다양한 산업 분야에 활용될, 맞춤형 인공지능 설명 가능한 인공지능(XAI) 혁신 기술 트렌드 및 향후 전망
$506.00
SKU
9791190870368
[Free shipping over $100]
Standard Shipping estimated by Mon 12/9 - Fri 12/13 (주문일로부 10-14 영업일)
Express Shipping estimated by Wed 12/4 - Fri 12/6 (주문일로부 7-9 영업일)
* 안내되는 배송 완료 예상일은 유통사/배송사의 상황에 따라 예고 없이 변동될 수 있습니다.
| Publication Date | 2022/05/18 |
| Pages/Weight/Size | 210*297*30mm |
| ISBN | 9791190870368 |
| Categories | 경제 경영 > 경제 |
Contents
Ⅰ. 주요 산업 분야별 맞춤형 AI(인공지능) 활용 동향
1. 디지털 시대 맞춤형 인공지능(AI)으로의 진화
1-1. 디지털 시대
1) 4차 산업혁명의 핵심인 인공지능(AI)
2) 팬데믹(pandemic)으로 인한 환경 변화
3) 새로운 변혁시스템을 요구하고 있는 미래사회
1-2. 인공지능(AI) 기반 디지털 사회
1) 인공지능(AI)과 언택트
2) 인공지능(AI)과 디지털 혁신
3) 디지털 비즈니스 생태계
(1) 옴니채널(Omni-channel) 상거래
(2) 디지털 콘텐츠 소비
(3) 디지털 플랫폼화
1-3. 디지털 시대 인공지능의 진화
1) 미래 인공지능 알고리즘
(1) 맞춤형 인공지능 기술 개요
(2) 맞춤형 인공지능의 등장 배경
2) 맞춤형 인공지능 개념 및 특징
(1) 맞춤형 인공지능 개념
(2) 맞춤형 인공지능 특징
2. 본격적인 인공지능(AI) 시대 도래
2-1. 위드 AI 시대 개요
1) 위드 AI 시대 빅데이터와 인공지능(AI)의 관계
2) 위드 인공지능(AI) 시대
2-2. 인공지능 기반 디지털 시대
1) 디지털 시대 인공지능 기술(AI)의 중요성
2) 인공지능을 기반으로 한 디지털 사회
2-3. 인공지능 진화에 따른 편향성 문제
1) 인공지능의 블랙박스 투명성 요구
2) AI 부작용이나 위험성에 대한 해결 방안
3. 주요 산업별 맞춤형 AI 활용 동향
3-1. 헬스케어(Healthcare) 분야
1) 개요
2) 인공지능(AI) 도입의 필요성
(1) 경제적 관점에서의 필요성
(2) 질병예방과 만성증상 관리가 새로운 쟁점
(3) 헬스케어의 네트워크화
3) 인공지능(AI) 도입을 위한 방법
(1) 클라우드화
(2) 인간적인 교류와 리더십
(3) 데이터 최적화와 분석
(4) 협력체제와 스케일업
4) 인공지능(AI)의 역할
(1) 대규모 파괴적 변혁 발생
(2) 의료 관련 데이터의 폭발적 증가
(3) 헬스케어 분야의 AI 활용 시나리오
(4) 헬스케어에서 AI 활용에 따른 주요 이점
5) 국내외 시장규모 전망
(1) 글로벌 시장
(2) 국내 시장
6) 선행 사례
(1) 병원 서플라이체인 자동화를 통한 효율 개선
(2) 전자건강기록을 구조화 데이터로 전환
(3) 병원 수요예측에 활용
(4) 재입원을 줄이기 위한 AI 솔루션 개발
(5) 당뇨환자 검사를 통한 안질환 예측
(6) CT 검사에 의한 사망률 예측
(7) 얼굴인식 기술에 의한 치매환자의 통증 정도 측정
7) 해외 주요 사례
(1) 가상 간호조무사에 의한 환자 모니터링
(2) 눈의 증상 악화를 몇 초 만에 진단
(3) 신약개발 프로세스 및 약물 리포지셔닝 프로세스의 합리화
(4) 맘모그라피 진단시간 단축과 미스 감소
8) 미국 알파벳의 AI 주요 전략
(1) AI를 활용하는 의약품 연구개발
(2) 화상 진단 AI
(3) 백오피스 업무의 자동화
(4) 의료 데이터 보관
(5) 기타
3-2. 제조업 분야
1) 스마트 제조의 요소
(1) 정보전달 속도
