AI (측정/코치)
EDUM AI
EDUM AI 알고리즘은 Deep Learning 및 LLM 등의 최신 인공지능 기술을 활용하여 학습자의 학습 행동 및 심리 상태에 따라 초개인회 맞춤 학습 지도 및 훈련과 보상을 제공하는 EDUM 서비스의 핵심 기술입니다.
1) 안면 인식 AI : 스마트폰의 카메라를 통한 학습자의 움직임을 감지하고 학습 스타일을 분석하여 학습 시간 및 집중도를 파악하는 Deep Learning 알고리즘으로 학습 집중의 결과에 따라 보상을 통하여 학습 집중도를 향상 시키는 서비스에 활용되는 인공지능 기술입니다.
2) BIO-LLM AI : 최근 인공지능 분야에서 가장 각광 받고 있는 대규모 언어모델(LLM, Large Model Language) 기술을 활용하여 학습자의 생체 신호인 뇌파(EEG, Electro Encephalo Graphy), 맥파(PPG, Photoplethysmogram) 및 움직임 등을 측정한 데이터를 기반으로 학습자의 학습 행동 및 심리 상태를 분석하여 개인 맞춤 학습 행동 지도 및 훈련과 보상으로 연결하는 서비스에 활용되는 세계 최초의 생체 신호 기반의 BIO-LLM 기술입니다.
안면 인식 AI
KAIST(한국과학기술원)와의 협업을 통해 개발된 '학습 측정 AI 알고리즘'을 활용하여 더욱 정교한'안면 인식' 기반의 학습 측정을 학습자에게 제공하여 합리적인 보상을 제공합니다.
핸드폰이나 태블릿에 탑재된 카메라를 사용하여 학습자의 움직임을 감지하며, 이를 통해 학습 스타일을 분석하고 정량화 할 수 있어 궁극적으로 학습 효과와 집중력을 향상시킬 수 있습니다.
안면 인식 AI 알고리즘은 Person re-identification을 활용하여 사용자의 초기 데이터를 학습한 후 튜브 마스킹 기술을 사용하여 학습된 비디오를 분석하여 동일인 여부를 식별합니다. 얼굴 비교 분석과 동시에 각종 동작과 착석 상태를 분석하여 정확도를 더욱 높이고 있습니다. 시간의 중복성과 대응성으로 인해 재구성이 용이한 VideoMAE 딥러닝 알고리즘을 사용하였으며, 학습자의 학습정보를 AI알고리즘으로 판별하여 정확한 학습 형태를 분석하고 수치화 할 수 있습니다.
Action Recognition 알고리즘은 BEVT 와 UniFormerV2 두가지 알고리즘을 통해 각종 동작을 학습하고, 학습 모델을 기반으로 측정결과에 대한 정확도를 높일 수 있습니다. BEVT 알고리즘은 두가지 관찰에 의해 데이터를 판별하며, 먼저 이미지 데이터에 대해 이미지 모델링을 수행한 다음 비디오 데이터에 대해 마스킹된 비디오 모델링을 공동으로 판단합니다. UniFormerV2 알고리즘은 단기간의 비디오 프레임 간의 중복성과 유사성 비교로 시공간 중복성과 종속성을 해결해 줍니다. UniFormer 알고리즘에 장기간의 비디오 의존성을 학습하는 능력을 보여주는 ViT(Vision Transformers) 알고리즘으로 보완하여 성능을 강화한 UniFormerV2 알고리즘을 사용합니다. Deepface 유사성에서 90% 이상의 정확도를 보여주는 등 학습된 데이터를 기반으로 측정자의 동작 상태를 비교 분석하여 착석상태 측정의 정확도를 높입니다.
