시나리오 내용 반영

scenario_md/TRN03-교육·훈련_전투력 향상 교육-드론·미사일 실루엣 이미지 분류 학습앱/TRN03-교육·훈련_전투력 향상 교육-드론·미사일 실루엣 이미지 분류 학습앱.md

@@ -0,0 +1,97 @@
+**드론·미사일 실루엣 이미지 분류 학습앱**
+
+난 이 도 **중급**
+
+| **프로젝트 목표** | 러시아-우크라이나 전쟁과 미국-이란 분쟁 사례에서는 소형 드론, 자폭 드론, 순항·탄도미사일이 함께 쓰이면서, 장병이 하늘의 비행체 형상을 보고 위협 여부를 빨리 구분하는 능력이 중요한 기본 전투력이 되었다. 본 프로젝트에서는 실제 기체 사진 대신 사각형·삼각형·원 같은 기본 도형으로 만든 교육용 합성 실루엣을 코드로 생성해, 레이블 체계 정의, 명암·윤곽선·크기 정규화 전처리, 형태 특징 기반 Baseline, 다양한 각도·원거리·흐림 조건의 신경망 분류 고도화, 유사 형상 오분류 방지 신뢰도 점수, 학습 앱 UI, 교관 해설 검토(HITL), 대량 저품질 이미지 부하 시험, AAR 증강 재학습, 최종 패키징까지 실루엣 식별 학습앱을 단계별로 구현한다. 최종 목표는 AI가 문항 출제와 참고 판정을 돕되, 불확실한 판정과 오답 해설은 반드시 교관이 확인한 뒤 장병에게 제공되는 학습 체계를 만드는 것이다. |
+| --- | --- |
+
+| **유의사항** | 모든 실루엣은 코드 안에서 기본 도형을 조합해 만든 교육용 추상 이미지이며, 실제 기종 사진·도면·제원과 부대명·위치·장비 정보는 사용하지 않는다. 부대 내 촬영이나 부대 자료의 외부 AI 서비스 입력은 금지한다. AI 판정은 학습 보조용 참고 정보이며, 실제 비행체 식별과 대응은 정식 교육과 지휘계통에 따른다. 미션별 정답 코드는 각각 한 파일로 독립 실행된다. |
+| --- | --- |
+
+**1단계. 실루엣 데이터셋 정의 및 이미지 전처리**
+
+| **미션 1. 전술 드론 및 순항/탄도미사일 실루엣 이미지(흑백/원거리/다각도) 데이터셋 구축** [초급 · 1.5시간] | **미션 1. 전술 드론 및 순항/탄도미사일 실루엣 이미지(흑백/원거리/다각도) 데이터셋 구축** [초급 · 1.5시간] |
+| --- | --- |
+| **목표** | 전술 드론과 순항·탄도미사일 등 비행체 실루엣 이미지 학습 데이터의 레이블 체계와 메타데이터 스키마를 정의하고, 잘못된 데이터를 걸러내는 검증기를 만든다. |
+| **수행** | 민간 쿼드콥터형·민간 고정익형·삼각익 자폭드론형·순항미사일형·탄도미사일형·조류 6종 레이블과 위협 여부, 촬영 조건(기본·원거리·측면·야간·흐림), 센서(EO/IR), 전술 파라미터(기상, 거리 등급, 위치오차, 통신지연), 교관 검수 상태 필드를 정의한다. 클래스별 10장씩 합성 실루엣 60장을 만들어 검증하고, 형식·허용값·누락·이미지 크기·위협 여부 불일치 오류를 일부러 넣어 모두 검출되는지 확인한 뒤 명세서로 정리한다. |
+| **산출물** | data/schema/trn03_input_schema.json, docs/trn03_data_spec.md, 레이블 정의표 |
+| **평가** | **[필수] 데이터 구조화·검증** — 스키마 필드 정의 완성도 100%, 정상 샘플 검증 오류 0건, 주입 오류를 모두 검출하고 전술 파라미터를 보완했는가. |
+
+| **미션 2. 이미지 명암 대비 강화, 윤곽선(Edge) 검출 및 크기 정규화 전처리 모듈 구현** [초급~중급 · 2시간] | **미션 2. 이미지 명암 대비 강화, 윤곽선(Edge) 검출 및 크기 정규화 전처리 모듈 구현** [초급~중급 · 2시간] |
+| --- | --- |
+| **목표** | 흑백·원거리·야간 등 조건이 다른 실루엣 이미지를 같은 기준으로 비교할 수 있도록 명암 대비 강화, 윤곽선 검출, 크기 정규화 전처리 모듈을 구현한다. |