(2) 데이터의 역할 범위
(3) 생산품종의 다양성
2) AI 스마트팩토리
3) AI 주도 시스템(AI-Driven System)
(1) 스킬 및 데이터 품질의 장벽의 완화
(2) AI 주도 시스템이 등장함에 따른 설계의 복잡화
(3) 저소비전력, 저비용 기기에 대한 AI 도입
(4) 강화학습이 산업 용도로 이동
(5) 데이터 품질을 시뮬레이션을 통해 극복
4) 스마트제조 기술 분야별 AI 적용 사례
(1) 머신비전 검사
(2) 예지 정비
(3) 가상 시운전
5) 제조 업계의 AI 활용 사례
(1) Siemens : 국가 규모의 제조
(2) 미국 GE 애비에이션 : 제조업에서 서비스업으로 탈바꿈
(3) Amazon : AI 로봇에 의한 자동화 창고
(4) FUJITSU : 제조 AI 프레임워크는 고객의 니즈에 기여
(5) FANUC : 딥러닝을 도입한 산업 로봇의 활약
(6) 토요타 : AI 자동차
(7) SOINN : 로봇이 학습
(8) MUJIN : 무인 제조 공장
(9) LG CNS
(10) 현대자동차
(11) 삼성전기
(12) LS산전
(13) 전자부품연구원
3-3. 자동차 분야
1) 차량용 인공지능
(1) 자동차의 AI 개발 동향
(2) 자동차 AI 시장 동향과 전망
2) 자율주행차 시장 규모 전망
(1) 상용화 시기 전망
(2) 글로벌 시장 규모 전망
① 시장 규모 전망
② 향후 산업 전망
(3) 레벨별(Lx3/Lx4) 시장규모 전망
3) 인지ㆍ판단 시스템 기술 동향
(1) 개요
① 개념
② 필요성
(2) 기술개발의 주요 이슈
① 서라운드 센서융합 중심 인지 및 판단시스템
② 자율협력주행(도로인프라)연계 인지 및 판단시스템
(3) 주요 업체별 개발 동향
① 구글(Google)
② 퀄컴(Qualcomm)
③ 엔비디아(NVIDIA)
④ 인텔(Intel)
⑤ 테슬라(Tesla)
⑥ 글로벌 OEM(GM, Benz, BMW, 현대자동차)
4) AI 스타트업의 M&A 현황
(1) 자율주행차의 AI
(2) AI 개발업체 M&A 현황
① 애플(Apple)
② 포드 ’Ford AI Argo AI’
③ 토요타 ‘Toyota Ai venture’
④ 제너럴 모터스(GM) ‘Cruise’
(3) 자동차 관련 주요 AI 스타트업 기업
Ⅱ. 설명 가능한 인공지능(XAI) 핵심기술 개발동향
1. 설명 가능한 인공지능(XAI) 기술 개요
1-1. XAI(eXplainable AI) 등장 배경과 개념
1) XAI 등장 배경
2) 인공지능의 확산에 따른 부작용
(1) 인공지능에 대한 거부감, 불쾌한 골짜기(Uncanny Valley)
(2) 딥러닝 기술
① 딥러닝의 진화
② 현재 인공지능이 지닌 문제점, 블랙박스의 미스터리
③ 인공지능의 대표적 오류 사례
(3) 인공지능의 편향성(Bias) 문제
① AI의 의사결정 지원과 편향성(Bias)
② 데이터의 편향성(Bias)
③ 데이터 편향 유형
④ 인공지능의 편향성(Bias) 문제 해결 방안
(4) AI 슈퍼파워의 등장과 시장 독점
① 데이터 경제(Data Economy) 시대
② 데이터 소유와 독점
3) XAI 개요
(1) XAI의 개념
(2) XAI의 필요성
1-2. AI 2.0 시대 XAI 기술 개요
1) AI 2.0 시대
2) 설명가능한 인공지능의 작동 방식
(1) 기존 학습 모델 변형: 심층신경망에 설명 가능성 부여하기 다윈AI 생성 합성 기술
(2) DAPRA XAI 전략, 기본 설계부터 인간이 이해할 수 있는 구조로 신경망을 만드는 방식
① 심층설명학습(deep explanation)
② 해석 가능한 모델(interpretable models)
③ 모델 귀납(model induction)
(3) 학습모델간 비교
2. XAI(설명가능한 인공지능) 핵심기술 개발 동향
2-1. XAI 프로세스 개요
1) XAI 프로세스
