In this presentation, we discuss about - What is AI Transformation(AIX) - Success story of ZARA with AIX - How to transform the National Science Museum into AI centric service organization

1. AI Transformation in National Science Museum
국립중앙과학관에서의 AI 트랜스포메이션
1
Sangjo Yoo, Ph. D.
ysj2145@korea.kr
National Science Museum
2020.11.3
Presented at the 1st World Museum Forum(`20.11.24~27)
(http://worldmuseumforum.org/)

2. 22
Affiliation
• National Science Museum (19.5~)
- Researcher, Curator / Exhibition Division
- Special Exhibitions
- Online VR Exhibitions
- Visitor Statistics Analysis (AIX in NSM)
Interests
• 5G, VR, AI, Big data, AIX, …
Introduction

3. 3
Topic: AI Transformation (AIX) in National Science Museum(NSM)
1. AIX Transformation(AIX)
2. AIX Example(ZARA)
3. AIX in NSM
4. Conclusive Remarks
List of Contents
3

4. 4
1. AI Transformation(AIX)
4
2016년 알파고의 등장 4년 후, 지금은 AI 시대
• AI 기술 경쟁 격화: 신사업 창출, 기존 사업에서의 우위 달성
• AI 인재 양성: 전 국민 AI/SW 교육 확산 정책 (「인공지능(AI) 국가전략」, 2019.12.17)
「인공지능(AI) 국가전략」(2019.12.17./제53회 국무회의)
(2022)
(2020)
(2020)

5. 55
요즘 자주 받는 질문:
• 관장님 : 관람객 특성을 빅데이터로 구축 및 활용 할 수 있나요?
• 직원A : 고객이 어떤 전시 콘텐츠를 좋아할까?
• 직원B : 적당한 패널 길이는?
• 직원C : 전시품 공간 배치의 최적 방안?, 관람객 동선 추천은 어떻게?
• 직원D : 5년마다 하는 전시품 교체를 더 잘할 수 있는 방법이 있을까?
• 전산팀 직원: 빅데이터 구축을 왜 하나요?
→ 질문요약: AI와 빅데이터로 과학관을 더 효율적인 조직으로 개선할 수 있는가?
1. AI Transformation(AIX)

6. 66
정의: 기존 조직의 의사결정, 전략, 솔루션, 서비스를 AI중심의 프로세스로 변환하는 것
목표: 회사, 조직의 효율성 개선을 통한 이윤의 극대화 (operation cost ↓, revenue ↑)
목표 설정
데이터
수집, 분석
(Big data
from DX)
가설수립
(모델링)
의사결정,
실행,
가설검증
분석, 평가 목표달성/
개선
Feedback, learning
AI-driven decision process
(학습, 결정, 실행, 평가, 피드백)
1. AI Transformation(AIX)

7. 7
2. AIX Example
7
는 어떻게 세계 1위 Fast Fashion 브랜드가 되었나
• 문제점: 의류(패션) 시장의 트렌드는 시시각각 변화하고, 예측이 어려움
✓ 트렌드 예측의 불확실성: 21년도 봄 신상 여성 의류는 어떤 디자인이 유행할까?
✓ 생산/재고 관리의 어려움: 각 품목별 의류를 얼마나 생산해야 하는가?
• 1975년 스페인 작은 상점에서 30유로로 시작 → 2019년 기준 전세계 96개국 7490개 매장 보유

8. 88
ZARA의 전략: 데이터 기반 “Fast & Accurate Fashion”
• 고객이 원하는 옷을 정확히 만들어 빨리 배송·판매함으로써 영업이익률 극대화
• 의류의 적기 공급 생산(Just in time, JIT) 실현
항목 업계 평균 ZARA
제품 기획 방식 공급자 중심
(디자이너)
소비자 중심
(데이터)
리드타임 5~6개월 2~3주
특징 소품종 대량생산 다품종 소량생산
재고율 17~20% <10%
정가 판매 비율 60~70% 80%
광고비 지출 매출액의 3~4% 매출액의 0~0.3%
신제품 실패율 17~20% <1%
Reference: https://www.chosun.com/site/data/html_dir/2019/06/06/2019060600954.html
2. AIX Example

9. 99
ZARA의 데이터 획득 및 구축 방법
소비자 니즈 디자인 생산/제조 유통/물류 판매
‘패션온디맨드’ 생산시스템으로 재고량 최소화
매장 PoS, RFID
전자상거래 데이
터, 고객조사,
SNS,
데이터
디자이너
잘 팔릴 것 같은 옷을
빠르게 다품종 소량생산
Arteixo 데이터 센터
(데이터 수집, 분석, AI)
Reference: http://fpost.co.kr/board/bbs/board.php?wr_id=17&bo_table=fsp1
2. AIX Example

