 각 가정에서 IPTV를 시청하면서, 시청시간, 요일,

시청하는 콘텐츠의 특성 등 다양한 정보분석에 기반하여 우리가 처한 환경에 걸맞는 추가

적인 콘텐츠 정보 혹은 광고 등이 팝업처럼 튀어나와 제시된 경험들을 떠올릴 수 있을

것이다. 어떻게 시청자의 시청패턴을 이해하고, 그에 맞는 콘텐츠를 제공했을까에 대해

생각하게 된다. 이 과정이 바로 미디어 콘텐츠 큐레이션에 기반한 서비스라고 할 수 있다.

글로벌 미디어 콘텐츠 플랫폼 넷플릭스와 유튜브는 이 분야에서 선두주자이다. 넷플릭

스의 성장요인을 콘텐츠 큐레이션에서 찾는 이도 있을 정도이다. 넷플릭스에 신작이 입고

되면 내부의 콘텐츠팀이 해당 콘텐츠를 일일이 감상한 후, 엑셀 스프레드시트에 해당 콘텐

츠와 관련이 있다고 생각되는 태그를 최대한 많이, 그리고 자세히 입력한다. 그 뒤 넷플릭

스를 처음 이용하는 사용자들은 콘텐츠 3개를 선택하는데, 이 콘텐츠들에 붙은 태그를

바탕으로 컴퓨터 알고리즘이 사용자 취향에 맞는 콘텐츠를 찾아 노출시킨다. 이후 사용자

가 콘텐츠를 많이 감상할수록 결과의 정확성은 높아진다. 그들이 선보인 큐레이션 서비스

는 전 세계 수억 명의 빅데이터를 분석하고, 다시 세분화된 지역 서비스 사용자의 콘텐츠

이용 패턴 그리고 개별 이용자의 콘텐츠 소비 이력을 모두 복합적으로 파악하여 제시하고

있을 정도다.

유튜브 역시 콘텐츠 큐레이션을 접목한 다양한 기능과 서비스를 제공하고 있다. 유튜브

는 동영상 콘텐츠에 대한 이용자들의 이용 패턴에 맞춰 실시간 동영상, 인기 음악 트랙,

최신 동영상(스포츠, 게임 등), 맞춤 채널 등의 서비스를 첫 화면에 제시함으로써 이용자의

활용 편의를 돕는다. 동영상 노출의 우선순위는 이용자가 어떠한 주제를 얼마나 많이 소비

했는가가 데이터로 축적되어 개별 이용자 정보로 쌓이고 이것이 동영상 큐레이션에 활용

되는 방식이다. 이른바 이용자 소비 패턴 분석에 따른 영상 콘텐츠 큐레이션 서비스가

주간기술동향 2019. 8. 21.

8 www.iitp.kr

제공되는 것이다. 그러나 이 서비스는 동영상 콘텐츠에 국한되지 않는다. 채널 역시 콘텐

츠 큐레이션의 주요 내용이 된다. 이용자들이 동영상 채널을 구독하게 되면 이러한 정보들

을 통해 사람들이 많이 선택한 채널이 검색결과의 상위에 랭크된다. 또한, 이용자가 다수

의 콘텐츠를 모아 채널을 구성할 경우에도 해당 동영상 내용이 분석되어 해당 동영상 콘텐

츠가 얼마나 많이 공유되고 활용되었는지를 알 수 있다[5].

우리 일상에 이미 깊게 스며든 미디어 콘텐츠 큐레이션이 주목받는 이유는 간명하다.

콘텐츠의 범람 속에서 최적의 맞춤형 서비스를 이용자에게 제공하기 때문이다. 이용자의

미디어 이용 패턴을 분석한 데이터에 기반하여 생산된 맞춤형 미디어 콘텐츠는 이용자의

콘텐츠 수요 및 소비를 더욱 자극한다. 이용자 그룹은 콘텐츠 큐레이션 서비스에 자극받

고, 이는 능동적 수요 창출로 이어지기도 한다[3]. 이용자는 미디어 콘텐츠 큐레이션 서비

스를 이용하여 자신의 기호와 취향에 적합한 미디어 콘텐츠를 범람하는 정보의 홍수 속에

서 보다 쉽게 탐색할 수 있게 되었다. 플랫폼 사업자들이 제공하는 큐레이션 서비스는

이용자로 하여금 품질이 떨어지는 미디어 콘텐츠를 사전에 배제할 수 있도록 해준다. 이용

자의 취향을 확인한 큐레이션 서비스는 콘텐츠의 질적 수준을 큐레이션 알고리즘에 포함

[그림 2] 넷플릭스 화면 캡처 [그림 3] 유튜브 화면 캡처

방송·스마트미디어콘텐츠

정보통신기획평가원 9

시켜 지속적 진화를 거듭하고 있다[2],[3],[5].

3. 블록체인에 의한 방송콘텐츠 난제 해결

미디어 콘텐츠 산업분야가 보이는 경제적 속성을 거론할 때, 일반적으로 제시되는 특성

은 공공재화적 속성 그리고 ICT 경제가 보이는 특징인 비배제성(비용을 지불하지 않더라

도 소비에서 배제되지 않는 특성), 비경합성(함께 재화를 사용해도 소비를 위한 경쟁을

하지 않는 특성), 네트워크 효과(Network effect, 특정 재화를 사용하는 이용자가 늘면

늘수록 이용자들이 느끼는 가치가 증가하게 되는 효과), 잠김효과(Lock-in effect, 현재

사용하고 있는 재화가 주는 만족감에 갇혀, 더 뛰어난 상품이 나와도 이용자가 소비전환을

하지 않는 현상) 등이다. 이는 여타의 산업과 미디어 콘텐츠 분야를 구분 짓는 경계로

인식되기도 한다.

그러나 한편으론 이 특성들로 인해 기존사업자에게 유리한 독과점 산업구조가 자연스럽게 형성되는 문제를 안게 된다는 지적이 제기되고는 했다. 미디어 산업 분야의 수익배분의 불균형, 불공정 계약 문제 등이 해묵은 산업적 난제로 여겨지는 이유이다. 거대 시장지배적 사업자가 플랫폼과 콘텐츠사업을 수직계열화함으로써 미디어 산업 전체를 통제하기 때문에 이윤의 독점과 불공정한 수익배분, 사업자간 불공정 거래, 부당노동 및 비정규직의 양산 등의 부정적인 결과를 초래하게 된다는 점도 문제점으로 지적되어 왔다[1]. 미디어 콘텐츠 시장의 난제로 여겨졌던 오랜 화두들이 블록체인의 등장으로 새로운 국면을 맞고 있다. 많은 산업계 종사자들, 특히 신규 시장 진입을 준비하는 스타트업들은 블록체인 기술을 활용하게 되면, 미디어 콘텐츠 생산자가 중재자(플랫폼 사업자) 없이 소비자와 직거래가 가능해진다. 이는 포털과 같은 지배적 플랫폼 사업자 및 광고주에게 돌아가는 일정한 수수료 및 거래비용을 줄일 수 있어 생산자와 소비자에게 편익이 돌아갈 수 있도록 하기 때문에 산업 전반에 걸쳐 새로운 수익원의 창출, 공정계약과 거래방식의 확립 등 시장구조를 시장 참여자들의 이해관계에 맞게 재편할 수 있을 것으로 기대하게 한다[1],[7].

영상공유 플랫폼인 디튜브(Dtube, https://d.tube/)는 영상을 게시하면 영상뿐만 아니

라 영상에 대한 모든 반응을 블록체인 상에 기록하여 왜곡을 방지한다. 광고 없이 동영상

게시, 공유, 댓글 등록 등을 통해 보상을 받는다. 검열 없이 사용자의 업보트(up-vote)와

다운보트(down-vote)에 의한 자체 정화 시스템을 지향한다. 서비스 관리자의 의지대로

주간기술동향 2019. 8. 21.

