The accelerated evolution of artificial intelligence (AI) is driving a paradigm shift across diverse business landscapes, with growing efforts to integrate AI-driven solutions into the conventional decision support systems. However, practical application of these innovations requires the assurance of the AI algorithms' quality, reliability, and the aptitude for real-time decision-making. This prerequisite limits the practicality of many academic studies that focus solely on technology development. In this context, this dissertation presents the development of deep learning models applicable to intelligent decision support systems in healthcare and industrial information technology (IT) sectors and offers insights into their business value in terms of system adoption, utilization, and success. The first and second essays develop interpretable deep learning models for predicting hypnotic level and hypotension risk of patients during surgery and investigate their utility and impact in biometric signal monitoring systems. The third essay investigates deep learning models for detecting time series anomalies in IoT sensor data and studies its applicability in industrial monitoring systems.
최근 인공지능 기술의 급속한 발전은 다양한 비즈니스 영역에서 패러다임 변화를 주도하고 있으며, 정보시스템에서 이루어지는 의사 결정 과정에 인공지능 기반의 솔루션을 접목하려는 노력이 증가하고 있다. 하지만 이를 현업에서 활용하기 위해서는 인공지능 알고리즘의 품질, 신뢰성 및 실시간 의사결정 가능성이 확보되어야 하기 때문에 단순 기술 개발 및 성능에 초점을 맞춘 많은 학술 연구는 실용성에서 한계가 있다. 이러한 배경 하에 본 학위논문은 헬스케어와 산업 정보기술 분야의 지능형 의사결정 지원 시스템에서 응용 가능한 딥러닝 모델 개발에 중점을 두며, 시스템 도입, 활용, 영향 측면에서의 비즈니스 가치에 대한 시사점을 제공한다. 첫 번째와 두 번째 에세이는 수술 중 환자의 마취 심도와 저혈압 위험도를 예측하는 설명 가능한 딥러닝 모델을 개발하여 생체 신호 모니터링 시스템으로서의 활용과 영향을 연구한다. 세 번째 에세이는 산업 시스템 모니터링 도입을 위한 사물인터넷 센서 데이터에서의 이상치 탐지 모델을 연구한다.
