PowerPoint 프레젠테이션

Transcription

1

2 01. 개요 02. 배경 03. 시장문제점 04. 해결방안 1) 생태계조성 2) 생태계구성 3) 인센티브시스템 05. 비지니스모델 01)SilkRoad Eco System 02)SilkRoad Platform Services Flow 06. Tech Part 01) 블록체인 02) 실크로드블록체인 03) 실크로드인공지능 04) 패션트랜드예측 05) 결론 07. 로드맵 08. 토큰판매 09. 팀 & 어드바이저 10. 백서고지사항

3 01. 개요 데이터와블록체인기술을기반으로제조와유통, 소비자를연결하는실크로드패션플랫폼 서로다른영역에있던수많은패션업체와서비스, 디자이너들, 패션상품의제조, 유통등의핵심정보 를블록체인에기록하여생태계로연결하고, 신속한패션트렌드의분석과다양한신진디자이너를 통한글로벌마켓플레이스를제공합니다. RETAIL BASED SUPPLY CHAINS (NOW) 패션기업 TRADE SHOW SHOW ROOM 패션기업 동대문發브랜드 브랜드홍보 바이어매칭 대리상 디자이너 온오프편집숍 DATA BASED FASHION Eco-SYSTEM (FUTURE) BUYER ( 패션기업, 대리상 ) 리테일마켓 ( 백화점, 동대문 ) 바이어매칭 Digital Showroom Data Market 판매트렌드분석 패션디자이너 Design Audition Personal Coordi 온오프편집숍 선호도투표 AI 기반개인화코디 소비자

4 02. 배경 오프라인시스템 온라인시스템 온라인소비 정보공유 빠른패션주기 지속가능성 디지털연결성 변화의중심, 패션생태계 현재전세계패션의흐름은변화하고있습니다. 패션소비가오프라인에서온라인으로이동해감에따라, 기존의오프라인리테일러들의완사입시스템이붕괴되고, 이러한변화로인해기존의홀세일비즈니스구조를기반으로운영하던수주전시회, 런웨이콜렉션, 쇼룸비즈니스등오프기반시스템의역할이축소되고있습니다. 향후세계는상호연결되면서 2020년까지 9억 4천만명에달하는온라인쇼핑객들이국경을넘어선전자상거래에서 1조달러에달하는소비를할것으로전망됩니다.

5 03. 시장문제점 아웃렛 백화점 디자이너브랜드들이거래되는편집숍 백화점 3 사아웃렛매장수추이 맞춤화, 개별화된패션요구, 낮은가격선호현상 소비자들의쇼핑패턴은경제적불확실성의증가에따라패션소비를비롯한소비가감소하는경향을보이면서소비자들은더욱맞춤화및개별화된패션을요구하고있으며더욱낮은가격을선호하는경향성을보이고있습니다. 이는오프프라이스쇼퍼가북미시장의모든채널을통한의류소비의 75% 비중을차지할만큼증가추세입니다.

6 03. 시장문제점 디자이너브랜드인스타그램 Gucci 인스타그램 패션트렌드속도의급격한증가 SNS의확산으로실시간정보공유, 데이터처리기술확대, 3D 프린팅기술의상용화등다양한기술의발전으로인해기존의기획-수주-제조-유통-판매의가치사슬이붕괴되고있습니다. IT의발달은기존의 6개월리드타임을기반으로한홀세일수주방식에직접적인영향을미쳐디자이너패션산업의근간이변화하고있습니다. 패션의변화속도가급격하게빨라지고있는가운데패션브랜드들은평균적으로일년에여섯번의콜렉션을선보이고, 럭셔리브랜드조차도리드타임을줄여나가는추세입니다. 빠른변화속도는표절문제와소비자구매를반영한빠른제품디자인주기와방향의문제들을야기하고있습니다.