10 www.iitp.kr

특정 콘텐츠를 관리할 수 없도록 설계되어 생산자에게 공정한 기회를 제공하고자 한다[7].

테타(Theta, https://www.thetatoken.org/)는 “탈중앙화된 비디오 스트리밍”이 목표

인 블록체인 기반의 동영상 스트리밍 플랫폼으로 실시간 방송과 VOD 서비스를 제공한

다. 이용자는 콘텐츠에 대한 피드백으로 토큰을 보상으로 받는다. 생산자에게는 인센티브

시스템을 통해 해당 구독자의 충성도가 높을수록 프리미엄(유료) 콘텐츠를 제공하여 생산

자의 수익성을 높이고 있다[1],[4].

글로벌 미디어 유통 플랫폼인 디센트(DECENT, https://decent.ch)는 블록체인 기술

을 바탕으로 하고 있다. 지난 2016년 11월 DCT라 불리는 암호화폐를 발행했다. 암호

화폐 발행 후, 디센트는 2017년 6월 시장에 본격적으로 선을 보였는데, 현재 글로벌 미디

어 유통 플랫폼 가운데 암호화폐 거래량이 압도적으로 많다. 미디어 산업의 투명성과 공정

성 확대, 그리고 창의적 콘텐츠 산업의 민주화 추구를 목적으로, 디센트는 암호화와 보안

성, 콘텐츠 유통시스템, 제3자의 제거, 새로운 온라인 퍼블리싱 방법 등을 모색하고 있다

[1],[4].

블록체인 기술을 활용한 미디어 콘텐츠 영역의 활용사례는 이밖에도 많다. 그리고 그

활용 양상은 기하급수적으로 증가하고 있다. 앞선 사례에서도 알 수 있듯이, 블록체인 기

술은 그간 콘텐츠 산업이 골머리를 앓아왔던 난제들을 해결하는 솔루션으로 기능하는 측

면이 강하다. 콘텐츠의 생산, 유통, 수익배분 등의 영역에서 갈등을 빚어왔던 사안들에

[그림 4] 영상공유 플랫폼 디튜브(左), 비디오스트리밍 서비스 테타(中), 미디어유통플랫폼 디센트(右)

방송·스마트미디어콘텐츠

정보통신기획평가원 11

대해 이른바 공정성과 형평성을 확보할 수 있는 방식을 제공하고 있는 것이다. 그간 수많

은 연구와 제도개선을 통해 해결하고자 했던 쟁점들이 미디어 콘텐츠 비즈니스 환경 변화

를 촉발시키고 있는 블록체인 기술에 의해 자연스럽게 해소되고 있는 셈이다. 다소 시간이

필요하겠지만, 이러한 긍정적인 변화들은 결국 산업과 시장 전반에서 수용될 가능성이

매우 높아 보인다.

III. 결론

미디어 콘텐츠, 특히 방송영상 콘텐츠 영역은 기술적 변화를 가장 빨리 수용하고, 모색

하는 분야 가운데 하나이다. 대중화된 기존 미디어 환경은 탄탄한 기술 중심의 시장을

형성해 왔고, 이는 새로운 기술과 실험적 시도들이 접목되기에 용이한 구조를 취하고 있

다. 4차 산업혁명을 불러 일으키고 있는 혁신기술들이 잠재적 수준에 머물던 다양한 미디

어 콘텐츠를 우리 곁에 다가서게 하고 있는 것도 바로 이 때문이다.

미디어 콘텐츠 영역이 과거와 전혀 다른 양상으로 발전되고 전개될 것이란 점은 의심의

여지가 없다. 그리고 그 속도 역시 매우 가파를 것이다. 미디어 콘텐츠의 생산 및 유통

그리고 소비 영역에서 일고 있는 급격한 변화는 이제 더 이상 낯설지도 않다. 그러나 변화

는 여기에서 그치지 않을 것이다. 최종 소비자의 만족을 극대화하기 위한 기술과 서비스가

야기할 변화들은 예측이 쉽지 않을 정도이다. 미디어 콘텐츠 시장과 산업을 재단했던 기존

의 통념이 더 이상 유효하지 않은 방식이 될 가능성이 큰 탓이다. 스마트함을 극대화하는

방식으로, 변화는 다시 한 번 성큼 다가설 것이며, 우리는 그 변화의 중심에 선 소비자가

될 가능성이 농후해 보인다.

[ 참고문헌 ]

[1] 사이버커뮤니케이션학회, “블록체인 기술의 미디어산업 활용방안 연구”, 연구보고서, 2019.[2] 손정우, 김선중, “스마트 방송서비스를 위한 방송 콘텐츠 분석 기술동향”, ETRI, 전자통신동향분석

31권 3호 2016. 6.[3] 심홍진, “4차 산업혁명 시대, 미디어 콘텐츠의 생존전략”, 정보통신정책연구원 프리미엄리포트, 2017.[4] 유경한, “블록체인 미디어의 현재와 미래“. 방송과 미디어 제23권 3호, 2018, pp.56-67.[5] 최홍규, “콘텐츠 큐레이션“, 서울:커뮤니케이션북스, 2015.

주간기술동향 2019. 8. 21.

12 www.iitp.kr

[6] 한국방송통신전파진흥원, “이동통신사업자의 5G 콘텐츠서비스 동향”, 트렌드리포트, 2019.[7] 한국정보화진흥원, “지능화 연구 시리즈 - 블록체인으로 인한 서비스 플랫폼의 변화”, 2017.[8] 전자신문, “'밴더스내치'가 보여준 인터랙티브 미디어의 길”, 2019. 5. 12.[9] IT동아, “[넷플릭스 랩스데이] 넷플릭스 추천 시스템의 비밀: ’노가다’와 ’머신러닝’”, 2016. 3. 21.

ICT 신기술

정보통신기획평가원 13

1)

I. 서론

차세대 디바이스는 웨어러블, IoT(Internet of Things), AR(Augmented Reality),

AI(Artificial Intelligence) 디바이스 등 다양한 형태로 발전하고 있다. 특히, AI는 딥러

닝(Deep Learning) 모델을 기반으로 이미지, 자연어 등 시퀀셜(Sequential)한 데이터

처리에서 혁신적인 성능 향상을 이루어내 다양한 산업 분야로 확산되고 있다.

차세대 AI 디바이스는 딥러닝 모델을 학습시키고 추론하기 위해서 강력한 GPU(Graphic

Processing Unit) 기반의 컴퓨팅 파워를 필요로 한다. 이를 위해 실제 서비스 환경에서는

강력한 컴퓨팅 파워를 가진 서버를 중심으로 한 클라우드 인프라가 요구된다. 하지만 이러

한 클라우드 인프라는 몇 가지 문제점을 갖고 있다. 첫째, 수많은 IoT 디바이스에서 나오

는 빅데이터가 네트워크 트래픽을 폭발적으로 증가시킨다는 점이다. 이는 필연적으로 네

트워크 환경을 악화시키고 성능 저하를 유발한다. 둘째, 엔드포인트(Endpoint)에 있는

디바이스에서 퍼스트 마일(First Mile)에 있는 클라우드 서버까지 데이터를 송/수신하기

위한 네트워크의 물리적 거리로 인한 성능 저하 문제이다. 라스트 마일(Last Mile)에서

* 본 내용은 임태규 선임연구원(☎ 070-4872-6200, lswsjw@gmail.com))에게 문의하시기 바랍니다.** 본 내용은 필자의 주관적인 의견이며 IITP의 공식적인 입장이 아님을 밝힙니다.

chapter 2

AI와 융합을 위한 차세대 디바이스 기술 동향

•••임태규 ‖박재웅 ‖

삼성전자 선임연구원현대오토에버 대리

ICT 신기술

주간기술동향 2019. 8. 21.