인공지능 기술의 융합과 자동화된 DATA Process로 신속하게 성능을 개선하며 자동화 검증을 통하여 지속적으로 고도화 하고 있습니다. 이렇게 수집되는 사용자의 데이터들은, 개인 정보의 비 식별화 (De-identification), 익명화 (Anonymization), 데이터 삭제 (Data Reduction) 및 통계처리 (Aggregation) 등의 기술을 통하여 프라이버시를 보호하고 있다. 또한 다른 정보와의 결합 없이는 식별이 불가능한 정보로 암호화 (Encryption)되어 육안판독(Human Readable)이 불가능한 형태로 저장되며 이는 암호해독(Decryption)이 불가능해 프라이버시 보호가 가능합니다.
BIO-LLM AI
생체 인식 디바이스 : EEG(뇌파), PPG(맥파) 인식 센서와 눈 깜빡임, 머리 움직임 등을 인식하는 Accelerator(가속기), Gyro(회전) 센서를 내장한 이어폰 모양의 Earbuds를 통해 학습자의 심리, 행동을 측정합니다.
생체 신호 데이터 전처리 : Earbuds의 Analog 신호를 Digital로 변환하고 이를 증폭(Amplification), Filtering한 데이터를 AI 알고리즘에서 필요한 데이터로 정제(Cleaning)하고 이를 수학적 형태로 변환(Embedding)하여 저장합니다.
LLM 알고리즘 : 이러한 뇌파, 맥파, 움직임 등의 데이터를 조합하여 패턴 분석으로 통하여 학습자의 심리적 안정도, 집중도 등 학습 성과에 영향을 미치는 요소를 분석하여 결과에 따른 개인별 학습 지도 및 훈련 코칭 정보를 앱 서비스로 전달합니다.
EEG 데이터 학습 알고리즘
감정 상태와 인지 부하 간의 학습 전이를 위한 EEG 신호를 활용한심리적 상태와 연관된 EEG Dataset을 사용합니다.
자가 지도 방식의 자동 인코딩(Self-supervised masked autoencoding) 방식으로 AI 모델을 사전 훈련시키고, 가중치를 고정시켜 전이 학습(Transfer learning)을 통하여 Cognitive Load Classification하는 알고리즘입니다.
생체 데이터 임베딩
Converting raw EEG signals into tokenized sequences of EEG features
Pre-Processed EEG Signal : 입력된 주파수 데이터에 대하여 1-75Hz의 통과 대역 주파수를 갖는 2차 Butterworth 대역 통과 필터를 적용하여 EEG 이외의 노이즈와 Artifacts를 제거합니다.
feature Extraction : 전력 스펙트럼 밀도(PSD, Power Spectrum Density)와 차분 엔트로피(DE, Differential Entropy) 등 2개의 핵심 피처로 PSD는 다른 주파수 구성 요소에 대한 신호 전력의 측정치이며, 이 특징을 계산하기 위해 Welch의 방법을 사용합니다.
Tokenization : 신호를 작은 영역으로 분할하고, 각 섹션에 창 함수를 적용하여, 각 세그먼트의 이산 푸리에 변환(Discrete Fourier Transform)을 계산한 다음, 그 제곱한 크기의 평균값을 구합니다.
Masking : 이 결과값을 모든 정보가 노출되지 않도록 Masking을 하는 과정으로 진행됩니다
Transformer Architecture
마스킹이 완료된 시퀀스를 L1 손실 함수와 MAE를 응용하여 전처리된 모델에 적용
전처리된 모델의 효과를 조사하기 위해서는 다음 두 가지의 시나리오를 고려합니다.
(1) 트랜스포머 블록을 고정(frozen)시키고 예측 헤드만 훈련시키기 (2) 새로운 예측 헤드와 트랜스포머 블록을 함께 훈련시키기
두 경우 모두 모델을 Binary Cross Entropy 손실 함수로 처리합니다.
EDUM AI 활용
에덤 서비스에서 획득한 학습패턴과 생체데이터는 에덤의 AI 시스템 “Athena” 를 활용해 에듀테크 사업의 혁신을 이뤄낼 수 있습니다. 인공지능(AI)으로 학습 패턴과 요구를 파악하여 학습자를 위한 교육의 효율성 및 접근성을 향상시키며, 컨텐츠와 시스템 개선 및 아래와 같은 다양한 서비스에 활용할 수 있습니다.