+| **수행** | 결측 픽셀 보정, 야간 열상 극성 자동 반전, 잡음 추정값에 따른 중간값 필터 적용(조건별 임계값), 명암 대비 강화, Sobel 윤곽선 검출, 주축 방향·크기 정규화(24x24)를 배치 단위로 구현한다. 처리 속도를 재고 단위 테스트 5종을 통과시키며, 전처리 전후 식별 정확도를 조건별로 비교하고 필터를 과하게 쓰면 원거리 소형 실루엣이 손상되는 현상도 확인한다. |
+| **산출물** | src/preprocess/trn03_preprocessor.py, 전처리 전후 데이터셋, 조건별 전후 비교표 |
+| **평가** | **[필수] 전처리 구현·검증** — 처리 속도 1,000장/초 이상, 전처리 오류율 0%, 단위 테스트 5종 통과, 전처리 후 식별 정확도가 뚜렷하게 개선되었는가. |
+
+**2단계. 형태 특징 Baseline 구현 및 분류 고도화**
+
+| **미션 3. 기본 형태 특징 기반 1차 비행체 실루엣 분류 Baseline 모델 구현** [중급 · 2.5시간] | **미션 3. 기본 형태 특징 기반 1차 비행체 실루엣 분류 Baseline 모델 구현** [중급 · 2.5시간] |
+| --- | --- |
+| **목표** | 길쭉함·채움률·볼록도·폭 분포 같은 기본 형태 특징으로 비행체 실루엣을 1차 분류하는 Baseline 모델을 구현한다. |
+| **수행** | 분할 마스크에서 회전에 무관한 형태 특징 8종을 계산하고 결정나무로 분류 규칙을 학습한다. 규칙 깊이를 바꿔 1차 튜닝하고, 기본 데이터셋 정확도·혼동표·1장당 판단 지연을 측정한다. 학습된 if-then 규칙을 그대로 출력해 판단 기준을 설명하고, 원거리·흐림·측면 조건에서 정확도가 떨어지는 한계를 수치로 정리한다. |
+| **산출물** | src/models/trn03_baseline_model.py, 기본 추론 결과 보고서(혼동표, 판단 규칙) |
+| **평가** | **[필수] Baseline 구현·투명성** — 기본 데이터셋 분류 정확도 75% 이상, 판단 규칙이 출력되어 설명 가능하고 어려운 조건의 한계를 수치로 제시했는가. |
+
+| **미션 4. 다양한 각도/배경 노이즈 환경 하 전술 드론·미사일 정밀 이미지 분류 딥러닝 고도화** [중급 · 3시간] | **미션 4. 다양한 각도/배경 노이즈 환경 하 전술 드론·미사일 정밀 이미지 분류 딥러닝 고도화** [중급 · 3시간] |
+| --- | --- |
+| **목표** | 다양한 각도·원거리·배경 잡음 환경에서도 실루엣을 정밀하게 분류하도록 소형 신경망 모델로 고도화하고 복합 위협 시나리오로 검증한다. |
+| **수행** | 정규화 이미지 576픽셀과 형태 특징 8종을 입력으로 하는 다층 퍼셉트론을 모든 촬영 조건을 섞은 증강 데이터로 학습한다. 측면 시점·원거리·흐림·저대비·구름·가림·야간·잡음·위치 이탈·결합 조건 10종 시나리오에서 Baseline과 정확도를 비교하고 위협 재현율과 처리 지연을 측정한다. 오경보·미탐 유발 패턴을 정리해 특징 공간 재설계 방향을 제시한다. |
+| **산출물** | src/models/trn03_advanced_detector.py, 시나리오별 시험 결과표 |
+| **평가** | **[선택] 분류 고도화** — 복합 위협 재현율 85% 이상, 처리 지연 200ms 이하, 시나리오별 통과 여부와 오경보 유발 패턴을 제시했는가. |
+
+**3단계. 오분류 방지 신뢰도 점수 및 학습 앱 UI 구현**
+
+| **미션 5. 유사 형상 비행체(민간 드론 vs 자폭 드론) 오분류 방지 신뢰도 점수 엔진 구현** [중급~고급 · 3시간] | **미션 5. 유사 형상 비행체(민간 드론 vs 자폭 드론) 오분류 방지 신뢰도 점수 엔진 구현** [중급~고급 · 3시간] |
