RDB와 GDB 융합을 통한 다양한 시각화 사례

 

이 콘텐츠에서는 당사에서 진행한 RDB와 GDB를 융합한 시각화 R&D 프로젝트와 해외 3D그래프 시각화 사례를 소개드립니다.

 

RDB와 GDB융합을 통한 다양한 시각화 사례

 

1. K사 인공지능 학습 탐지 그래프 시스템

첫번째 소개할 프로젝트는 ‘K사’에서 R&D 진행했던 프로젝트 중 일부입니다.
이 프로젝트의 목적은 공부에 대한 아이들의 거부감을 줄이고 학습 효율을 높이기 위해 아이들의 수준과 특성을 충분히 반영한 ‘개인화된 교육 서비스’를 제공하기 위한 목적으로 시작되었습니다.
'K사'에서는 기존의 교육 환경에서는 학생 개개인에 특화된 커리큘럼을 구성한 교육 서비스를 제공하기에 비용적인 측면에서 많은 어려움이 있었다고 합니다.
그래서 비트나인에서는 Knowledge Graph(지식그래프)를 기반으로 하여 개인별 맞춤형 학습 경로에 대해 최적의 알고리즘을 적용함으로써, 개인교사 역할을 대신할 수 있는 AI엔진을 구축하는 것을 목표로 프로젝트를 진행하였습니다.

<개인별 맞춤형 학습경로 추천의 도식화>

 

위에 보이는 그림과 같이, 수학 학습 체계를 그래프 모델링하여 교과목, 영역, 단원, 개념단위, 문항 등의 여러 지식 단위를 서로 연결된 그래프로 표현하였습니다.
이를 통해 학생들이 연관 학습을 진행함에 따라 어떤 문항을 풀고 어떤 결과를 얻었는지 등 학습 이력을 DB에 저장할 수 있고, 이를 바탕으로 현재 지식 상태를 진단하거나 몰입도와 이해도 등을 통해 취약한 부분을 파악하여, 학습 경로와 진도를 조정해주는 인공지능 엔진을 개발하였습니다.
이처럼 당사의 AgensGraph와 같이 멀티모델(RDB와 GDB통합) 데이터베이스를 쓰면 인공 지능 학습 탐지 그래프 시스템으로 응용하여 사용할 수 있고 개인 맞춤형 교육서비스를 강화하여 보다 근본적인 교육 문제에 대응할 수 있을 것입니다.

 

2. 'S사' 품질 관리 그래프

두번째 소개드릴 프로젝트는 ‘S사’와 진행한 반도체 품질 관리 그래프입니다.

프로젝트의 목적은 해당 기업이 제품을 제조하는 과정에서 각각의 부서별로 협업관계에 따른 성과를 파악하여 조직별 효과적인 협업포인트를 발굴하고, 성과에 어떠한 영향을 미치는 지 파악하는 것이 목적이었습니다. 비트나인은 이와 같은 협업 및 관리시스템을 구축하기 위하여 해당 기업의 각 부서별로 파편화된 여러 데이터들을 표준화하였고, 이를 AgensGraph를 통하여 그래프 데이터 모델로 저장하였습니다.
그리고 아래 그림과 같이 각 파트별 협업 과정과 성과 지표를 조회하고 관리, 분석하는 기능을 직관적으로 확인할 수 있는 그래프 시각화 플랫폼을 기획하게 되었습니다.

<협업 및 성과 관리 시스템의 도식화>

 

이처럼 반도체 품질 관리에 AgensGraph를 활용함으로써 제조업체는 데이터에 존재하는 복잡한 관계와 패턴에서 귀중한 통찰력을 얻을 수 있습니다. 이러한 통찰력은 제품 품질을 향상시키고, 제조 공정을 최적화하고, 결함을 줄여 반도체 시장에서 고객 만족도와 경쟁력을 높이는 데 도움이 될 수 있습니다.

 

3D그래프 시각화 사례

 

3D그래프는 다양한 추세와 패턴. 그리고 공간데이터(지리학, 지질학 및 건축 분야 등)를 처리할 때 유용하게 쓰이며, 사실적인 표현으로 복잡한 구조를 시각화하여 분석하는 데 용이합니다.

상황에 따라 다양한 인사이트를 보여주는 해외의 시각화 고도화 사례들을 소개드립니다.

 

1. Senseable City Lab(인간 이동성의 보편적인 방문 법칙에 대한 시각화 연구)

첫번째 소개드릴 3D시각화 활용 사례는 MIT미디어 랩과 협업하는 MIT의 도시디자인 및 개발 그룹 내 실험실에서 개발한 ‘도시별 방문 데이터를 시각화’한 사례입니다.

<도시별 사람들이 장소에 따라 방문한 움직임을 표현한 데이터 시각화>

<도시별 사람들이 장소에 따라 방문한 움직임을 표현한 데이터 시각화 - Diagrma버전>

 

위의 3D 그래프는 각 도시별로 사람들이 장소에 따라 방문한 데이터를 수집하여 시각화한 그래프입니다. 어느 지역이 가장 방문 횟수가 높고 어느 곳이 가장 붐비는 곳인지 쉽게 파악할 수 있고, 마우스 휠을 움직이면 다양한 각도에서 데이터 결과를 입체적으로 파악할 수 있습니다. 방문횟수가 높으면 높을수록 노드의 색상은 붉은색으로 표시됩니다.
데이터를 확인할 때, 보다 몰입감있고 사실적인 표현을 제공하여 컨텍스트에서 데이터를 더 잘 이해하고 분석할 수 있도록 합니다.

 

2. Senseable City Lab(브라질 Rocinha 인구 밀집도 시각화 연구)

<브라질 빈민촌 ‘Rocinha’지형을 3D Scanning하여 인구밀집도 시각화>

 

 

해당 사례는 브라질의 Rocinha라는 빈민촌 지형을 3D Scanning하여 도시 외곽을 따라 인구 밀집도의 데이터들을 배치한 시각화 사례입니다. 특정 공간에 따라 밀집도가 높을수록 붉은색으로 표현되며, 노드의 간격도 더 촘촘하게 배치되어 직관적으로 인구 밀집 현황을 파악할 수 있습니다. 또한 특정 거리(지역)를 클릭하면 화면의 가장자리에 디테일한 정보를 파악할 수 있는 막대차트를 함께 제공하여 사용자 입장에서 해당 공간을 더욱 심층적으로 바라볼 수 있습니다.

이처럼 도메인별 특성에 따라 효과적인 데이터 시각화 방법을 고민한다면 더 빠르고 효율적으로 데이터를 분석할 수 있습니다.

 

 

 

 

글 : 서제우 선임 ( 비트나인 Product 기획팀 )