KFAI는 이론적 기반부터 산업 적용까지 이어지는 연구 축을 바탕으로, 신뢰할 수 있고 실제 문제 해결에 강한 AI를 설계합니다.
Theory, multimodal learning, monitoring, agent systems, and vision research are connected as one pipeline toward trustworthy AI for science and industry.
신뢰 가능하고 해석 가능한 AI를 위한 머신러닝 이론을 연구합니다.
분포 변화와 OOD 환경에서도 안정적으로 동작하는 학습 이론을 기반으로, Bayesian 불확실성 정량화와 모델 신뢰성 평가를 결합하여 robust하고 trustworthy한 AI를 설계합니다.
환경과 데이터가 달라져도 성능을 유지하는 일반화 가능한 학습 방법을 연구합니다.
도메인 간 분포 차이를 극복하기 위한 domain adaptation과 generalization 기법을 중심으로, 실제 산업 및 센서 환경에서 동작하는 robust transfer learning과 representation learning을 개발합니다.
다양한 형태의 데이터를 통합하여 복잡한 시스템을 이해하는 멀티모달 학습을 연구합니다.
이미지, 비디오, 센서, 시계열, 텍스트 데이터를 통합하고, knowledge-informed 및 physics-informed 머신러닝을 통해 데이터와 도메인 지식을 함께 활용하는 모델을 설계합니다.
이상 탐지와 예측 분석을 통해 산업 시스템의 신뢰성과 안정성을 향상시킵니다.
시계열 데이터 기반의 이상 탐지와 멀티스케일 분석을 통해 설비 상태 진단, 결함 탐지, 잔존 수명(RUL) 예측까지 연결되는 end-to-end 모니터링 기술을 개발합니다.
지식을 활용하고 추론하는 AI 에이전트와 RAG 시스템을 개발합니다.
Retrieval-Augmented Generation을 기반으로 외부 지식 검색, 도구 활용, 계획 기반 추론을 통합하여 복잡한 문제 해결과 의사결정을 수행하는 지능형 에이전트를 구축합니다.
이미지와 비디오를 이해하는 시각 인공지능 기술을 연구합니다.
시공간 표현 학습을 기반으로 의료 영상 분석, 산업 검사, 행동 이해, 안전 모니터링, 딥페이크 탐지 등 다양한 실제 환경에서 동작하는 vision AI를 개발합니다.