+| --- | --- |
+| **목표** | 민간 드론과 자폭 드론처럼 형상이 비슷한 비행체의 오분류를 막기 위해 신뢰도 점수와 등급을 산출하는 엔진을 개발한다. |
+| **수행** | 분류 확률, 1·2위 확률 차이, 영상 품질(대비·크기·잡음)을 가중 결합해 신뢰도 점수를 만들고 High·Medium·Low 등급을 부여한다. 최고 확률 클래스로 바로 단정하던 방식과 Low 등급을 교관 확인으로 넘기는 방식의 오경보율·위협 재현율을 비교하고, 미세 잡음을 넣어 등급 일관성을 확인한다. ROC-AUC와 임계값 민감도 표로 기준값을 정한다. |
+| **산출물** | src/verification/trn03_confidence_engine.py, 필터링 전후 비교표, ROC 곡선 |
+| **평가** | **[필수] 오분류 방지·신뢰도 일관성** — 오경보율(FAR) 40% 이상 감축, 신뢰도 점수 산출 일관성 90% 이상, 등급 기준과 위협 재현율 변화를 설명했는가. |
+
+| **미션 6. 장병 대상 모바일/웹 대화형 실루엣 식별 학습 앱 UI 프로토타입 구현** [중급 · 2.5시간] | **미션 6. 장병 대상 모바일/웹 대화형 실루엣 식별 학습 앱 UI 프로토타입 구현** [중급 · 2.5시간] |
+| --- | --- |
+| **목표** | 장병이 실루엣을 보고 비행체를 고르는 모바일·웹 대화형 식별 학습 앱 UI 프로토타입을 구현한다. |
+| **수행** | 문항 출제(정답과 혼동하기 쉬운 보기 포함), 응답 채점, 즉시 피드백, 응답 후 AI 참고 판정 표시, 진행률·점수 표시 기능을 구현하고 가상 학습자 응답으로 12문항을 모의 실행한다. 화면 갱신과 응답 처리시간을 재고, 문제 이미지·보기·진행률·클래스별 정답률·응답시간 추이를 담은 야간 모드 화면을 그린다. |
+| **산출물** | src/ui/trn03_dashboard.py, 학습 앱 화면 |
+| **평가** | **[선택] 학습 앱 UI** — 화면 갱신 1초 이내, 응답 처리 100ms 이내, 시각화 구성요소 4종 이상, 정답·오답이 직관적으로 구분되는가. |
+
+**4단계. 교관 해설 검토 체계 및 부하 한계 검증**
+
+| **미션 7. 학습자 오답 시 정답 실루엣 비교 및 핵심 특징(날개 형상 등) 교관 HITL 해설 모듈 설계** [고급 · 3시간] | **미션 7. 학습자 오답 시 정답 실루엣 비교 및 핵심 특징(날개 형상 등) 교관 HITL 해설 모듈 설계** [고급 · 3시간] |
+| --- | --- |
+| **목표** | 학습자가 오답을 냈을 때 정답 실루엣과 선택한 실루엣을 비교해 핵심 특징을 해설하되, 교관 검토를 거쳐야만 공개되는 HITL 해설 모듈을 설계한다. |
+| **수행** | 오답을 혼동 쌍 단위로 묶어 AI 해설 초안(날개 형상 등 특징 차이)을 만들고 검토 대기열에 등록한다. 교관은 승인·수정 후 승인·반려 중 하나를 고르며 교관 ID와 판단 근거를 반드시 남기고, 수정 승인은 수정 해설문이 있어야 한다. 빈도순으로 검토 순서를 정하고 SLA 초과 항목은 상급 담당자에게 상신하며, 모든 처리를 해시 체인 감사 로그에 기록해 위·변조를 검출한다. |
+| **산출물** | src/hitl/trn03_approval_workflow.py, docs/trn03_hitl_guide.md |
+| **평가** | **[필수] 교관 검토·책임 추적** — AI 해설 자동 공개 0건, 규칙 위반 결정 차단, 대기시간과 승인/반려 로깅 성공률 100%, 감사 로그 위·변조를 검출했는가. |
+
+| **미션 8. 다량의 저품질 흐린 실루엣 이미지 분류 스트레스 테스트 및 한계치 검증** [고급 · 3.5시간] | **미션 8. 다량의 저품질 흐린 실루엣 이미지 분류 스트레스 테스트 및 한계치 검증** [고급 · 3.5시간] |