14 www.iitp.kr

처리되는 데이터와 퍼스트 마일에서 처리되는 데이터는 동일한 처리속도를 갖더라도, 응

답속도에서 차이가 발생할 수밖에 없다. 실시간 처리를 요구하는 자율주행 등의 미션 크리

티컬한(Mission Critical) 도메인에서는 이 차이가 매우 큰 영향을 미친다. 셋째, 수집되

는 데이터에 포함된 사용자의 개인정보 보호 문제이다. 사용자의 개인정보가 클라우드로

전송되면 개인정보 침해에 대해 더 많은 위협에 노출되며, 개인정보 보호를 위한 많은

추가적 조치가 필요하다.

이러한 문제점을 극복하기 위해 5G 네트워크 인프라 확충, 개인정보 보호 강화 조치

(GDPR, 개인정보보호법 등)가 제시되고 있으나, 이는 근본적인 해결책이 되기는 어렵다.

학습 및 추론을 클라우드에서만 수행하지 않고, 디바이스에서 직접 수행한다면 네트워크

트래픽을 감소시킬 수 있고, 클라우드까지 데이터가 왕복하는 시간을 줄여 초저지연을

실현하기 용이하며, 개인정보 및 민감정보에 대한 처리 및 보호도 가능하다. 하지만 현재

의 디바이스로는 직접 학습과 추론을 수행하는 데 한계가 있어, 차세대 디바이스를 통해

이를 실현하기 위한 다양한 연구들이 수행되고 있다.

본 고에서는 차세대 디바이스와 AI의 융합기술 및 현재 산업계의 기술 현황을 소개하고

발전 방향을 제시하고자 한다. II장에서 차세대 디바이스와 AI의 융합기술에 대해 딥러닝

알고리즘 경량화, 지능형 디바이스 부품 2가지 측면에서 소개한다. 또한, III장에서 AI

융합을 위한 차세대 디바이스 산업의 국내외 현황을 소개한다. IV장에서는 결론으로 차세

대 디바이스와 AI의 성공적 융합을 위한 방안을 제시한다.

II. 차세대 디바이스와 AI 융합기술

디바이스에서 직접 학습/추론을 수행하기 위해서는 알고리즘 개선과 HW 성능 개선

등 다각적인 접근이 필요하다. 딥러닝 알고리즘은 경량화를 통해 제한된 디바이스 환경에

서 동작이 가능하도록 개선되어야 하며, HW는 저전력 및 소형화를 통해서 다양한 IoT

기기의 폼팩터에서 성능을 낼 수 있어야 한다. 또한, 병렬화가 가능한 딥러닝 알고리즘의

특성을 이용한 뉴로모픽 기술을 통해서 HW 구조를 개선하고 SW 성능을 향상시키는 혁

신적인 방법도 고려해야 한다.

ICT 신기술

정보통신기획평가원 15

1. 딥러닝 알고리즘 경량화

딥러닝이 강력한 컴퓨팅 파워를 필요로 하는 이유는 모델의 높은 콤플렉시티(Complexity)

때문이다. 2014년에 ILSVRC(ImageNet Large Scale Visual Recognition Challenge)

에서 2위를 차지한 VGG-19 모델은 19개의 레이어를 가지며, 3×3 필터를 16개 가지고

있다. 채널의 개수까지 고려하면 어마어마하게 많은 웨이트를 갖게 된다. ResNet-152의

경우 레이어가 152계층에 달한다. 이처럼 복잡한 모델을 차세대 디바이스에서 프로세싱

하기 위해 모델의 구조 개선이 필요한데, 이를 위해 약간의 성능저하가 발생하더라도 제한

된 리소스 안에서 학습 및 추론이 가능하도록 파라미터를 줄이고 모델을 단순화하는 연구

들이 진행되었다. SqueezNet은 Fire Module을 통해 필터 크기를 1×1로 줄이고, 이로

인한 정확도 손실을 보완하는 레이어를 추가했다. MobileNet은 Depthwise Convolution

과 Pointwise Convolution을 구분하는 DSC(Depthwise Separable Convolution) 기

법을 적용했고, ShuffleNet은 Pointwise Convolution의 추가적인 개선을 위해 Group

Convolution에 셔플(Shuffle) 기법을 더했다. 각 모델별 특징은 [표 1]과 같다.

[표 1] 딥러닝 알고리즘 경량화

가. SqueezNet

SqueezeNet은 더 작은 모델 사이즈로 동일한 성능을 내기 위한 모델이다. 50배 작은

파라미터로 AlexNet과 비슷한 성능을 내며, 모델 사이즈는 0.5MB에 불과하다. Squeeze

Net은 3×3 필터를 1×1 필터로 대체한 Fire Module을 사용한다([그림 1] 참조). 이를

통해 학습할 Weight 수를 1/9로 줄일 수 있다. Fire Module은 스퀴즈 레이어(Squeeze

Layer)와 익스펜드 레이어(Expand Layer)의 2계층으로 구성된다. 스퀴즈 레이어는

1×1 필터를 사용하여 입력 데이터의 채널을 하나로 합쳐서 익스펜드 레이어에 전달한다.

익스펜드 레이어는 1×1 필터와 3×3 필터를 사용하여 적은 파라미터로 정확도를 높인다.

모델 적용 기술 설명

SqueezNet Fire Module - 1/9 parameter 감소

MobileNet DSC - 약 1/9 parameter 감소

ShuffleNet Group Convolution+Shuffling - 13배 성능 향상

<자료> 국제학술대회 및 논문지 저자 조사 및 편집

주간기술동향 2019. 8. 21.

16 www.iitp.kr

전체적으로 SqueezeNet은 8개의 fire module을 사용하여 모델을 구성한다. 입력 데

이터는 콘벌루션 필터(Convolution Filter)를 거쳐 8개의 Fire Module에서 처리되고,

마지막 콘벌루션 필터를 지나 Global Avg Pool 처리된다[1].

나. MobileNet

MobileNet은 파라미터를 줄이기 위해 DSC 기법을 사용한다. 먼저 각 채널별로 Depthwise

Convolution을 수행하고, 이후 1×1 필터를 이용하여 Pointwise Convolution을 수행

한다([그림 2] 참조). 기존 모델이 Dk×Dk×M×Df×Df×N개의 파라미터를 가진다면,

MobileNet은 Depthwise Conv에서 Dk×Dk×M×Df×Df×1+Df×Df×M×N개의 파

라미터를 갖는다. 일반적으로 커널 크기가 3이고, 채널 사이즈는 32 이상이므로, 파라미터

는 약 1/8~ 1/9 가량 감소한다.

(입력: Df×Df, 입력채널: M, 커널: Dk×Dk, 출력채널: N)

<자료> “SqueezeNet: AlexNet-Level Accuracy with 50x Fewer Parameters and < 0.5MB model size”

[그림 1] Fire Module

(a) Standard Convolutional Filters (b) Depthwise Convolutional Filters (c) 1×1 Convolutional Filters called Pointwise Convolution in the context of Depthwise Separable Convolution

<자료> “MobileNets: Efficient Convolutional Neural Networks for Mobile Vision Applications”

[그림 2] MobileNet의 DSC 적용

ICT 신기술

정보통신기획평가원 17

이 외에도 ResNet에서 소개된 Linear Bottleneck을 적용하여 추가적인 성능 향상을

이끌어낸 MobileNet V2 등 다양한 변형 모델들이 연구되고 있다[2],[3].

다. ShuffleNet

MobileNet에서 DSC를 기반으로 파라미터를 줄였지만, 1×1 콘벌루션은 여전히 많은

파라미터를 갖는다. ShuffleNet에서는 이 Pointwise convolution을 개선하기 위해

Group Convolution을 적용한다. Group Convolution에서는 채널을 몇 개의 그룹으로

나누어, 각 그룹별로 콘벌루션을 수행하고, 그 결과를 콘벌루션한다([그림 3] 참조). 이러

한 Group Convolution을 통해 파라미터를 줄일 수 있지만, 정보가 그룹 단위로만 연결

되어 그룹 간에 연관성을 반영하지 못하는 문제가 발생한다. 따라서 ShuffleNet에서는

1×1 콘벌루션을 또 다시 그룹 수만큼 나누어서 셔플한다. 이러한 과정을 통해 그룹 간에

정보를 공유하게 되어 Group Convolution의 단점을 극복하고, 적은 파라미터로 높은

성능을 낼 수 있다[4].

