book_cover_img
지능정보융합과 미래교육 Intelligent Information Convergence and Future Education eISSN: 2951-4762

Acronym : IICFE
Frequency : Continuous Publication
Doi Prefix : 10.59482/iicfe.
Year of Launching : 2022
Publisher : Intelligent Software Education Research Institute

As a research center for artificial intelligence education in Korea, Jeju National University's Institute of Intelligent Software Education is committed to building an educational foundation for fostering artificial intelligence (AI) convergence talents in the intelligent information society.The institute is building a foundation for AI education to cultivate computational thinking skills as a digital competency required in the intelligent information society, researching AI education for computer non-majors and majors at the lifelong education level from infants to middle-aged adults, researching AI education for the information-deprived class to bridge the digital divide, along with AI ethics research that emphasizes the positive functions of AI and minimizes its negative functions, researching AI convergence technology to solve creative and new problems by looking at trends in the field of AI.In order to systematically study the major research areas listed above and to specifically realize the purpose of the institute, we are publishing a journal under the theme of 「Intelligent Information Convergence and Future Education」.We aim to publish research that seeks to pursue more effective problem-solving methods by integrating intelligent information technology centered on computer science and intelligent information in various fields, and research on information·computer education and convergence education for future education, including artificial intelligence, to foster future human resources to lead the intelligent information society, and we aim to improve the quality of educational research.We look forward to receiving submissions from all researchers in related fields..우리나라 인공지능교육의 연구거점, 제주대학교 지능소프트웨어교육연구소는 지능정보사회의 인공지능(AI) 융합 인재 양성을 위한 교육 기반 구축에 힘을 쏟고 있습니다.본 연구소는 지능정보사회에서 갖춰야 할 디지털 소양으로써의 컴퓨팅 사고력을 함양하기 위한 인공지능교육 기반 구축, 유아부터 중장년층까지 평생교육 차원의 컴퓨터 비전공자 및 전공자를 위한 인공지능교육에 대한 연구, 디지털 격차 해소를 위한 정보배려계층 대상 인공지능교육 연구, 지능정보기술의 순기능을 강조함과 동시에 역기능을 최소화할 수 있는 인공지능윤리 연구 등과 함께, 인공지능 분야의 동향을 살펴 창의적이고 새로운 문제해결을 위해 인공지능 융합 기술을 연구하고 있습니다.이에 본 연구소는 앞서 제시한 주요 연구 분야를 체계적으로 연구함과 동시에 연구소의 목적을 구체적으로 실현하고자 「지능정보융합과 미래교육」을 주제로 학술지를 발간합니다.컴퓨터과학을 중심으로 하는 지능정보기술과 다양한 분야에 지능정보를 융합하여보다 효과적인 문제해결 방법을 추구하고자 하는 연구, 지능정보사회를 이끌어갈 미래 인재양성을 위해 인공지능을 포함한 정보·컴퓨터교육과 미래교육을 위한 융·복합 교육 관련 연구를 게재하고 교육 연구의 질적인 향상을 이루고자 합니다.관련 분야에 계신 모든 연구자 분들의 많은 투고를 부탁드립니다.

KCI 후보
2024년 1월 등재후보학술지 선정
KCI IF
KCI Impact Factor
Intelligent Information Convergence and Future Education Vol.4 No.22 pp.1-7 https://www.doi.org/10.59482/iicfe.2025.4.22.01

LightGBM 기반 수입 화물 RBI를 위한 다중 위험 등급 예측 및 영향 요인 분석
LightGBM-Based Prediction of Multiple Risk Levels and Factor Analysis for Import Cargo RBI
차주호 청운대학교 스마트시티전문대학원 및 공과대학 멀티미디어학과 교수
Export Citation
Abstract

Abstract

본 연구는 수입 화물의 위험 관리를 효율적으로 수행하기 위해 머신러닝 기반의 위험 등급 예측 시스템 개발을 목표로 한다. 이를 위해, 이진 분류용으로 공개된 수입 신고 데이터를 실제 위험 기반 검사(RBI) 환경에 적합한 다중 분류(Red, Yellow, Green) 데이터셋으로 변환했다. 이를 바탕으로 성능과 효율성이 검증된 앙상블 모델인 LightGBM(Light Gradient Boosting Machine)을 사용하여 학습을 진행했다. 특히, RBI 시스템의 핵심 목표인 고위험 화물 식별 능력을 높이기 위해 Red 등급의 재현율(Recall)을 목표 지표로 설정하고, 클래스 가중치(class weight) 및 임계값(threshold) 조정을 통해 모델을 최적화했다. 성능 평가 결과, 모델의 전체적인 성능을 나타내 는 Macro F1 Score는 0.8259 수준을 유지하면서도, Red 등급 재현율은 0.8700이라는 높은 수준을 달성했다. 또한, 설명가능 인공지 능(XAI) 기법인 순열 중요도(Permutation Importance) 분석을 통해 원산지 국가와 HS Code 등이 위험 등급 분류의 주요 변수임을 확인함으로써 모델의 신뢰성을 확보했다. 본 연구는 실제 비즈니스 요구사항을 반영한 데이터 변환 및 모델 튜닝 과정을 통해, 실용적 이고 효과적인 머신러닝 기반 RBI 시스템 개발의 실증적인 방법론을 제시했다는 점에서 의의를 갖는다.
키워드 : 위험 기반 검사,다중 분류,클래스 가중치,임계값 조정,순열 중요도
This paper aims to develop a machine learning-based system to predict the risk levels of import cargo for efficient risk management. To this end, we transformed a publicly available binary classification dataset of import declarations into a multi-class (Red, Yellow, Green) dataset suitable for a real-world Risk-Based Inspection (RBI) environment. Based on this data, a model was trained using LightGBM (Light Gradient Boosting Machine), an ensemble model proven for its performance and efficiency. Specifically, to enhance the capability of identifying high-risk cargo, a core objective of the RBI system, we set the Recall for the Red class as the key performance indicator. The model was optimized by adjusting class weights and the prediction threshold. The performance evaluation demonstrates the model achieved a high Red class Recall of 0.8700 while maintaining a stable overall performance with a Macro F1 Score of 0.8259. Furthermore, we secured the model's reliability by applying an Explainable AI (XAI) technique, Permutation Importance, which confirmed that features such as the country of origin and HS Code are key variables in risk classification. This study is significant in that it presents an empirical methodology for developing a practical and effective machine learning-based RBI system, incorporating data transformation and model tuning processes that reflect real-world business requirements.
Key Words : LightGBM,RBI,LightGBM,multi-classification,class weight,prediction threshold,permutation importance
LIST
Export citation