+| --- | --- |
+| **목표** | 다량의 흐리고 품질이 낮은 실루엣 이미지가 한꺼번에 들어올 때 분류 서비스가 멈추지 않고 안전하게 동작하는지 한계치를 검증한다. |
+| **수행** | 평시 100장에서 500% 증가한 600장까지 요청을 늘리고, 손상 입력과 극저화질 영상을 섞어 시스템 다운·결과 유실 여부를 확인한다. 저신뢰 영상은 '판별 불가(교관 확인)'로, 손상 입력은 '입력 오류'로 처리하는 안전 실패 동작과 대기열 분할 처리(성능저하 모드)를 점검하고, 흐림 단계별 정확도 한계치, 처리량, 메모리 증가 여부, 단계별 병목을 정리한다. |
+| **산출물** | tests/trn03_stress_test.py, 스트레스 테스트 분석 보고서 |
+| **평가** | **[선택] 부하·한계 검증** — 모든 부하 상황에서 시스템 다운 0건, 결과 유실률 0%, 흐림 한계치와 병목 구간을 제시했는가. |
+
+**5단계. AAR 증강 재학습 및 최종 패키징**
+
+| **미션 9. AAR 기반 장병 다빈도 오답 비행체 분석 및 학습 데이터셋 증강 재학습** [고급 · 3시간] | **미션 9. AAR 기반 장병 다빈도 오답 비행체 분석 및 학습 데이터셋 증강 재학습** [고급 · 3시간] |
+| --- | --- |
+| **목표** | AAR 사후검토로 장병의 다빈도 오답 비행체와 AI 분류기의 오류 조건을 분석하고, 취약 데이터를 증강해 재학습한다. |
+| **수행** | 가상 장병 40명의 학습 기록에서 다빈도 오답 쌍을 찾고, 기본 조건 중심으로 학습한 현행 모델의 오류를 조건·클래스별로 분류한다. 오류율이 높은 조건과 혼동 클래스를 증강한 데이터로 재학습해 종합 정확도, AAR 등록 오류의 재발 건수, 기존 정답의 회귀 건수를 비교하고, 재보정 파라미터와 퀴즈 출제 비율을 정리한다. |
+| **산출물** | docs/trn03_aar_report.md, configs/trn03_tuned_params.yaml |
+| **평가** | **[필수] AAR 원인 분석·재학습** — 원인별 오류 분류 완료, 재학습 후 종합 정확도 10%p 이상 향상, 재발·회귀 오류를 집계하고 남은 오류의 처리 방안을 제시했는가. |
+
+| **미션 10. 드론·미사일 실루엣 분류 학습앱 최종 패키징 및 부대 교육 배포 가이드 완성** [최고급 · 3.5시간] | **미션 10. 드론·미사일 실루엣 분류 학습앱 최종 패키징 및 부대 교육 배포 가이드 완성** [최고급 · 3.5시간] |
+| --- | --- |
+| **목표** | 실루엣 생성부터 전처리, 분류, 신뢰도 등급, 퀴즈 운영, 교관 해설 검토까지 학습앱 전체를 통합하고 부대 교육 배포 가이드를 완성한다. |
+| **수행** | AAR 재보정값을 적용한 통합 코드를 한 번에 실행해 손상 문항이 자동 차단되는지 확인한다. 분류 정확도, 등급별 정확도, 처리시간, 해설 자동 공개 여부, 감사 로그, 함수 커버리지 등 자체 점검 항목을 모두 통과시키고, 배포 현황·성능·운용 유의사항·확장 로드맵을 담은 브리핑 요약과 배포용 설명서를 작성한다. |
+| **산출물** | src/main_trn03.py, README.md, docs/trn03_final_report.pdf(md) |
+| **평가** | **[필수] 통합·배포** — 통합 파이프라인 실행 성공률 100%, 자체 점검 전부 통과, 함수 커버리지 85% 이상, 브리핑 수치가 실행 결과와 일치하는가. |
+
+**최종 판정**
+
+**판정 기준 :** 모든 필수 항목([필수])에서 PASS를 받아야 최종 PASS로 인정한다.
+
+최종 판정 결과 : ( PASS / FAIL )
+
+평가 의견 : (필수 항목 중 하나라도 FAIL인 경우 사유를 기재한다.)