2. 지능형 디바이스 부품

지능형 ICT(Information & Communication Technology) 부품이란 컴퓨터 기능을

할 수 있는 전자기기에 지능화를 부여할 수 있는 기기 부품 및 기술이다. 스마트 센서

및 센서 플랫폼, 지능형 반도체, 지능형 배터리, 자립형 전원 기술 등을 포괄하고 있다[5].

<자료> “ShuffleNet: An Extremely Efficient Convolutional Neural Network for Mobile Devices”

[그림 3] ShuffleNet 구조

주간기술동향 2019. 8. 21.

18 www.iitp.kr

차세대 디바이스가 스스로 학습하고 판단하는 자율성과 인공지능이 요구하는 대용량 데이

터 처리, 집약적 알고리즘을 수행하기 위해서는 인간과 유사한 구조로 구성된 부품 및

기술이 반드시 필요하며 그 부분을 지능형 ICT 부품이 해결할 수 있을 것으로 기대된다.

가. 스마트 센서 및 센서 플랫폼

측정 대상으로부터 각종 정보를 감지하여 전기적 신호로 변환시켜주는 센서에 제어,

판단, 저장, 통신 기능이 결합되어 고기능, 고부가가치를 제공하는 센서 및 시스템이다([그

림 4 참조]). 1990년대에 나노 및 반도체 기술이 도입되면서 소형화되었으며 2012년 이

후 MCU(Micro Controller Unit)가 센서에 내장되면서 지능화 기능을 갖춘 스마트센서

로 진화되었다[6]. 구현기술로는 멀티모달 복합 센싱 기술, MEMS(Micro Electromechanical

System) 기술, 반도체 SoC(System on Chip) 기술, 스마트 트랜스듀서(Smart transducer)

기술 등이 있다.

나. 지능형 반도체

인식ㆍ추론ㆍ학습ㆍ판단 등 인공지능 서비스에 최적화(지능화, 저전력, 안정화)된 소프

트웨어와 시스템반도체가 융합된 반도체이다[7]. [표 2]는 지능형 반도체 기술의 유형별

세부 기술이다. 수많은 신경세포로 이루어져 모든 정보가 모여 처리되는 인간의 뇌와 같은

역할을 하는 지능형 반도체는 그 명성에 걸맞게 소자부터 설계, 공정, 장비 등 ICT 산업

전 부분의 복합적인 기술 개발이 필요하다. 수천 수만 개의 코어를 집적하여 컴퓨팅 파워

<자료> Wireless Industrial Monitoring and Control Using a Smart Sensor Platform

[그림 4] 스마트센서 시스템 아키텍처

ICT 신기술

정보통신기획평가원 19

[표 2] 지능형 반도체 기술

를 제공하는 지능화 기술, 사용자의 지속성과 낮은 유지비용을 위한 저전력 기술, 제품의

기능 안정성 및 정보보호를 위한 고신뢰 기술 등이 있다.

다. 자립형 전원

충전이 필요한 배터리나 전력망 없이 스스로 전원을 공급하여 차세대 디바이스의 지속

적 사용을 가능하게 하는 에너지 공급 기술이다. 대표적인 자립형 전원 기술로는 에너지

하베스팅(Energy Harvesting) 기술이 있다. 에너지 하베스팅 기술은 태양에너지, 인체

운동에너지 등 다양한 형태의 주변 에너지를 수집하는 기술이다. 대표적으로 기계적 외력

이 가해지면 전압이 발생하는 압전소자를 이용한 압전 에너지 하베스팅, 마찰 전기의 극성

이 다른 두 개의 물질 사이의 접촉으로 표면 전하의 이동이 발생하는 것을 이용한 마찰력

에너지 하베스팅이 있다. 최근에는 무선 통신의 발전에 따라 [그림 5]처럼 일상생활에서

노출되어 있는 전파(Wifi 등)를 활용한 전파 에너지 하베스팅과 같은 기술도 개발되었다.

중분류 소분류 세부 기술

지능형 반도체

지능화 기술

초병렬 매니코어 프로세서

딥러닝 뉴럴넷 코어

초고속 온칩 프로세서-메모리

재구성형 인공지능 회로설계

저전력 기술

저전력 프로세서 아키텍처

저전력 차세대 메모리 아키텍처

저전력 무선통신 설계

저전력 회로IP 설계

저전력 소자 기술

고신뢰 기술

기능안정성 설계

정보보안 반도체 기술

고신뢰 소자 설계

차세대 제조 공정 장비

프로세싱 SW

컴파일러 및 프로그래밍 언어

프로세싱 API

시스템 SW

<자료> 한국과학기술기획평가원, “차세대지능형반도체 기술개발사업 예비타당성조사 보고서”, 2019. 6.

주간기술동향 2019. 8. 21.

20 www.iitp.kr

III. AI 융합을 위한 차세대 디바이스 산업 현황

1. 국내 산업 현황

국내에서는 삼성전자, 네패스 등의 기업이 On-Device 학습 및 추론을 위한 AI 프로세

서 기술을 선도하고 있고, ETRI, 한국뇌연구원 등은 차세대 디바이스를 통해 사용자에게

인터페이스를 제공하기 위한 인터랙션 기술을 개발하고 있다([표 3] 참조).

[표 3] AI 융합을 위한 국내 차세대 디바이스 기술 현황

* Wi-Fi 대역(5.9Ghz)에서 전자기 발사 에너지를 수집하는 완전 유연한 MoS 2 안테나(네이처지 캡처)<자료> Two-dimensional MoS2-enabled flexible rectenna for Wi-Fi-band wireless energy harvesting

[그림 5] Wi-Fi 대역(5.9Ghz)에서 전자기 방사 에너지를 수집하는 MoS 렉테나

구분 제조사 설명

AI 프로세서

삼성전자 - Exynos 9820 - AP에 NPU 탑재 - 10배 인력 확충, IT 전 분야 확대

네패스 - NM500 - NPU 세계 최초 상용화 - Quick AI 플랫폼에 탑재, 분석도구 제공

ICT 신기술

정보통신기획평가원 21

가. 삼성전자

SoC에 NPU(Neural Processing Uit)를 탑재한 AP(Application Processor)인

Exynos 9(9820)를 출시했다([그림 6] 참조). NPU는 병렬컴퓨팅을 통해 수천 개 이상의

연산을 동시에 효율적으로 처리할 수 있어, 딥러닝 알고리즘 수행에 최적화된 핵심 기술이

다. NPU를 탑재한 AP를 이용하여 서버를 거치지

않고, 모바일 기기에서 자체적으로 On-Device

AI를 구현할 수 있게 되었다. 향후 삼성전자는 모

바일 기기에 그치지 않고, 전장 분야의 IVI(In-

Vehicle Infotainment)와 ADAS(Advanced Driver

Assistance System), 데이터센터, IoT 등 IT 전

분야로 확대할 계획이며, NPU 분야 인력을 2,000

명 규모로 10배 이상 확대하고 전사적 역량을 집

중한다는 전략이다[8].

나. 네패스

단독 보유중인 PLP(Panel Level Package) 기술을 기반으로 최초로 상용 NPU인

NM500을 출시했다([그림 7] 참조). NM500은 반도체 칩에 576개의 인공뉴런을 집적하

<자료> https://www.gsmarena.com

[그림 6] NPU가 탑재된 삼성의 Exynos 9

QuickAI HDK 네패스 NM500

[그림 7] 네패스 NM500

구분 제조사 설명

HCIETRI - 모션 융합 기반의 정적 및 동적 손 동작 인식 기술

- 기술이전 설명회 개최

한국뇌연구원 - BCI 기술 기반 - 뇌파 드론 체험

<자료> 국제학술대회 및 논문지 저자 조사 및 편집

주간기술동향 2019. 8. 21.

