Successfully reported this slideshow.
We use your LinkedIn profile and activity data to personalize ads and to show you more relevant ads. You can change your ad preferences anytime.

iDBLab @KAIST 소개 20170306-업로드용(김태훈)

4,630 views

Published on

KAIST, School of computing, iDBLab, Professor Soon Joo Hyun

Published in: Education
  • Be the first to comment

  • Be the first to like this

iDBLab @KAIST 소개 20170306-업로드용(김태훈)

  1. 1. Intelligent Database Systems Lab. [Prof. Hyun, Soon Joo] 박사과정 김태훈 kingmbc@kaist.ac.kr 2017.03.07 (화)
  2. 2. LabMembers • Professor – Hyun, Soon Joo • sjhyun@kaist.ac.kr • #804, ITC Bldg. (N1) • Tel. 350-3563 (office) • Students – 2 Ph.D. students – 2 M.S. students – Office • #822, ITC Bldg. (N1) • Tel. 350-7763 • Homepage – http://idb.kaist.ac.kr http://idb.kaist.ac.kr/members
  3. 3. • Sensor Database : Wireless Sensor Networks as Database Data Warehouse ResearchInterest(1/2):SensorDatabase Applications | Habitat monitoring, disaster surveillance, military supports, patient monitoring, etc. Query/ Result Query/Result Sensor Node (Virtual) Storage Wireless Sensor Network Query/ Result Sensor Database
  4. 4. ResearchInterest(1/2):SensorDatabase(SmartHome) Query Result
  5. 5. ResearchInterest(1/2):SensorDatabase(SmartHome)
  6. 6. ResearchInterest(1/2):Sensor Database(Healthcare) Illumination sensor Heartrate Blood pressure Altitude SensorAccelerometer Sleep monitoringBMI ECG Step count Used calorie Moving distance Information Assistance (Problem) Huge amount of sensory data is constantly transferred!! Current activity Consult
  7. 7. ResearchInterest(1/2):Sensor Database(UAVs) • How to manage (connect, control, collect) swarms of drones?
  8. 8. ResearchInterest(1/2):SensorDatabase • Sensor Network Query Language (SNQL) and Processor (SNQP) [ON EVENT <event-predicate> | <event-name>] SELECT <select_item_expressions_list> FROM <list_of_table_references (table or inline view) > [WHERE <condition>] [GROUP BY <expression_list>] [SAMPLE PERIOD <time_unit> FOR <time_unit> | CASE [WHEN <condition> THEN SAMPLE PERIOD <time_unit>]+ ELSE SAMPLE PERIOD <time_unit> FOR <time_unit> END] [WITHIN <participation-percentage>]
  9. 9. ResearchInterest(1/2):SensorDatabase Mobile Sensor Data Wireless Networking Distributed Computing Stream Data Processing Energy Efficiency / Response Time • Research Challenge – 어떻게 저 많은 스트림 데이터를 서버 단에서 빠르게 처리/저장하 지? – 각기 다른 형태의 센서 기기에 데이터 수집을 어떻게 일괄적으로 할 수 있을까? – 데이터 수집에 관한 사용자 요구사항이 바뀔 때마다 어떻게 그것 을 개별 기기에 반영하지? – 이상한 상황이 발생하면 나에게 알려주면 좋을 텐데!
  10. 10. IoT 전력량 관리 모듈을 통한 전력 계측 일상 기기의 스마트 오브젝트화 액츄에이터 설치 객체 별 보드 설치 스마트 홈 커뮤니티 서비스 프레임워크 스마트 홈 커뮤니티 테스트베드 구축 10 N1 테스트베드구축(회의실,휴게실) 웹캠 제습기로봇 청소기 환경 센서 통합 제어 모듈 도어 센서 스마트 TV & XBOX 서비스 환경 센서 통합 제어 모듈 가습기 사용자 인식 카메라 스크린 화분 프로젝터
  11. 11. ResearchInterest(2/2):Context-awareComputing 누구랑 같이 있는가? 나의 현재 기분은? 여기 온 목적은? 현재 나의 행동은? 내가 가고 있는 장소는? 언제 떠나야 하는가? Social relationship mining from Bluetooth Activity recognition from accelerometer sensor Sentiment analysis from text Task recognition from all features Next-place prediction from GPS User Context Social Implication Temporal Implication Spatial Implication 연구 가설/모델 설정 데이터 수집 (Collection) 데이터 전처리 (Preprocessing) 데이터 변환 (Transformation) 데이터 분석 (Mining) 데이터 해석 및 평가
  12. 12. ResearchInterest (2/2): Context-aware Computing [NearbyPeopleRecommendation] “우리 대학 연구소 Data Mining Position에 누구 초청할 사람 없나? “같은 학교” 다닌 애가 있지 않을까?” “애가 왜 이렇게 자주 아프지? 뭐를 좀 먹어야 하나?” “나랑 고향이 같은 사람 있나?” “이번주 부산 가려는데 어디가 맛집이지?” “부산 집에 내려가서 맛있는 집밥 먹어야지” 학 회 장 신 입 생 환 영 회 장 사 내 카 페 병 원 Realization of serendipitous interaction opportunity in a place  Mobile opportunistic social matching [Terveen 2005][Mayer 2015] “소셜 그래프 마이닝에 관심있는 사람 어디 없나?”
  13. 13. ResearchInterest (2/2): Context-aware Computing [NearbyPeopleRecommendation] ENTER Conference Venue Shopping Mall Hospital Interaction Opportunity Interaction Opportunity Serendipitous Interaction Opportunity LEAVE Willingness to interact with others Can a machine predict the degree of willingness to interact with nearby people encountered in a public place?
  14. 14. ResearchInterest (2/2): Context-aware Computing [NearbyPeopleRecommendation]
  15. 15. ResearchInterest (2/2): Context-aware Computing [PlaceAmbiencePrediction&PlaceRecommendation] Can a machine predict the ambience of place?  Hyper-local, ambiance-driven place search and discovery • E.g., a trendy place for a night-out or a romantic place for the wedding anniversary  Data-driven recommendations for place owners to improve the presentation of their venues (e.g., architecture design and style)
  16. 16. ResearchInterest(2/2):Context-awareComputing • Research Challenge – 사용자의 Context를 알아내면 무엇을 할 수 있을까? – 어떤 데이터를 어떻게 수집하고, 수집된 데이터로 어떻게 사용자 Context를 알아내지? – 사용자의 Context를 알았으면 어떤 서비스를 어떤 방식으로 제공/추천하는 것이 좋을까? Web / Mobile Data (Text, Image, Sensor) Social / Environmental Psychology Theory Data Mining / Machine Learning User Satisfaction / Experience
  17. 17. 이런신입생이면좋겠어요. http://www.slideshare.n et/evoka/freedom- responsibility-culture- 49207219?related=1
  18. 18. Q &A
  19. 19. WELCOME! N1#822 AnyTime(9∽22) kingmbc@kaist.ac.kr

×