scenario_md/TRN03-교육·훈련_전투력 향상 교육-드론·미사일 실루엣 이미지 분류 학습앱/TRN03_실습가이드.md

@@ -0,0 +1,267 @@
+**TRN03 실습가이드 - 드론·미사일 실루엣 이미지 분류 학습앱**
+
+구    분 **실습가이드 [교육용가상자료]**
+
+**1. 실습 개요**
+
+본 실습은 기본 도형으로 만든 교육용 합성 실루엣으로 드론·미사일 실루엣 분류 학습앱을 미션 단위로 구현하는 과정이다. 미션마다 정답 코드(TRN03_정답코드.md)의 해당 코드를 웹 파이썬 실행기에 붙여 넣어 실행하고, 출력된 수치가 평가 기준을 충족하는지 확인한 뒤 파라미터를 바꿔 보는 도전 과제를 수행한다. 미션별 코드는 서로 독립적이어서 어느 미션부터 실행해도 동작한다.
+
+| **과제** | TRN03 드론·미사일 실루엣 이미지 분류 학습앱 |
+| --- | --- |
+
+| **난이도·유형** | 중급 / 코딩형 |
+| --- | --- |
+
+| **예상 소요시간** | 미션 10개, 총 27.5시간 |
+| --- | --- |
+
+| **준비물** | TRN03_정답코드.md, 웹 파이썬 실행기(numpy·pandas·scipy·scikit-learn·matplotlib 사용 가능), 결과 기록용 문서 |
+| --- | --- |
+
+**2. 진행 방법**
+
+- 정답코드 md에서 해당 미션의 코드 블록 전체를 복사해 실행기에 붙여 넣고 실행한다(부분 복사 시 실루엣 생성 함수가 빠져 오류가 난다).
+
+- 실행 결과를 md의 '실행 결과 예시'와 비교한다. 난수 시드가 고정되어 있어 같은 값이 나와야 한다. 처리 속도(장/초, ms)는 실행 환경에 따라 달라질 수 있다.
+
+- 도전 과제는 코드 상단의 파라미터(잡음 임계값, 규칙 깊이, 신뢰도 기준, 대기열 용량 등)를 바꿔 다시 실행하고 변화와 이유를 기록한다.
+
+- 그래프 글자는 영문, 표·출력은 한글이다. 한글이 깨지면 실행기 글꼴 문제이며 결과에는 영향이 없다.
+
+- 실루엣은 실제 기종이 아닌 추상 도형이다. 실제 기체 사진이나 부대 촬영 이미지는 입력하지 않으며, 실제 식별·대응은 정식 교육과 지휘계통에 따른다.
+
+**3. 미션 진행 요약**
+
+| **미션** | **난이도·시간** | **핵심 확인 결과** |
+| --- | --- | --- |
+| **M1. 전술 드론 및 순항/탄도미사일 실루엣 이미지(흑백/원거리/다각도) 데이터셋 구축** | 초급
+1.5시간 | 정상 샘플 오류 0건, 주입 오류 7건 모두 검출 |
+| **M2. 이미지 명암 대비 강화, 윤곽선(Edge) 검출 및 크기 정규화 전처리 모듈 구현** | 초급~중급
+2시간 | 처리 속도 1,000장/초 이상(예시 2,056장/초), 단위 테스트 5/5 |
+| **M3. 기본 형태 특징 기반 1차 비행체 실루엣 분류 Baseline 모델 구현** | 중급
+2.5시간 | 기본 데이터셋 정확도 75% 이상(예시 94.6%) |
+| **M4. 다양한 각도/배경 노이즈 환경 하 전술 드론·미사일 정밀 이미지 분류 딥러닝 고도화** | 중급
+3시간 | 복합 위협 재현율 85% 이상(예시 90.7%), 처리 지연 200ms 이하 |
+| **M5. 유사 형상 비행체(민간 드론 vs 자폭 드론) 오분류 방지 신뢰도 점수 엔진 구현** | 중급~고급
+3시간 | 오경보율 40% 이상 감축(예시 79.3%), 일관성 90% 이상(예시 97.3%) |
+| **M6. 장병 대상 모바일/웹 대화형 실루엣 식별 학습 앱 UI 프로토타입 구현** | 중급
+2.5시간 | 응답 처리 최대 100ms 이내(예시 6.6ms), 점수 9/12 |
+| **M7. 학습자 오답 시 정답 실루엣 비교 및 핵심 특징(날개 형상 등) 교관 HITL 해설 모듈 설계** | 고급
+3시간 | 자동 공개 0건, 규칙 위반 3건 차단, 로깅 성공률 100% |
+| **M8. 다량의 저품질 흐린 실루엣 이미지 분류 스트레스 테스트 및 한계치 검증** | 고급
+3.5시간 | 모든 상황 다운 0건, 유실률 0% |
+| **M9. AAR 기반 장병 다빈도 오답 비행체 분석 및 학습 데이터셋 증강 재학습** | 고급
+3시간 | 종합 정확도 0.770 → 0.873(+10.3%p) |
+| **M10. 드론·미사일 실루엣 분류 학습앱 최종 패키징 및 부대 교육 배포 가이드 완성** | 최고급
+3.5시간 | 자체 점검 10/10, 함수 커버리지 87% |
+
+**미션 1. 전술 드론 및 순항/탄도미사일 실루엣 이미지(흑백/원거리/다각도) 데이터셋 구축**
+
+| **난이도·시간** | 초급 · 1.5시간 |
+| --- | --- |
+
+| **진행 순서** | 1) M1 코드를 실행해 정상 샘플 60장의 검증 결과를 확인한다.
