연구 소개
RESEARCH GOAL
AI 기반 차세대 OR을 통한
신뢰가능한 처방형 의사결정
CANOR는 기존 OR이 충분히 반영하기 어려웠던 비정형 맥락, 외생 리스크, 부분관측 정보 및 비정상적 불확실성을 AI로 구조화하고, 이를 확률적 모델링, 불확실성 정량화 및 최적화와 결합하는 AI 기반 차세대 OR 원천기술을 개발합니다.
R1–R4 기반 맥락 인지(Context-Aware) OR 통합 아키텍처
주요 연구분야
CANOR는 세 가지 원천기술 연구그룹과 공통 벤치마크·도메인 검증체계를 유기적으로 연계하여 연구를 수행합니다.
R1
능동적 문제정의
온톨로지·지식그래프·암묵지를 기반으로 비정형 정보를 목적함수, 제약조건 및 의사결정변수로 구조화하고, Agentic AI와 의미 기반 최적화 모델 컴파일러를 통해 OR 모델을 자동 생성·검증합니다.
Semantic Formulation · Agentic OR · Optimization Compiler
R2
OR 파운데이션 모델
대기행렬 정보 기계학습, 초고차원 확률시스템 표현학습 및 신뢰가능한 OR 파운데이션 모델을 개발하여 현실 시스템의 상태와 위험을 학습하고 불확실성을 정량화합니다.
QIML · Uncertainty Quantification · OR Foundation Model
R3
AI for Optimization
부분관측과 비정상적 불확실성 아래에서 동적·다중 에이전트 시스템의 의사결정을 최적화하고, AI 증강 휴리스틱을 활용하여 NP-hard·다목적 복합 문제의 탐색 효율을 높입니다.
Multi-Agent Optimization · Learning-Augmented Heuristics
R4
공통 벤치마크 및 도메인 검증
R1–R3에서 개발한 원천기술을 철강 물류, 제조·공급망, 금융·서비스 등 대표 산업 문제에 적용하여 성능과 재현성, 현장 적용 가능성을 검증합니다.
Benchmark · Domain Validation · Reproducibility
연구분야 연계
R1이 문제를 정식화하고, R2가 현실의 불확실성을 학습하며, R3가 최적 솔루션을 도출합니다. 도출된 연구성과는 R4의 공통 벤치마크와 산업 도메인에서 반복적으로 검증·개선됩니다.
CANOR 연구분야 간 연계 구조