22 www.iitp.kr

여 고속/병렬연산을 처리할 수 있다. 이외에도 에너지 효율적인 소형 폼팩터 구성요소로

NeuroMem 기술을 구현하였으며, 자체 개발한 SW 분석도구인 Knowledge Studio도

제공하고 있다. NM500은 미국 QuickLogic사에서 발표한 인공지능 플랫폼인 QuickAI

에 탑재될 예정이다[9],[10].

다. ETRI

모션 융합 기반의 정적 및 동적 손동작 인식 기술을 개발하여 라이브러리 형태로 제공하

고 있으며, 가상 객체와 상호작용을 위

한 인터랙티브 콘텐츠도 바이너리 형태

로 함께 제공하고 있다([그림 8] 참조).

이를 통해 인공지능이 결합된 가상현실

콘텐츠에서 다양한 상호작용을 지원하

며, 이에 대한 기술이전설명회를 개최하

는 등 사업화도 지원하고 있다[11].

라. 한국뇌연구원

BCI(Brain-Computer Interface) 기술을 기반으로, 인간의 두뇌를 컴퓨터와 직접 연

결하여 뇌파만으로 드론을 조종할 수 있는 “뇌파 드론”을 공개하고 체험 기회를 제공하였

다[12].

마. 정부

1조 원 예산 규모의 지능형반도체 연구개발(R&D) 사업의 예비타당성조사를 통과시킴

으로써 핵심 기초·원천기술 개발을 추진할 계획이다[13]. 센서산업 클러스터 조성을 통해

센서 기술 경쟁력을 확보하고, 단일 제품 중심이 아닌 복합센서, 연계 솔루션 개발 등의

차별화를 위해 2019년 2월 대전시에서는 스마트센서 클러스터를 구축했다[14].

2. 해외 산업 현황

AI융합산업을 주도적으로 이끌고 있는 미국을 중심으로 각 국가의 기업 및 선도기관들

<자료> ETRI

[그림 8] 모션 융합 기반의 정적 및 동적 손 동작 인식 기술

ICT 신기술

정보통신기획평가원 23

이 치열한 경쟁을 통해 AI 융합 차세대 디바이스 산업을 발전시키고 있다. 초기에는 인텔

과 엔비디아와 같은 제조기업들이 시장을 선점하고 있었으나 제조 사업을 영위하지 않는

기업들도 제품 및 서비스 경쟁력 강화를 위해 자체 연구와 개발을 진행하고 있어 경쟁이

치열해지는 상황이다([그림 9] 참조)[15].

가. NVIDIA

GPGPU(General-Purpose computing on Graphics Processing Units)로 지능형

반도체 선두주자 역할을 하고 있다. 고속 GPU 상

호연결용 NVLINK와 데이터센터용 볼타(Volta),

75W의 소형 PCIe 폼팩터로 제공되는 Tesla T4

GPU 등으로 AI 기술이 적용되는 산업 전반에 영

향을 미치고 있다. 2019년 초 데이터센터용 서버

와 스토리지, 하이퍼 컨버전스 인프라용 고속 네

트워크 칩 등에서 높은 기술력을 보유하고 있는

이스라엘 기반 네트워크 칩 전문기업인 멜라녹스

◉: 선도자, ○: 시장 추격자, △: 제품 개발 중

<자료> 과학기술&ICT 정책 기술동향, 과학기술정보통신부 및 한국과학기술기획평가원, 제 116호, 2018, p.6.

[그림 9] 미국 주요 대기업의 지능형 반도체 개발 현황

[그림 10] nVidia Tesla P4

주간기술동향 2019. 8. 21.

24 www.iitp.kr

의 인수 계획을 발표하는 등 적극적인 M&A 전략을 펼치고 있다[16].

나. Intel

적극적으로 반도체 인수합병을 추진하고 다양한

시스템 반도체 제품 포트폴리오를 보유하고 있었으

나 최근 NVIDIA에게 지능형 반도체 산업 경쟁에서

는 밀리는 추세이다. 가장 대표적인 제품군은 Xeon

시리즈이다. 2019년 56개 코어와 12개 메모리 채

널을 탑재한 “인텔 제온 플래티넘 9200” 프로세서

를 포함하여 50종 이상의 제온 프로세서를 선보였

다([그림 11] 참조)[17].

다. Qualcomm

2013년 자사의 Spiking Neural Networks

(SNNs)를 모방한 뇌처럼 학습하는 프로세서

(Neural Processing Unit: NPU)인 Zeroth를

공개하였으며[18], 현재는 Snapdragon의 AI

로 통일되어 4세대 멀티코어 퀄컴 AI 엔진이 탑

재된 Qualcomm Snapdragon 855+ Mobile

Platform을 출시하는 등 AI 기술 집약을 꾀하

고 있다([그림 12] 참조)[19].

라. IBM

DARPA SyNAPSE 프로젝트를 통해 포유류

의 뇌를 모방한 전자두뇌시스템 개발을 추진하

여 SRAM 어레이를 시냅스 모방 소자로 활용한

트루노스(TrueNorth) 칩을 개발하였다([그림

13] 참조)[20].

<자료> www.anandtech.com

[그림 12] Snapdragon 845 Block Diagram

<자료> A Noise Filtering Algorithm for Event-Based Asynchronous Change Detection Image Sensors on TrueNorth and Its Implementation on TrueNorth

[그림 13] IBM TrueNorth Core Architecture

[그림 11] 인텔 제온 플래티넘 9200

ICT 신기술

정보통신기획평가원 25

마. University of California, Berkeley

UC Berkeley 연구진은 인트라바디 나노 커넥텀을 위한 모래 알갱이 크기의 인체 삽입

용 센서인 Neural Dust를 개발하였다([그림 14] 참조)[21]. 인트라바디 나노 커넥텀 기술

이란 인체 내 신경계 및 내분비계를 활용하여 신호를 전달 및 통신하는 인체 친화적 인터

페이스 기술이다([그림 15] 참조). 인체 내부 신경, 근육, 기관 등을 실시간으로 모니터링

할 수 있으며 장애를 치료하고 면역계를 자극하거나 신경 및 근육을 자극할 수 있다.

IV. 결론

차세대 디바이스는 시간이 지날수록 더욱 AI 기술과의 융합을 가속화할 것이다. On-

Neural Dust Sensor 외형 Neural Dust Sensor 구성도

<자료> Berkeley News Youtube

[그림 14] Neural Dust Sensor의 외형 및 구성도

<자료> 김혜진 外 3명, 신경 인터페이스 기반 초감각 디바이스 기술 동향, 한국전자통신연구원, 전자통신동향분석 제33권 제 6호, 2018 12, p76

[그림 15] 인트라바디 나노 커넥텀 개념도

주간기술동향 2019. 8. 21.

26 www.iitp.kr

Device AI 환경을 갖추고, 다양한 HCI(Human-Computer Interaction) 기술을 기반

으로 사용자에게 인공지능 서비스를 제공하는 창구를 늘여갈 것이다. AI와 차세대 디바이

스의 융합을 선도하기 위해서는 정부, 기업, 학계의 전방위적인 협력이 필요하다.

정부는 다양한 AI 기반의 국가 프로젝트를 주도하고, 중장기 로드맵에 기반한 투자지원

을 통해 AI 기술력을 확보하고 전문인력을 양성하여 연구기반을 조성해야 한다. 기업은

이미 보유하고 있는 강력한 반도체 인프라와 지능형 반도체 설비기술을 더욱 고도화하고,

메모리 분야를 넘어서 시스템 칩 기술 분야도 선도하기 위한 연구 개발에 나서야 한다.