+2) 오류 주입 결과 7건이 어떤 규칙에 걸렸는지 표로 정리한다.
+3) 레이블 정의표와 필드 명세를 보고 빠진 전술 파라미터가 없는지 검토한다. |
+| --- | --- |
+
+| **확인할 결과** | 정상 샘플 오류 0건, 주입 오류 7건 모두 검출
+레이블 6종(위협 3종)과 필드 15개 명세 출력 |
+| --- | --- |
+
+| **도전 과제** | tactical에 관측 고도 등급(altitude_level: low/mid/high) 필드를 추가하고 허용되지 않은 값을 넣어 검출되는지 확인한다. |
+| --- | --- |
+
+| **제출물** | 스키마 정의 코드, 데이터 명세서(레이블 정의표·필드 규칙표) |
+| --- | --- |
+
+**미션 2. 이미지 명암 대비 강화, 윤곽선(Edge) 검출 및 크기 정규화 전처리 모듈 구현**
+
+| **난이도·시간** | 초급~중급 · 2시간 |
+| --- | --- |
+
+| **진행 순서** | 1) M2 코드를 실행해 처리 속도와 단위 테스트 5종 결과를 확인한다.
+2) 전처리 전후 식별 정확도 표에서 야간(night) 조건이 크게 개선된 이유를 극성 보정으로 설명한다.
+3) 원거리 조건에서 잡음 임계값을 0으로 낮췄을 때 정확도가 떨어지는 이유를 정리한다. |
+| --- | --- |
+
+| **확인할 결과** | 처리 속도 1,000장/초 이상(예시 2,056장/초), 단위 테스트 5/5
+야간 정확도 0.167 → 0.983으로 개선 |
+| --- | --- |
+
+| **도전 과제** | NOISE_T를 8과 20으로 바꿔 noise·far 조건 정확도 변화를 비교하고, 조건별 적정 임계값을 제안한다. |
+| --- | --- |
+
+| **제출물** | 전처리 코드, 단위 테스트 결과, 조건별 전처리 전후 비교표 |
+| --- | --- |
+
+**미션 3. 기본 형태 특징 기반 1차 비행체 실루엣 분류 Baseline 모델 구현**
+
+| **난이도·시간** | 중급 · 2.5시간 |
+| --- | --- |
+
+| **진행 순서** | 1) M3 코드를 실행해 규칙 깊이별 정확도와 기본 데이터셋 혼동표를 확인한다.
+2) 출력된 판단 규칙을 읽고 w_max·fill 기준이 어떤 형상 차이를 뜻하는지 해석한다.
+3) 어려운 조건 정확도로 Baseline의 한계를 정리한다. |
+| --- | --- |
+
+| **확인할 결과** | 기본 데이터셋 정확도 75% 이상(예시 94.6%)
+측면(oblique) 0.292 등 어려운 조건에서 급락 |
+| --- | --- |
+
+| **도전 과제** | max_depth를 5로 올리면 정확도와 규칙 줄 수가 어떻게 변하는지 비교하고, 교관이 설명하기 쉬운 깊이를 토의한다. |
+| --- | --- |
+
+| **제출물** | Baseline 코드, 기본 추론 결과 보고서(혼동표·판단 규칙·한계표) |
+| --- | --- |
+
+**미션 4. 다양한 각도/배경 노이즈 환경 하 전술 드론·미사일 정밀 이미지 분류 딥러닝 고도화**
+
+| **난이도·시간** | 중급 · 3시간 |
+| --- | --- |
+
+| **진행 순서** | 1) M4 코드를 실행해 시나리오 10종의 Baseline·신경망 정확도와 위협 재현율을 확인한다.