개인 맞춤형 학습 : AI 알고리즘으로 사용자 개개인의 학습 스타일에 맞춰 학습 행태, 학습 유형, 학습 속도를 최적화하고 학습 참여도와 학습 효과를 극대화합니다.
성과 예측 : 학습자의 다양한 학습 데이터를 기반으로 학업 성취도 및 입학 가능성 등을 예측합니다. 이는 진학사의 입시 예측 상품 등에 활용될 수 있으며 다양한 결합 상품 형태로 서비스 될 수 있 습니다.
자동화된 평가 및 피드백 : AI는 다양한 학습 행태를 자동으로 분석 및 평가하고 개인별 맞춤형 피드백을 제공합니다. 이는 학생들이 자신의 강점과 약점을 파악하고 학습을 개선하는 데 도움이 됩니다.
멘토링 및 학습 지원 : 학생들의 학습 과정을 실시간으로 모니터링하고 개인별 멘토링을 활용하여 학습 과정에서 애로사항을 해결하고, 학습 동기를 부여하며, 학습 목표 달성을 위한 전략을 제시합니다.
학습 트렌드 분석 : 대규모 학습 데이터를 분석하여 학습 트렌드, 학습자별 특성, 학습 콘텐츠의 효과 등을 파악합니다.
에덤의 APP & DEVICE 서비스에서 사용자의 [공부 습관, 뇌파, 집중도] 등의 정형&비정형 패턴 DATA를 수집하고, 수집된 DATA는 [뇌파, 의지, 집중, PPG, EEG, 패턴, 주도]등의 항목별 학습 DATA로 가공▪분석됩니다. 분석된 DATA는 AI 기술을 활용해 가공▪분석되고 이를 통해 세밀한 고객 이해, 미래 행동 예측, 사용자 중심의 전략이 가능하며 이는 서비스 고도화와 다양한 신규 서비스를 가능하게 해줍니다.
Use Case #1 개인화 코칭
에덤의 에듀테크는 AI 시스템을 통해 정교하고 고도화되며, 사용자들의 행동 예측과 의도분석 등을 연결하거나(Clustering) 분류(Classification)합니다. 에덤의 APP과 Device 를 통해 수집된 학습자의 다양한 DATA 정보를 AI 시스템으로 분석하여 초 개인화된 학습 행동 서비스를 제공합니다.
누적회원 400만명 이상의 진학사, DAU 15만명의 캐치 등 교육과 성장에 타겟팅 된 강력한 사용자 Pool을 활용할 수 있으며, 고효율의 DATA 활용으로 사용자의 행동 예측과 최적화된 사업 전략 및 맞춤형 서비스 등이 가능합니다. DATA를 활용한 비즈니스를 통해 신규 회원과 컨텐츠 확보 및 마케팅 비용 등의 어려움을 겪고 있는 제휴사에게는 컨텐츠 교환 판매/유저 유입/채널링 다양한 비즈니스 기회를 제공할 것으로 기대합니다.
Use Case #2 _ 결합 상품
사용자의 학습 패턴을 파악하여 타겟팅/맞춤형 상품 구성이 가능하며, 개별 제품들의 연계 서비스로 확장한 다양한 패키지 상품까지도 서비스를 확장할 수 있습니다. 예를 들어 상위권 사용자의 뇌파와 집중력 데이터를 표준화 시키고 상대적으로 낮은 수준의 뇌파와 집중력 사용자에게 컨텐츠를 판매할 수 있으며, 학습 NFT와 뇌파 컨텐츠의 패키지 상품을 구성할 수도 있습니다.
이렇게 EDUM DEVICE 및 NFT 같은 서비스와 DATA가 결합한 서비스타이제이션(Servitization)은 EDUM DEVICE와 NFT의 직접적인 매출 증대 뿐만 아니라 연관된 파생 상품/패키지 상품으로 확장되고 더 큰 부가가치를 창출할 수 있습니다.