효율적인 기술 정책 제안을 위한 한국 인공지능 지식 구조와 진화 궤적의 탐색적 분석

Abstract

본 논문은 인공지능(AI) 관련 지식의 구성 요소와 AI 지식의 진화 궤적과 향후 연구개발 투자 방향에 대해 데이터 사이언스의 탐색적 분석 기법을 사용하여 알아보았다. 분석을 위해 한국특허정보원에서 제공하는 KIPRIS DB와 유럽 특허청의 PATSTAT DB를 활용하였으며, WIPO의 AI 분류 기준을 참고하여, 2001년부터 2020년까지 출원된 AI 특허를 식별하고 CPC 코드와 발명자의 주소지 정보를 활용하여 AI 관련 지식의 구조와 국내 AI 지식 진화 궤적을 분석하였다. 기술 통계 분석 결과, AI 지식의 복잡도가 커지고 있다는 것과 국내 AI 발명자 수의 절대 수와 비율이 증가 추세라는 것을 알 수 있었다. AI 지식구조 변화에 대한 발견을 요약하면, 먼저 AI 지식의 재료가 되는 기술들의 수와 균등 분포지수 모두 증가 추세이며, 주재료가 되는 핵심 기술로는 주로 물리학, 전기, 운송과 기계 가동 계열 기술들이 사용되고 있음을 확인하였다. 두 번째로 AI 융합 기술 네트워크의 크기가 거대해지는 데 반해 핵심 기술들의 노드 수는 크게 변하지 않았으며, 네트워크의 중심부로 더 밀집하고 있는 것을 발견하였는데, 이는 AI 융합 기술의 주재료가 되는 핵심 기술의 영향력이 더욱 증가하고 있다는 것을 의미한다. 또한, AI 지식의 현시비교우위 값과 관련성 밀도 지표를 측정하여 한국의 기술경쟁력이 상대적인 우위에 있음과 동시에 관련성 높은 전문화된 기술들이 활발하게 상호작용하고 있음을 알 수 있었고, 마지막으로 향후 한국 AI 지식 네트워크에 배태될 확률이 큰 기술들을 제안하였다. 본 연구는 AI 지식 구조와 진화에 대한 탐색적 분석에 대한 것으로 향후 AI 지식구조에 대한 이해를 넓히고, 국내 AI 지식의 성공적인 개발을 위한 단초를 제공한다는 것에 그 의의가 있다.

This paper investigated the components of AI (Artificial Intelligence)-related knowledge, the evolutionary trajectory of domestic AI knowledge, and the direction of future R&D investment using the exploratory analysis technique of data science. For the analysis, the KIPRIS DB provided by the Korea Patent Information Service and the PATSTAT DB of the European Patent Office were used. By referring to the AI ​​classification rule of WIPO, we were able to identify AI patents filed from 2001 to 2020 and analyze the structure of AI-related knowledge and the evolutionary trajectory of domestic AI knowledge. As a result of descriptive statistical analysis, the complexity of AI knowledge has increased and the absolute number and ratio of the number of domestic AI inventors has also increased. To summarize the main findings, first, the core technologies in AI knowledge network are mainly physics, electricity, transportation and machine operation-related technologies. Second, while the size of the AI ​​convergence technology network has grown, the number of nodes of core technologies has not changed significantly and they are more concentrated in the center of the network, meaning that the core AI technologies becomes more important. Through the RCA value and relatedness density index, it can be seen that Korea has relatively superior technological competitiveness and the specialized technologies are highly relevant to the existing knowledge structure. Finally, we proposed technologies with a high probability of being embedded in the Korean AI knowledge network in the future. This study is about the exploratory analysis of AI knowledge structure and evolution, and hope it expands the understanding of AI knowledge structure in the future and provides a foundation for the successful development of domestic AI knowledge.