학계에서는 소수의 연구소 단위의 개별적 연구환경을 벗어나 융합연구를 통해 경쟁력을

제고하고, 인공지능 핵심 SW 기술에 대한 기반기술 연구를 통해 국제 경쟁력을 갖추도록

해야 할 것이다.

[ 참고문헌 ]

[1] F.N. Iandola et al., “SqueezeNet: AlexNet-Level Accuracy with 50x Fewer Parameters and < 0.5MB model size,” arXiv:1602.07360, 2016.

[2] A.G. Howard et al., “MobileNets: Efficient Convolutional Neural Networks for Mobile Vision Applications,” arXiv:1704.04861, 2017.

[3] M. Sandler et al., “MobileNet V2: Inverted Residuals and Linear Bottlenecks,” arXiv: 1801.04381, 2018.

[4] X. Zhang et al., “ShuffleNet: An Extremely Efficient Convolutional Neural Network for Mobile Devices,” arXiv:1707.01083, 2017.

[5] 임태범 외 17명, ICT 디바이스 지능형 디바이스, 한국정보통신기술협회(TTA), ICT 표준화 전략맵 종합보고서 4, 2017-0-00059 ICT 표준화 체계, 2017, p.417.

[6] 이미혜, 센서산업 현황 및 경쟁력, 한국수출입은행, 2018 ISSUE STUDY, VOL.2018-중점-05 (2019.1.23), 2019, p.1.

[7] 김정언 외 3명, 지능형반도체 기술개발을 위한 기획연구, 정보통신정책연구원, 정책연구 18-29, 2018, p.20.

[8] 인공지능신문, “삼성전자, 차세대 SoC 적용, 업계 최고 성능의 On-Device AI 구현한다”, 2019. 6. 18.[9] 지디넷, “네패스 인공지능 칩, 美 퀵로직 '퀵AI'에 탑재”, 2018. 5. 8.[10] Global Vision, “NM500 neuromorphic chip is available,” 2017. 12. 21.[11] 김기홍, “모션 융합 기반의 정적 및 동적 손 동작 인식 기술”, ETRI, 2019. 2.[12] 카이스트 신문, “BCI, 생각만으로 기계를 조종하다”, 2019. 5. 14.[13] 한국과학기술기획평가원, “차세대지능형반도체 기술개발사업”, 2019. 6.[14] 전자신문, “대전시, 스마트센서 산업 키운다”, 2019. 7.

ICT 신기술

정보통신기획평가원 27

[15] 과학기술정보통신부 및 한국과학기술기획평가원, 과학기술&ICT 정책 기술동향, 제 116호, 2018, p.5.[16] ZDNet Korea, 엔비디아 “연내 멜라녹스 인수 완료, AI 기술력 높일 것”, 2019. 7. 4.[17] 전자신문, “인텔, 2세대 데이터센터 CPU로 ‘데이터센트릭’ 시대 겨냥”, 2019. 6.[18] iTNEWS, “퀄컴의 엣지인공지능칩(Edge AI Chip)-NPU 개발 동향”, 2019. 6.[19] KIPOST, “퀄컴, 5G 게이밍 스마트폰용 애플리케이션프로세서(AP) 내놔”, 2019. 7.[20] 신재호 외 2명, “차세대지능형반도체 기술개발사업”, 한국과학기술기획평가원, 2018년도 예비타당성

조사 보고서, 2019. 6, p.109.[21] iTNEWS, “BCI/BMI용 먼지 크기 인체 이식형 무선센서”, 2018. 8.[22] 김혜진 외 3명, “신경 인터페이스 기반 초감각 디바이스 기술 동향”, 한국전자통신연구원, 전자통신

동향분석 제33권 제 6호, 2018. 12.

주간기술동향 2019. 8. 21.

28 www.iitp.kr

*

I. 결과물 개요

II. 기술의 개념 및 내용

1. 기술의 개념

딥러닝을 이용한 초해상도 영상 생성 기술

- 화질 저하를 최대한 방지하면서 영상의 해상도를 향상시키는 기술

* 본 내용은 이승용 교수(☎ 054-279-2245, leesy@postech.ac.kr)에게 문의하시기 바랍니다.** 본 내용은 필자의 주관적인 의견이며 IITP의 공식적인 입장이 아님을 밝힙니다.***정보통신기획평가원은 현재 개발 진행 및 완료 예정인 ICT R&D 성과 결과물을 과제 종료 이전에 공개하는 “ICT

R&D 사업화를 위한 기술예고”를 2014년부터 실시하고 있는 바, 본 칼럼에서는 이를 통해 공개한 결과물의 기술이전, 사업화 등 기술 활용도 제고를 위해 매주 1~2건의 관련 기술을 소개함

개발목표시기 2019. 12. 기술성숙도(TRL)개발 후

TRL 4

결과물 형태 SW-System 검증방법 자체검증

Keywords Super-Resolution, Single Image Super-Resolution, GAN, Image Sharpening

외부기술요소 오픈소스 사용(Apache License 2.0) 권리성 특허, SW

chapter 3-1

딥러닝 기반 초해상도 영상 생성 기술

•••이승용 ‖ 포항공과대학교 교수

ICT R&D 동향

ICT R&D 동향

정보통신기획평가원 29

- 딥러닝 기반으로 GPU 가속을 이용하여 빠른 속도로 수행 가능

- 기존 방법보다 시각적으로 선명한 화질의 결과 제공

2. 기술의 상세내용 및 사업화 제약사항

기술의 상세내용

- 딥러닝 네트워크 구조와 학습 방식은 기존 기술을 개량한 형태

1) 선명한 영상을 다운 샘플링하여 해상도가 작은 영상(입력)으로 만들고 기존 선명한 영상(GT)과 짝을 이룬 데이터셋 생성

2) 딥러닝 네트워크에 해상도가 작은 영상을 넣어서 초해상도 영상 생성(출력)3) 선명한 영상(GT)과 생성된 결과(출력)로 손실함수 계산

<자료> 포항공과대학교 자체 작성

[그림 1] 기술 개념도

입력 영상 일반 업샘플링 결과 기존 딥러닝 기반 초해상도 영상 생성 결과

본 기술 결과

<자료> 포항공과대학교 자체 작성

[그림 2] 기존 기술과의 비교(해상도 4배 향상)

주간기술동향 2019. 8. 21.

30 www.iitp.kr

4) 손실함수를 이용해 딥러닝 네트워크 학습- 해당 기술에서는 딥러닝 네트워크를 학습시키기 위해 feature GAN 손실 함수를

제안1) 기존 GAN 손실 함수는 영상의 픽셀에 적용되어 선명하지만 noisy한 결과

영상 생성2) 제안된 feature GAN 손실 함수는 feature들에 적용되어 더욱 선명하면서

noisy한 아티팩트가 줄어든 결과 영상 생성(그림 참조, 해당 GAN 기반 방법들은 인지적·시각적 선명도를 높이기 위해 개발된 방식으로, 기존에 사용하는 PSNR과 같은 평가 방법으로는 정량적 평가가 어려움)

기술이전 범위

- 특허와 SW 기술 이전

사업화 제약사항

- Tensorflow 및 tensorflow 오픈소스 라이브러리 사용(Apache License 2.0)

- PNG 영상 데이터셋을 사용하여 개발되었기 때문에, 응용 분야에 따라 사진 및 비디

오의 압축 방식 및 코덱에 맞춰 딥러닝 네트워크를 새로 학습해야 함

입력 영상 SRGAN(CVPR 2017)

EnhanceNet(ICCV 2017)

본 방법(ECCV 2018)

GT

<자료> 포항공과대학교 자체 작성

[그림 3] 기존 GAN 기반 방법들과의 결과 비교(해상도 4배 향상)