+2) FAIL 시나리오(clutter, occlude, combo)의 공통점을 찾는다.
+3) 오경보·미탐 유발 패턴 상위 항목을 정리한다. |
+| --- | --- |
+
+| **확인할 결과** | 복합 위협 재현율 85% 이상(예시 90.7%), 처리 지연 200ms 이하
+시나리오 통과 7/10, combo 조건이 가장 취약 |
+| --- | --- |
+
+| **도전 과제** | train_model의 hidden을 (128, 64)로 바꾸고 학습 장수를 늘려 combo 정확도와 학습 시간 변화를 기록한다. |
+| --- | --- |
+
+| **제출물** | 고도화 모델 코드, 시나리오별 시험 결과표, 오경보 패턴 분석 |
+| --- | --- |
+
+**미션 5. 유사 형상 비행체(민간 드론 vs 자폭 드론) 오분류 방지 신뢰도 점수 엔진 구현**
+
+| **난이도·시간** | 중급~고급 · 3시간 |
+| --- | --- |
+
+| **진행 순서** | 1) M5 코드를 실행해 기존 방식과 신뢰도 엔진의 오경보율·위협 재현율을 비교한다.
+2) 임계값 민감도 표에서 오경보와 재현율이 맞바뀌는 구간을 찾는다.
+3) 클래스별 등급 분포에서 Low가 많은 클래스를 확인한다. |
+| --- | --- |
+
+| **확인할 결과** | 오경보율 40% 이상 감축(예시 79.3%), 일관성 90% 이상(예시 97.3%)
+ROC-AUC 0.983, 위협 재현율 0.924 → 0.836 |
+| --- | --- |
+
+| **도전 과제** | WEIGHTS를 p_max 0.8, margin 0.2로 바꿔 오경보율과 일관성이 어떻게 변하는지 확인하고 적정 가중치를 제안한다. |
+| --- | --- |
+
+| **제출물** | 신뢰도 엔진 코드, 필터링 전후 비교표, ROC·점수 분포 그림 |
+| --- | --- |
+
+**미션 6. 장병 대상 모바일/웹 대화형 실루엣 식별 학습 앱 UI 프로토타입 구현**
+
+| **난이도·시간** | 중급 · 2.5시간 |
+| --- | --- |
+
+| **진행 순서** | 1) M6 코드를 실행해 문항 화면 2개와 피드백 문구를 확인한다.
+2) 응답 처리시간과 화면 갱신 처리시간이 목표 이내인지 확인한다.
+3) 야간 모드 화면의 구성요소 5종과 정답·오답 색 구분을 점검한다. |
+| --- | --- |
+
+| **확인할 결과** | 응답 처리 최대 100ms 이내(예시 6.6ms), 점수 9/12
+시각화 구성요소 5종, 정답 초록·오답 빨강 표시 |
+| --- | --- |
+
+| **도전 과제** | N_OPTIONS를 3으로 줄이거나 CONFUSE 보기를 빼면 문항 난이도가 어떻게 달라지는지 토의하고 출제 규칙을 제안한다. |
+| --- | --- |
+
+| **제출물** | 학습 앱 UI 코드, 학습 화면, 개선 의견 |
+| --- | --- |
+
+**미션 7. 학습자 오답 시 정답 실루엣 비교 및 핵심 특징(날개 형상 등) 교관 HITL 해설 모듈 설계**
+
+| **난이도·시간** | 고급 · 3시간 |
+| --- | --- |
+
+| **진행 순서** | 1) M7 코드를 실행해 오답 20건이 혼동 쌍 5건으로 묶이는 것을 확인한다.
+2) 규칙 위반 시도 3건이 차단된 이유를 정리한다.