10. 1010
ZARA의 전략: 연간 4.5억 개 생산 제품의 재고를 어떻게 관리할 것인가?
소비자 니즈 디자인 생산/제조 유통/물류 판매
데이터 기반 매장, 재고, 배송 관리, 수요예측
Reference: 김철원 외 4명, “불확실한 경영환경 속 빛나는 글로벌 기업의 분석 기반 혁신사례”, KT경제경영연구소
http://fpost.co.kr/board/bbs/board.php?wr_id=17&bo_table=fsp1
RFID
옷의 실시간 위치 정보 파악
• 옷의 세부정보(색상, 디자인 등)
• 탈의실에 자주 가는 옷
• 다른 선반에 잘못 걸린 옷
• 가까운 판매 매장
점포별 상품 자동 출하
• 재고 최적 분배 알고리즘(MIT대학)
• 재고 조사 소요 시간 감소(40->4시간)
2. AIX Example

11. 11
3. AIX in NSM
11
ZARA의 성공사례와 NSM이 가야할 길
• 패션, 전시의 공통점 : 고객의 주관적 경험을 만족 시키기
• AIX를 통해 더 나은 고객 경험의 제공을 제공하는 것 → 관람객이 무엇을 원하는가를 아는 것
• 콘텐츠 공급 방식: 공급자 중심에서 수요자 중심 전환 필요 시점
관람객 니즈,
전시 트렌드
전시기획/개발 전시 운영 유지/관리 관람객 만족도 평가
SNS, 웹,
신문기사,
키워드,
과학이슈,
관심사,
전시소장품
누가, 무엇을,
어떻게, 왜,
얼마나 오래
보는가?
관람 동선,
전시품 추천
센서 기반
소장품 관리,
데이터 기반
전시품 교체
편향 없는
정확한 평가
결과 확보

12. 12
3. AIX in NSM
12
관람객 니즈,
전시 트렌드
전시기획/개발 전시 운영 유지/관리 관람객 만족도 평가
SNS, 웹,
신문기사,
키워드,
과학이슈,
관심사,
전시소장품
회원 정보 +
관람 동선 +
방문빈도+
표정+
…..
• 데이터 기반 전시 기획
- 관람객은 어떤 전시주제를 좋아하는가? (물/화/생/지/기술/산업)
- 주요 관람 대상은? (가족, 초/중/고등학생, 성인, 커플, 단체/개인, 등…)
- 전시를 보는 방식은? (숲 형 vs. 나무형)
- 전시 패널의 적정 길이는? (3문장? 빽빽이?)
- 적정 전시품 비율은? (유물, 패널, 작동전시품, 영상, 인터랙티브, AR/VR)
- 관람객 동선에 따른 전시품 배치? (A-B-C or A-C-B?)
시도해 볼 만한 것들:

13. 13
3. AIX in NSM
13
관람객 니즈,
전시 트렌드
전시기획/개발 전시 운영 유지/관리 관람객 만족도 평가
관람 동선,
관심 키워드,
관람객 유형,
….
• 맞춤형 관람 동선 및 전시품 추천
- 방문 목적 (아이 교육, 개인 관심, 학교 단체, 데이트)
- 예상 관람 시간 (30분, 1시간, 2시간, all day…)
시도해 볼 만한 것들:

14. 14
시도해 볼 만한 것들:
3. AIX in NSM
14
관람객 니즈,
전시 트렌드
전시기획/개발 전시 운영 유지/관리 관람객 만족도 평가
• RFID기반 디지털 수장고 관리 시스템 구축
- 수장고 담당자는 2~3년마다 바뀜
- 특별전 기획 시, 소장품 찾는데 상당한 시간 소요
- 전시 키워드 입력 시, 전시품 자동 추천, 위치 안내
- E-과학기술자료관 시스템과 연동
센서 기반
소장품 관리,
데이터 기반
전시품 교체
• 전시품 자동 교체 알림 시스템
- 상설 전시품은 5년마다 일괄적 교체
- 인기전시품은 재생, 하위20%는 교체
- 관람 동선 및 전시품 인기도 수집 시스
템과 연계 필요

15. 15
3. AIX in NSM
15
현실: 좋은 데이터가 없다
→ 콘텐츠 소비 패턴 분석을 위해 관람객 동선 tracking 및 전시품 선호도 분석 시스템 구축 필요
→ 고객 데이터의 확보/저장/처리/연동을 위한 정보화 시스템의 구축이 선행 되어야 함
구분 수집플랫폼 수집데이터 항목 문제점
Offline 무인계수기 관람객수 (일, 전시관)
관람객 특성 분석 불가
(나이, 지역, 성별)
Online
홈페이지
이름, 생년월일, 전화번호, 성별, 주소,
학교명, 예약
개인정보 문제로
데이터 통합/연동이 되어
있지 않음
e-과학기술자료관 소장품 이름, 분류, 시대, 유형, 크기
Youtube 과학관 TV 연령, 성별, 시청지속시간
온라인 VR 전시관
조회수, 관람동선, 체류시간, 인기전시
품, 접속지역 등