ICT R&D 동향

정보통신기획평가원 31

III. 국내외 기술 동향 및 경쟁력

1. 국내 기술 동향

딥러닝 기반의 다양한 초해상도 영상 생성기술이 개발되었음

생성된 초해상도 영상의 시각적 화질이 떨어짐

2. 해외 기술 동향

GAN을 사용한 딥러닝 기반의 초해상도 영상 생성 기술이 개발되었음

Feature GAN을 사용한 방법은 존재하지 않음

3. 표준화 동향

관련사항 없음

4. 기술적 경쟁력(우수성 및 차별성)

IV. 국내외 시장 동향 및 전망

1. 국내 시장 동향 및 전망

고해상도 스마트폰 및 모니터 제품의 점유율 증가

- 스트리밍 서비스, 게임 등에서 해상도 향상 기술의 수요 증가

- 일반 사용자 단계에서 고품질 영상 처리 기능에 대한 수요 증가

경쟁기술 본 기술의 우수성 및 차별성

일반 딥러닝 기반 초해상도 영상 생성 기술

기존 딥러닝 기반 방법의 경우, 위 비교 결과에서 확인할 수 있듯이 영상의 디테일이 많이 손상됨

GAN 기반 초해상도 영상 생성 기술

제안된 Feature GAN이 기존 GAN보다 더 선명하고 아티팩트가 적은 자연스러운 초해상도 영상 생성 성능을 보여줌

<자료> 포항공과대학교 자체 작성

주간기술동향 2019. 8. 21.

32 www.iitp.kr

가정 내 4K TV의 사용률이 증가했지만, 4K 콘텐츠가 부족하여 대부분 FHD(2K) 콘텐츠로 방영

- TV 내 자체 업샘플링 기능이 있는 경우가 있지만 성능이 부족하여 TV의 디스플레이

를 100% 활용하지 못하고 있는 상태

2. 해외 시장 동향 및 전망

국내와 동일

고해상도 디스플레이의 개발 속도가 고해상도 콘텐츠 개발 속도보다 훨씬 빠름

디스플레이와 콘텐츠 사이의 해상도 간격을 보완할 고품질 해상도 향상 기술의 필요성 증가

3. 제품화 및 활용 분야

V. 기대효과

1. 기술도입으로 인한 경제적 효과

스마트폰 내 영상처리 기능 제공으로 해당 기술 탑재 스마트폰의 수요 창출

스마트 TV 내 향상된 업샘플링 기능 제공으로 해당 기술 탑재 TV의 수요 창출

2. 기술사업화로 인한 파급효과

카메라 및 디스플레이 기능 고도화로 인한 스마트폰 및 영상기기 산업의 경쟁력 향상

활용 분야(제품/서비스) 제품 및 활용 분야 세부내용

4K TV FHD(1920×1080) 등 저해상도 콘텐츠를 TV에서 자체적으로 업샘플링하여 선명하게 출력

영상 디스플레이 FHD(1920×1080) 등 저해상도 콘텐츠를 모니터에서 자체적으로 업샘플링하여 선명하게 출력

영상처리 소프트웨어 영상처리 소프트웨어의 해상도 및 선명도 향상 기능 개선<자료> 포항공과대학교 자체 작성

ICT R&D 동향

정보통신기획평가원 33

*

I. 결과물 개요

II. 기술의 개념 및 내용

1. 기술의 개념

파킨슨병 환자들의 운동 조절 능력 결함은 호흡, 발성, 조음에 영향을 줌. 사람의 말소리는 대뇌피질(cortex)-대뇌기저핵(basal-ganglia)-소뇌(cerebellum)-대뇌피질회로

* 본 내용은 윤희용 교수(☎ 031-290-7147, youn7147@skku.edu)에게 문의하시기 바랍니다.** 본 내용은 필자의 주관적인 의견이며 IITP의 공식적인 입장이 아님을 밝힙니다.***정보통신기획평가원은 현재 개발 진행 및 완료 예정인 ICT R&D 성과 결과물을 과제 종료 이전에 공개하는 “ICT

R&D 사업화를 위한 기술예고”를 2014년부터 실시하고 있는 바, 본 칼럼에서는 이를 통해 공개한 결과물의 기술이전, 사업화 등 기술 활용도 제고를 위해 매주 1~2건의 관련 기술을 소개함

개발목표시기 2018.12.31 기술성숙도(TRL)개발 후

TRL 4

결과물 형태 SW-System 검증방법 3자검증

Keywords Diagnosis of Parkinson’s disease, Class Probability output Network, Expectation-Maximization algorithm

외부기술요소 100% 개발기술 권리성 특허

chapter 3-2

기계학습 모델 기반의 음성을 이용한 파킨슨병 진단

•••윤희용 ‖ 성균관대학교 교수

ICT R&D 동향

주간기술동향 2019. 8. 21.

34 www.iitp.kr

(cortex)로 긴밀하게 연결되어 있으며, 말소리 생성(speech generation)을 위해서는 보완 운동 영역(supplementary motor area)과 전대상피질(anterior cingular cortex)이 작동하고 조음 운동 계획을 위해서는 좌섬엽(left insula)이 관여함

중추와 말초 신경계의 문제로 인한 파킨슨병은 말소리-기관 운동 조절(speech organ

motor control) 결함이므로 마비말장애(dysarthria)라고 불리우며, 이러한 음성 장애

는 파킨슨병 환자의 약 90%에서 발생함

하지만 파킨슨병을 진단할 수 있는 단일 검사 테스트는 없으며, 이에 따라 다양한 진단

검사를 통한 전문의의 진찰 소견이 중요하나 질병 초기 단계에는 다른 질병의 증상과

유사해 오진이 발생할 수 있으며, 또한 파킨슨병의 경우 최대한 빠른 치료가 더 좋은

결과를 보이는 것을 감안할 때 초기 단계에서의 빠른 진단이 필요함

본 연구에서는 파킨슨병 환자의 대부분에게서 발생하는 음성 장애와 기계 학습을 이용

하여 파킨슨병을 진단하고자 하는데, 이와 같이 음성을 이용한 파킨슨병 진단은 음성

만 이용하기 때문에 간편하고 편리하며, 물리적 이동이 필요하지 않기 때문에 경제적

이고 빠른 진단이 가능함

건강한 사람과 파킨슨병 환자를 분류하는 기계 학습 방법은 인공 신경망(Artificial

Neural Networks: ANN), k-최근접 이웃 분류(k-Nearest Neighbor classifier,

k-NN) 방법, 서포트 벡터 머신(Support Vector Machines: SVM) 방법, 나이브 베이

즈 분류(Naive Bayesian classification) 방법, 랜덤 포레스트(Random forest) 방

법, 배깅(Bootstrap aggregating, Bagging) 방법, 부스팅(Boosting) 방법 등 7가지

유형으로 나눌 수 있음

2. 기술의 상세내용 및 사업화 제약사항

기술의 상세내용

- 파킨슨병의 진단을 위해 파킨슨 데이터 세트를 이용하였으며, 주어진 데이터를

CPON(Class Probability Output Network)을 이용하여 판단하는데, CPON은

건강한 사람과 파킨슨병 환자의 각 분포를 이용하여 분류하는 방법으로, 이를 이용

한 분류 알고리즘은 다음의 순서를 따름

ICT R&D 동향

정보통신기획평가원 35

- 우선, 파킨슨 데이터 세트가 완성되면 파킨슨 환자와 정상인의 데이터에 대해 각각

커널을 5개씩 랜덤으로 생성하고, 그 다음 EM(Expectation-Maximization algorithm)