2) XAI의 접근 방법
2-2. XAI 개발을 위한 기술적 접근
1) 신경회로망 노드에 설명라벨 붙이기
2) 의사결정트리를 이용한 설명모델 만들기
3) 통계적 방법을 이용하여 설명모델 유추하기
2-3. XAI 기대효과 및 시사점
1) XAI 기대효과
(1) 경계 사례와 데이터 편향성을 탐지ㆍ제거함으로써 성능 향상
(2) 모델 정확성 및 성능 개선
(3) 신뢰성 확보
2) 시사점
3. 설명가능한 인공지능 알고리즘 핵심기술 개발 동향
3-1. 설명가능한 인공지능 알고리즘
1) 부분 의존 구성(Partial Dependence Plots, PDP)
2) 개별 조건 예측(Individual Conditional Expectations, ICE)
3) 민감도 분석(Sensitivity Analysis, SA)
4) 계층별 관련도 전파법(Layer-wise Relevance Propagation, LRP)
5) 일부 해석 모델(Local Interpretable Model-agnostic Explantion, LIME)
6) 첨가 요인 민감도(Sharply Additive Explanations, SHAP)
3-2. 활용 분야
1) 금융ㆍ핀테크 분야 서비스
2) 의료ㆍ헬스케어 분야 서비스
3) 자율주행 자동차
4) 제조업
3-3. 주요 업체별 XAI 기술 개발 현황
1) 미국 국방성 산하 방위고등연구계획국(DARPA)
2) IBM
3) 구글
4) 심머신(simMachines,Inc)
4. 주요 AI 알고리즘 트렌드
4-1. 제로샷 학습(zoro-shot learning)
1) 제로샷 학습(zoro-shot learning) 개념
2) 제로샷 학습(zoro-shot learning) 원리
3) 제로샷 방법론
4-2. 생성적 적대 신경망(Generative Adversarial Network)
1) GAN(Generative Adversarial Network) 개요 및 학습 방법
(1) GAN(Generative Adversarial Network, 적대적 생성 신경망) 개요 및 정의
① GAN 개요
② GAN 구조
(2) 적대적 학습방법
2) GAN 응용 모델과 적용 사례
(1) CGAN(Conditional GAN)
(2) InfoGAN
(3) Laplacian GAN
(4) DCGAN(Deep Convolutional Generative Adversarial Networks)
(5) DiscoGAN
4-3. 강화학습(Reinforcement Learning)
1) 개요
(1) MDP(Markov Decision Process) 방식
(2) DQN(Deep Q-Network)
2) 특징
4-4. 전이학습(transfer learning)
1) 개요
(1) 개념
(2) 특징
2) 전이학습 알고리즘
Ⅲ. 주요 산업맞춤형ㆍ설명가능한 AI 연구 통계 분석
1. 헬스케어 인공지능(AI) 연구개발 분석
1-1. 분석절차
1-2. 연도별 연구 동향
1-3. 인용 상위 연구
1-4. 주요 단어 및 네트워크 분석
1-5. 주제 분석
1-6. 연구 주제별 평균 인용 수
1-7. 연도별 주요 학술지
1-8. 주제별 전망
1-9. 오픈엑세스 저널 비율
1-10. 펀딩연구의 비율
2. 자동차 인공지능(AI) 연구개발 분석
2-1. 분석절차
2-2. 연도별 연구 동향
2-3. 인용 상위 연구
2-4. 주요 단어 및 네트워크 분석
2-5. 주제 분석
2-6. 연구 주제별 평균 인용 수
2-7. 연도별 주요 학술지
2-8. 주제별 전망
2-9. 오픈엑세스 저널 비율
2-10. 펀딩연구의 비율
3. 제조업 인공지능(AI) 연구개발 분석
3-1. 분석절차
3-2. 연도별 연구 동향
3-3. 인용 상위 연구
3-4. 주요 단어 및 네트워크 분석
3-5. 주제 분석
3-6. 연구 주제별 평균 인용 수