16. 16
3. AIX in NSM
16
관람객 동선 추적 방법:
• 어떤 전시품을 보고 있는가? → 해당 전시품과 관람객이 얼마나 가까이 있는가?
• RF 실내 측위(BLE, WiFI): 큰 오차율(3m>), 다수의 AP 필요, 휴대폰 소지 + BLE/WIFI On 필수
• LiDAR+SLAM: 높은 정확도(cm레벨), 높은 가격(2~3천만원), 전시관 벽체/구조 고려 설치 필요
Reference: https://www.youtube.com/watch?v=seFCcRtuino
과학관에는 휴대폰 미소지
고객이 다수 (유아, 어린이)

17. 17
3. AIX in NSM
17
전시 관람 동선 분석 사례 – 국립대구과학관
• 데이터 기반 상설 전시관 전시품 교체 방안 연구
• 정량화된 데이터를 활용하여 신뢰성 있는 교체 계획, 관람 동선 수립
• 실험 대상: 수족관 전시품 3점(상설전시 1관)
Reference: 유준상 외 5명, “텐서플로우를 활용한 전시체험 분석 시스템 개발,” ISSM 2019.
1 2 3
구분 체험 인원 체험 시간
1번 전시품
2번 전시품
3번 전시품
관람 경로 체험 인원
1번 → 2번 → 3번 전시품 체험
1번 → 2번 전시품 체험
1번 → 3번 전시품 체험
2번 → 3번 전시품 체험
1번 전시품 체험
3번 전시품 체험

18. 18
3. AIX in NSM
18
TensorFlow Object Detection API를 활용한 관람객 인식 및 추적
Reference: 유준상 외 5명, “텐서플로우를 활용한 전시체험 분석 시스템 개발,” ISSM 2019.
구분 체험 인원 체험 시간
1번 전시품 41명 12초
2번 전시품 33명 18초
3번 전시품 32명 7초
관람 경로 체험 인원
1번 → 2번 → 3번 전시품 체험 23명(45%)
1번 → 2번 전시품 체험 7명
1번 → 3번 전시품 체험 2명
2번 → 3번 전시품 체험 5명
1번 전시품 체험 9명
3번 전시품 체험 5명

19. 19
3. AIX in NSM
19
상용화 사례: Scalawox @ 2020 AI KOREA EXPO

20. 20
3. AIX in NSM
20
추가로 필요한 것:
• 실시간 관람객 얼굴인식
• 연령, 표정, 시선 분석/추적
• 개인의 전시품 선호도 분석 가능
✓ 집중하는가?
✓ 얼마나 오래 보는가?
✓ 적정 전시패널 분량은?
✓ 유물전시 vs. 체험전시
→ 주관적 전시 경험의 정량화
Source: https://github.com/YutaItoh/3D-Eye-Tracker
https://news.joins.com/article/19473673

21. 21
3. AIX in NSM
21
풀어야 할 문제들
• 얼마나 많은 센서(카메라)를 설치 할 것인가?
(100개? 1000개?)
• 센서 데이터의 저장, 처리 및 관리
(360p, 30f 영상 저장 시 1Mbps 소요)
• 예산, 개발/관리 인력 투자 대비 효용성
(운영 직원 vs. 데이터)
• “개인정보 보호법” 준수 여부?
(비식별화기술을 통한 가명정보 생성 필요)
Reference: https://www.ajunews.com/view/20200220150833227

22. 22
Source: 하용호 @카카오
4. Conclusive Remarks
왜 과학관에서 AIX를 해야하는가?
• 조직의 needs: “고객이 무엇을 좋아하고 원하는가를 아는 것”
- 직원들은 느낌(feeling)으로는 알지만 그것을 객관적으로 증명(validation)할 방법은 없음
• AIX를 통한 자동화, 증강지능, 데이터 기반 의사결정 가능
• BEST PART: 전시라는 주관적인 영역을 객관화(데이터화) 하여 해석할 수 있는 기회 제공 가능
→ More room for improvement!

23. 2323
Source: 구성모, “엔터프라이즈의 인공지능(AI)과 머신러닝(ML) 적용은 왜 어려울까?”, BESPIN GLOBAL
4. Conclusive Remarks
어려운 점:

24. 24
• 파일럿 프로젝트 진행을 통해 AIX 성공사례를 만들고, 조직적으로 공유
24
AIX에 관한 전문가 조언(Andrew Ng)
Source: Andrew Ng, “AI Transformation Playbook,” landing.ai
AI Transformation Playbook:
1. Execute pilot projects to gain momentum
2. Build an in-house AI team
3. Provide broad AI training
4. Develop an AI strategy
5. Develop internal and external communications
• 스탠퍼드 대학 교수
• Baidu 부사장, 수석과학자
• Google Brain Project Lead
• Coursera 공동 창업자
• Deeplearning.ai 회장
4. Conclusive Remarks

25. 2525
Thank you!