+3) SLA 초과 상신과 감사 로그 변조 검출 결과를 확인한다. |
+| --- | --- |
+
+| **확인할 결과** | 자동 공개 0건, 규칙 위반 3건 차단, 로깅 성공률 100%
+4번째 기록 변조 위치 검출 |
+| --- | --- |
+
+| **도전 과제** | SLA_H를 12시간으로 줄이면 상신 건수가 어떻게 바뀌는지 확인하고, 교관 1명이 하루에 검토할 수 있는 건수를 가정해 운영안을 만든다. |
+| --- | --- |
+
+| **제출물** | HITL 해설 모듈 코드, 교관 검토 절차 요약(승인·수정·반려 기준) |
+| --- | --- |
+
+**미션 8. 다량의 저품질 흐린 실루엣 이미지 분류 스트레스 테스트 및 한계치 검증**
+
+| **난이도·시간** | 고급 · 3.5시간 |
+| --- | --- |
+
+| **진행 순서** | 1) M8 코드를 실행해 부하 상황별 응답·유실률·다운·판별불가 수를 확인한다.
+2) 흐림 단계별 정확도 표에서 한계치를 찾는다.
+3) 병목 구간 비율과 메모리 반복 측정값을 확인한다. |
+| --- | --- |
+
+| **확인할 결과** | 모든 상황 다운 0건, 유실률 0%
+흐림 2.5 이상에서 정확도 75% 미만, 병목은 형태특징 계산 |
+| --- | --- |
+
+| **도전 과제** | MIN_CONF를 0.7로 올려 극저화질 상황의 판별 정확도와 판별불가 건수 변화를 비교한다. |
+| --- | --- |
+
+| **제출물** | 스트레스 테스트 코드, 부하 시험 결과표, 병목 개선안 |
+| --- | --- |
+
+**미션 9. AAR 기반 장병 다빈도 오답 비행체 분석 및 학습 데이터셋 증강 재학습**
+
+| **난이도·시간** | 고급 · 3시간 |
+| --- | --- |
+
+| **진행 순서** | 1) M9 코드를 실행해 다빈도 오답 쌍과 현행 모델의 조건별 오류율을 확인한다.
+2) 증강 재학습 전후 종합 정확도와 조건별 정확도를 비교한다.
+3) 재발 오류와 회귀 오류 건수, 교관 확인으로 걸러지는 건수를 정리한다. |
+| --- | --- |
+
+| **확인할 결과** | 종합 정확도 0.770 → 0.873(+10.3%p)
+재발 67건(목표 0건 미달), 그중 36건은 교관 확인으로 걸러짐 |
+| --- | --- |
+
+| **도전 과제** | 증강 클래스당 추가 장수를 40에서 80으로 늘리면 재발 오류와 회귀 오류가 어떻게 변하는지 확인한다. |
+| --- | --- |
+
+| **제출물** | AAR 보고서(무엇이·왜·무엇을 바꾸나), 재보정 파라미터 |
+| --- | --- |
+
+**미션 10. 드론·미사일 실루엣 분류 학습앱 최종 패키징 및 부대 교육 배포 가이드 완성**
+
+| **난이도·시간** | 최고급 · 3.5시간 |
+| --- | --- |
+
+| **진행 순서** | 1) M10 코드를 실행해 자체 점검 10개 항목이 모두 PASS인지 확인한다.
+2) 손상 문항 3건 차단과 함수 커버리지를 확인한다.
+3) 출력된 배포 브리핑 요약으로 5분 분량 브리핑 자료를 만든다. |
+| --- | --- |
+
+| **확인할 결과** | 자체 점검 10/10, 함수 커버리지 87%
+판별(Medium 이상) 정확도 96.7%, 해설 자동 공개 0건 |
+| --- | --- |
+
+| **도전 과제** | CONFIG의 min_confidence를 0.7로 바꿔 실행하고 Low 문항 수와 판별 정확도 변화를 브리핑에 추가한다. |
+| --- | --- |
+
+| **제출물** | 통합 코드, README(실행 방법), 부대 교육 배포 브리핑 자료 |
+| --- | --- |
+
+**4. 최종 점검표**
+
+| **점검 항목** | **확인** |
+| --- | --- |
+| 미션 1~10 코드가 모두 오류 없이 실행되었다 | ( ) |
+| 각 미션의 확인할 결과를 기록했다 | ( ) |
+| 도전 과제 결과와 이유를 기록했다 | ( ) |
+| 브리핑 수치가 실행 결과와 일치한다 | ( ) |
+| 실제 기체 사진·부대 촬영 이미지를 사용하지 않았다 | ( ) |
+| AI 해설·판정은 교관 확인 후에만 제공됨을 명시했다 | ( ) |