3-7. 연도별 주요 학술지
3-8. 주제별 전망
3-9. 오픈엑세스 저널 비율
3-10. 펀딩연구의 비율
4. 설명가능한 인공지능(AI) 연구개발 분석
4-1. 분석절차
4-2. 연도별 연구 동향
4-3. 인용 상위 연구
4-4. 주요 단어 및 네트워크 분석
4-5. 주제 분석
4-6. 연구 주제별 평균 인용 수
4-7. 연도별 주요 학술지
4-8. 주제별 전망
4-9. 오픈엑세스 저널 비율
4-10. 펀딩연구의 비율
1. 디지털 시대 맞춤형 인공지능(AI)으로의 진화
1-1. 디지털 시대
1) 4차 산업혁명의 핵심인 인공지능(AI)
2) 팬데믹(pandemic)으로 인한 환경 변화
3) 새로운 변혁시스템을 요구하고 있는 미래사회
1-2. 인공지능(AI) 기반 디지털 사회
1) 인공지능(AI)과 언택트
2) 인공지능(AI)과 디지털 혁신
3) 디지털 비즈니스 생태계
(1) 옴니채널(Omni-channel) 상거래
(2) 디지털 콘텐츠 소비
(3) 디지털 플랫폼화
1-3. 디지털 시대 인공지능의 진화
1) 미래 인공지능 알고리즘
(1) 맞춤형 인공지능 기술 개요
(2) 맞춤형 인공지능의 등장 배경
2) 맞춤형 인공지능 개념 및 특징
(1) 맞춤형 인공지능 개념
(2) 맞춤형 인공지능 특징
2. 본격적인 인공지능(AI) 시대 도래
2-1. 위드 AI 시대 개요
1) 위드 AI 시대 빅데이터와 인공지능(AI)의 관계
2) 위드 인공지능(AI) 시대
2-2. 인공지능 기반 디지털 시대
1) 디지털 시대 인공지능 기술(AI)의 중요성
2) 인공지능을 기반으로 한 디지털 사회
2-3. 인공지능 진화에 따른 편향성 문제
1) 인공지능의 블랙박스 투명성 요구
2) AI 부작용이나 위험성에 대한 해결 방안
3. 주요 산업별 맞춤형 AI 활용 동향
3-1. 헬스케어(Healthcare) 분야
1) 개요
2) 인공지능(AI) 도입의 필요성
(1) 경제적 관점에서의 필요성
(2) 질병예방과 만성증상 관리가 새로운 쟁점
(3) 헬스케어의 네트워크화
3) 인공지능(AI) 도입을 위한 방법
(1) 클라우드화
(2) 인간적인 교류와 리더십
(3) 데이터 최적화와 분석
(4) 협력체제와 스케일업
4) 인공지능(AI)의 역할
(1) 대규모 파괴적 변혁 발생
(2) 의료 관련 데이터의 폭발적 증가
(3) 헬스케어 분야의 AI 활용 시나리오
(4) 헬스케어에서 AI 활용에 따른 주요 이점
5) 국내외 시장규모 전망
(1) 글로벌 시장
(2) 국내 시장
6) 선행 사례
(1) 병원 서플라이체인 자동화를 통한 효율 개선
(2) 전자건강기록을 구조화 데이터로 전환
(3) 병원 수요예측에 활용
(4) 재입원을 줄이기 위한 AI 솔루션 개발
(5) 당뇨환자 검사를 통한 안질환 예측
(6) CT 검사에 의한 사망률 예측
(7) 얼굴인식 기술에 의한 치매환자의 통증 정도 측정
7) 해외 주요 사례
(1) 가상 간호조무사에 의한 환자 모니터링
(2) 눈의 증상 악화를 몇 초 만에 진단
(3) 신약개발 프로세스 및 약물 리포지셔닝 프로세스의 합리화
(4) 맘모그라피 진단시간 단축과 미스 감소
8) 미국 알파벳의 AI 주요 전략
(1) AI를 활용하는 의약품 연구개발
(2) 화상 진단 AI
(3) 백오피스 업무의 자동화
(4) 의료 데이터 보관
(5) 기타
3-2. 제조업 분야
1) 스마트 제조의 요소
(1) 정보전달 속도
(2) 데이터의 역할 범위
(3) 생산품종의 다양성
2) AI 스마트팩토리
3) AI 주도 시스템(AI-Driven System)
(1) 스킬 및 데이터 품질의 장벽의 완화
(2) AI 주도 시스템이 등장함에 따른 설계의 복잡화
(3) 저소비전력, 저비용 기기에 대한 AI 도입
(4) 강화학습이 산업 용도로 이동
(5) 데이터 품질을 시뮬레이션을 통해 극복
4) 스마트제조 기술 분야별 AI 적용 사례