을 이용하여 클러스터링하며, PD(Parkinson Disease) 데이터, Normal 데이터에

대해 각각 데이터들의 가장 가까운 커널에 소속되게 한 후, 각 커널은 커널에 달라붙

은 데이터의 평균값으로 커널의 값을 변경시켜줌

- 달라붙은 데이터가 하나도 없는 커널은 제거하는데, 다만 PD 커널은 PD데이터에

대해서만, Normal 커널은 Normal 데이터에 대해서만 클러스터링하며, 다음으로

PD, Normal 데이터 전체를 전체 커널에 대해 가장 가까운 커널에 달라붙게 하고,

각 커널의 entropy를 측정하여 가장 큰 커널을 선택하고, 선택된 커널의 내부에

그 커널과 반대되는 성질을 가진 커널을 생성함

- 앞선 방법을 반복하여 데이터가 달라붙지 않은 커널은 제거하고, 그렇지 않은 커널은

커널 값을 데이터 전체의 평균값을 이용하여 변경하며, 이어서 전체 커널을 이용하

여 훈련 데이터 세트를 MLP(Multiple Linear Regression)를 하며, MLP에서 나온

값을 최소값과 최대값에 대해 0~1로 정규화함

- 정규화된 PD와 Normal에 대해 MLP를 이용한 예측값의 각 분포에 대해 값을 구한

후 베타 분포에 대한 누적 분포함수 값을 구하고, PD는 0에서 1로 가는 CDF,

Normal은 1에서 0으로 가는 CDF를 구하여 각 데이터의 값을 예측하며, 이어서

기준점보다 작으면 Normal로, 기준점보다 크면 CDF의 겹치는 점을 기준점으로

삼아 훈련면 PD로 분류하고, 이러한 방법을 더 이상 커널이 늘어나지 않을 때까지

반복하여 CDF의 기준점을 기준으로 파킨슨병 진단을 함

기술이전 범위

- 데이터 진단 정확도 산출 알고리즘

- CPON 기반 파킨슨병 분류 알고리즘

사업화 제약사항

- 음성 데이터를 이용한 진단으로서 진단 정확도를 더욱 높이기 위해 알고리즘 학습을

위한 많은 양의 음성 데이터가 필요함

주간기술동향 2019. 8. 21.

36 www.iitp.kr

III. 국내외 기술 동향 및 경쟁력

1. 국내 기술 동향

국내에서는 정부의 주도하에 세계 최초로 빅데이터, AI, 가상현실 등 첨단 ICT가 적용된 의료기기 인허가 가이드라인을 발표하고, 첨단 시스템이 제도권 안에서 성장 기틀을 마련할 수 있도록 정부 및 병원 중심의 의료용 AI 솔루션, 의료 빅데이터 플랫폼 개발 등이 진행되고 있으나 국내 기술 수준은 시작 단계라고 할 수 있음

2. 해외 기술 동향

아마존은 클라우드 서비스 사업 확대를 위해 헬스케어 기술 개발에도 초점을 맞추고 있는데, 세계 전자의무기록(EMR) 선두 업체인 써너와 협업하여 클라우드 기반 EMR 솔루션을 제공하고 있으며, IBM은 AI 솔루션 “왓슨 포 온콜리지”로 헬스케어 IT 시장 주도권 확보에 나서고 있으며, 한편으로는 사노피, 메드트로닉, 미국질병통제예방센터(CDC) 등 의료 분야 기업, 기관과 파트너십을 확대해 솔루션 신뢰성을 높이고 있음

3. 표준화 동향

IoT 기반 헬스케어 표준화 작업은 IPSO Alliance, OMA, oneM2M, Zigbee, IETF 등의 다양한 국제표준기구에서 동시 다발적으로 진행되고 있음

이 중 IPSO(Internet Protocol for Smart Object) Alliance는 스마트 오브젝트의 연결을 위한 인터넷(IP) 기술의 사용을 핵심 주제로 하여 이와 관련된 교육, 홍보, 연구 등의 활동을 전개하고 있는데, 현재 각 산업 부문에서 선두기업인 500개의 하이테크 기업들이 IPSO 활동에 참여하여 표준화를 진행하고 있음

4. 기술적 경쟁력(우수성 및 차별성)

경쟁기술 본 기술의 우수성 및 차별성

IBM의 건강 진단 인공지능 “왓슨 포 온콜로지”

신경망 알고리즘을 기반으로 환자들의 건강을 진단하고 각종 질병 및 암에 대한 결과를 나타내주지만, 국내·외 모두에서 고가의 설치비용 및 유지·관리의 부담감이 있음

ICT R&D 동향

정보통신기획평가원 37

IV. 국내외 시장 동향 및 전망

1. 국내 시장 동향 및 전망

2015년 의료·바이오 분야에 대한 신규 벤처투자는 3,170억 원으로, 2011년(933억 원)

에 비해 3배 이상 규모로 증가하였는데(삼정KPMG 경제연구원 발표), 특히 한국벤처캐

피탈협회의 Venture Capital Market Brief에 따르면 많은 벤처 캐피탈들이 미래 유망

분야로 스마트 헬스케어를 지목하여 향후에도 투자 확대 추세가 지속될 전망이며, 향후

사물인터넷, 소프트웨어 등과 더불어 의료기기, 바이오·제약 분야에 대한 투자 확대 가능

성이 높을 것으로 보임

2. 해외 시장 동향 및 전망

한국보건산업진흥원에 따르면, 글로벌 스마트 헬스케어 시장규모는 2014년 210억 달

러에 머물렀으나, 2020년에는 1,015억 달러 규모가 되면서 약 4.8배의 성장을 보일

것으로 전망되고 있음

3. 제품화 및 활용 분야

활용 분야(제품/서비스) 제품 및 활용 분야 세부내용

저가 의료진단 서비스 환자의 음성 데이터만을 이용하여 간단하고도 빠르게 파킨슨병을 진단할 수 있으므로 의료진단에 대한 금전적 부담을 덜어줄 수 있음

Home IoT 기반 헬스케어 서비스

일상생활에서 얻어지는 데이터를 바탕으로 실시간 모니터링 서비스만을 제공하는 것이 아닌, 진단 서비스도 함께 제공함으로써 집에서 의료 서비스를 제공 받을 수 있는 환경을 구축함

<자료> 성균관대학교 자체 작성

경쟁기술 본 기술의 우수성 및 차별성

PHILIPS의 실시간 생체정보 서비스

환자의 생체정보를 모바일 기기를 통해 실시간으로 확인하는 커넥티드 모니터링 서비스를 제공하고 있지만, 단순히 생체정보만을 전달할 뿐 데이터를 토대로 질병에 대한 진단을 내려주지는 않음

<자료> 성균관대학교 자체 작성

주간기술동향 2019. 8. 21.

38 www.iitp.kr

V. 기대효과

1. 기술도입으로 인한 경제적 효과

파킨슨병의 경우 현재 진단의 시작부터 끝까지 많은 검사와 시간이 소요되고 있으나,

이 기술이 도입되게 된다면 요구되는 검사의 수와 시간이 현저히 줄어들게 되고, 또한

조기 진단이 이루어져 환자에 대한 발 빠른 대처가 가능함

2. 기술사업화로 인한 파급효과

파킨슨병뿐만 아니라 학습방법을 응용하여 진단 과정이 어려운 다른 질병에 적용하여

사용할 수 있으며, 나아가 현재는 불치병이라고 알려진 병들 또한 조기 발견 및 진단

절차의 최소화가 가능할 것으로 예상됨

또한, 기반 기술을 활용하여 헬스케어 분야뿐만 아니라 4차 산업혁명 중심 기술들이

이용되는 다양한 분야에 확대 적용할 수 있음

사업책임자: 문형돈(기술정책단장)

과제책임자: 이성용(산업분석팀장)

참여연구원: 이재환, 이효은, 이상길, 안기찬, 김용균, 정해식, 김우진, 장예지, 전영미(위촉)

통권 1910호(2019-32)

발 행 년 월 일 : 2019년 8월 21일발 행 소 : 편집인겸 발행인 : 석제범등 록 번 호 : 대전 다-01003등 록 년 월 일 : 1985년 11월 4일인 쇄 인 : ㈜승일미디어그룹

(34054) 대전광역시 유성구 유성대로 1548(화암동 58-4번지)

전화 : (042) 612-8296, 8214 팩스 : (042) 612-8209

6

http://www.iitp.kr