(1) 머신비전 검사
(2) 예지 정비
(3) 가상 시운전
5) 제조 업계의 AI 활용 사례
(1) Siemens : 국가 규모의 제조
(2) 미국 GE 애비에이션 : 제조업에서 서비스업으로 탈바꿈
(3) Amazon : AI 로봇에 의한 자동화 창고
(4) FUJITSU : 제조 AI 프레임워크는 고객의 니즈에 기여
(5) FANUC : 딥러닝을 도입한 산업 로봇의 활약
(6) 토요타 : AI 자동차
(7) SOINN : 로봇이 학습
(8) MUJIN : 무인 제조 공장
(9) LG CNS
(10) 현대자동차
(11) 삼성전기
(12) LS산전
(13) 전자부품연구원
3-3. 자동차 분야
1) 차량용 인공지능
(1) 자동차의 AI 개발 동향
(2) 자동차 AI 시장 동향과 전망
2) 자율주행차 시장 규모 전망
(1) 상용화 시기 전망
(2) 글로벌 시장 규모 전망
① 시장 규모 전망
② 향후 산업 전망
(3) 레벨별(Lx3/Lx4) 시장규모 전망
3) 인지ㆍ판단 시스템 기술 동향
(1) 개요
① 개념
② 필요성
(2) 기술개발의 주요 이슈
① 서라운드 센서융합 중심 인지 및 판단시스템
② 자율협력주행(도로인프라)연계 인지 및 판단시스템
(3) 주요 업체별 개발 동향
① 구글(Google)
② 퀄컴(Qualcomm)
③ 엔비디아(NVIDIA)
④ 인텔(Intel)
⑤ 테슬라(Tesla)
⑥ 글로벌 OEM(GM, Benz, BMW, 현대자동차)
4) AI 스타트업의 M&A 현황
(1) 자율주행차의 AI
(2) AI 개발업체 M&A 현황
① 애플(Apple)
② 포드 ’Ford AI Argo AI’
③ 토요타 ‘Toyota Ai venture’
④ 제너럴 모터스(GM) ‘Cruise’
(3) 자동차 관련 주요 AI 스타트업 기업
Ⅱ. 설명 가능한 인공지능(XAI) 핵심기술 개발동향
1. 설명 가능한 인공지능(XAI) 기술 개요
1-1. XAI(eXplainable AI) 등장 배경과 개념
1) XAI 등장 배경
2) 인공지능의 확산에 따른 부작용
(1) 인공지능에 대한 거부감, 불쾌한 골짜기(Uncanny Valley)
(2) 딥러닝 기술
① 딥러닝의 진화
② 현재 인공지능이 지닌 문제점, 블랙박스의 미스터리
③ 인공지능의 대표적 오류 사례
(3) 인공지능의 편향성(Bias) 문제
① AI의 의사결정 지원과 편향성(Bias)
② 데이터의 편향성(Bias)
③ 데이터 편향 유형
④ 인공지능의 편향성(Bias) 문제 해결 방안
(4) AI 슈퍼파워의 등장과 시장 독점
① 데이터 경제(Data Economy) 시대
② 데이터 소유와 독점
3) XAI 개요
(1) XAI의 개념
(2) XAI의 필요성
1-2. AI 2.0 시대 XAI 기술 개요
1) AI 2.0 시대
2) 설명가능한 인공지능의 작동 방식
(1) 기존 학습 모델 변형: 심층신경망에 설명 가능성 부여하기 다윈AI 생성 합성 기술
(2) DAPRA XAI 전략, 기본 설계부터 인간이 이해할 수 있는 구조로 신경망을 만드는 방식
① 심층설명학습(deep explanation)
② 해석 가능한 모델(interpretable models)
③ 모델 귀납(model induction)
(3) 학습모델간 비교
2. XAI(설명가능한 인공지능) 핵심기술 개발 동향
2-1. XAI 프로세스 개요
1) XAI 프로세스
2) XAI의 접근 방법
2-2. XAI 개발을 위한 기술적 접근
1) 신경회로망 노드에 설명라벨 붙이기
2) 의사결정트리를 이용한 설명모델 만들기
3) 통계적 방법을 이용하여 설명모델 유추하기
2-3. XAI 기대효과 및 시사점
1) XAI 기대효과
(1) 경계 사례와 데이터 편향성을 탐지ㆍ제거함으로써 성능 향상
(2) 모델 정확성 및 성능 개선
(3) 신뢰성 확보
2) 시사점
3. 설명가능한 인공지능 알고리즘 핵심기술 개발 동향
3-1. 설명가능한 인공지능 알고리즘
1) 부분 의존 구성(Partial Dependence Plots, PDP)
2) 개별 조건 예측(Individual Conditional Expectations, ICE)
3) 민감도 분석(Sensitivity Analysis, SA)
4) 계층별 관련도 전파법(Layer-wise Relevance Propagation, LRP)
5) 일부 해석 모델(Local Interpretable Model-agnostic Explantion, LIME)
6) 첨가 요인 민감도(Sharply Additive Explanations, SHAP)
3-2. 활용 분야
1) 금융ㆍ핀테크 분야 서비스
2) 의료ㆍ헬스케어 분야 서비스
3) 자율주행 자동차
4) 제조업
3-3. 주요 업체별 XAI 기술 개발 현황
1) 미국 국방성 산하 방위고등연구계획국(DARPA)
2) IBM
3) 구글
4) 심머신(simMachines,Inc)
4. 주요 AI 알고리즘 트렌드
4-1. 제로샷 학습(zoro-shot learning)
1) 제로샷 학습(zoro-shot learning) 개념
2) 제로샷 학습(zoro-shot learning) 원리
3) 제로샷 방법론
4-2. 생성적 적대 신경망(Generative Adversarial Network)
1) GAN(Generative Adversarial Network) 개요 및 학습 방법
(1) GAN(Generative Adversarial Network, 적대적 생성 신경망) 개요 및 정의
① GAN 개요
② GAN 구조
(2) 적대적 학습방법
2) GAN 응용 모델과 적용 사례
(1) CGAN(Conditional GAN)
(2) InfoGAN
(3) Laplacian GAN
(4) DCGAN(Deep Convolutional Generative Adversarial Networks)
(5) DiscoGAN
4-3. 강화학습(Reinforcement Learning)
1) 개요
(1) MDP(Markov Decision Process) 방식
(2) DQN(Deep Q-Network)
2) 특징
4-4. 전이학습(transfer learning)
1) 개요
(1) 개념
(2) 특징
2) 전이학습 알고리즘
Ⅲ. 주요 산업맞춤형ㆍ설명가능한 AI 연구 통계 분석
1. 헬스케어 인공지능(AI) 연구개발 분석
1-1. 분석절차
1-2. 연도별 연구 동향
1-3. 인용 상위 연구
1-4. 주요 단어 및 네트워크 분석
1-5. 주제 분석
1-6. 연구 주제별 평균 인용 수
1-7. 연도별 주요 학술지
1-8. 주제별 전망
1-9. 오픈엑세스 저널 비율
1-10. 펀딩연구의 비율
2. 자동차 인공지능(AI) 연구개발 분석
2-1. 분석절차
2-2. 연도별 연구 동향
2-3. 인용 상위 연구
2-4. 주요 단어 및 네트워크 분석
2-5. 주제 분석
2-6. 연구 주제별 평균 인용 수
2-7. 연도별 주요 학술지
2-8. 주제별 전망
2-9. 오픈엑세스 저널 비율
2-10. 펀딩연구의 비율
3. 제조업 인공지능(AI) 연구개발 분석
3-1. 분석절차
3-2. 연도별 연구 동향
3-3. 인용 상위 연구
3-4. 주요 단어 및 네트워크 분석
3-5. 주제 분석
3-6. 연구 주제별 평균 인용 수
3-7. 연도별 주요 학술지
3-8. 주제별 전망
3-9. 오픈엑세스 저널 비율
3-10. 펀딩연구의 비율
4. 설명가능한 인공지능(AI) 연구개발 분석
4-1. 분석절차
4-2. 연도별 연구 동향
4-3. 인용 상위 연구
4-4. 주요 단어 및 네트워크 분석
4-5. 주제 분석
4-6. 연구 주제별 평균 인용 수
4-7. 연도별 주요 학술지
4-8. 주제별 전망
4-9. 오픈엑세스 저널 비율
4-10. 펀딩연구의 비율