7 04. 해결방안 디자이너브랜드기반패션생태계구축을통해새로운시대, 변화대응 기존홀세일기반제조 유통의느린프로세스에대한대안을제시하고, 패스트패션브랜드의한계를 극복하기위해고객피드백에기반한디자이너브랜드를육성하여합리적가격, 빠른트렌드반영, 다 양하고유니크한디자인기반패션생태계를구축합니다. Fast Trend Based Small Designer Brand FAST TREND Fast Fashion Brand 획일화에대한불만 저렴한인프라 유니크한디자인 빠른트렌드 Blockchain & Crowed Sourcing OFFLINE CONSUMER 오프라인개인소비자 ONLINE CONSMER 온라인개인소비자 ONLINE PROSUMER 데이터를기반으로생산자와소비자의역할을병행하는소비자 홀세일기반제조 유통 SLOW TREND

8 04. 해결방안 1. 생태계조성 보상코인 P C 실크코인 실크로드생태계내에서활동에대한리워드로제공 실크생태계내에서쌓은적립형 SLK 를코인으로전환하여외부마켓 ( 온오프쇼핑몰 ) 에서활용 실크로드는서로다른영역에있던수많은패션업체와서비스, 디자이너들, 패션상품의제조, 유통등 의핵심정보를블록체인에기록하여생태계를하나로연결한다. 패션유통의한부분, 부분을기록해주는수많은참여자들을위해실크코인보상체계를마련하여생태계참여를독려한다. 참여자는디자인프로토타입시연, 구매의사표시, 디자이너발굴등각자의역할을성실히수행한다면실크코인 (SLK) 를획득할수있으며, 획득된실크코인 (SLK) 는홍보의수단으로활용되거나대체수단으로환원될수있다. 실크코인 (SLK) 는생태계참여자들간의거래에쓰이며, 생태계참여자들이운영하는사업장에서도사용할수있다. 또한이렇게실크생태계를통해생성된패션블록체인기록은디자인트렌드분석거래에활용되거나, 패션제조업및유통업계등에서사용될수있으며발생한이익은데이터의소유자에게추가적인수입을제공한다.

9 2. 생태계구성 디자인샘플 디지털쇼룸 패션오디션 패션기업 리테일러 디자인제품 첫등록디자이너속성, 디자인컨셉등록 바이어의견청취, 소비자선호도측정 대규모주문, 브랜드홍보 도소매점의견청취, 소비자리뷰 실크로드가만들고자하는패션디지털플랫폼생태계에서는패션제조업체, 패션기업, 리테일러, 바이어, 아카데미, 소비자등패션관련사업을영위하거나, 패션관련데이터를이용하는수많은 참여자 ' 들이개입하게됩니다. 실크생태계는이들의생태계참여를유도함과동시에각각의서비스가지닌문제를해결하기위해실크코인이라는 인센티브 ' 를도입합니다. 각각의패션서비스영역마다다르게적용되는실크생태계의규칙을설명하면다음과같습니다. 처음으로디자인샘플등록단계에서는신진디자이너, 패션기업에종사하는디자이너, 아카데미디 자이너등이디자인샘플을등록하여외부생태계와의첫번째상호작용이기록되는단계입니다. 여기 에는디자이너속성정보와디자인컨셉, 소재및분류정보등이함께기재됩니다. 두번째로, 생태계의참여자들이등록된디자인샘플을평가하는단계입니다. 디지털쇼룸또는신진 디자이너오디션에접수된디자인샘플에대해바이어또는일반소비자의선호도평가 ( 좋아요등 ), 전문가적의견및문의등을진행할수있습니다.

10 세번째로, 패션기업및리테일러의바이어로부터디자인제품에대한주문생산거래가이루어지는 단계입니다. 여기서는세부적인디테일에대한디자인및소재에대한수정과생산비용및일정에대 한합의가이루어집니다. 네번째로, 생산된제품이도소매점이나소비자에게전달되는과정입니다. 여기서는해당제품에대한고객선호도및구매후기, 리뷰정보등이기록됩니다. 이를통해제품에대한개선방향이나관련디자인컨셉제품의추가생산등의정보가수집되어트렌드에대한대응이신속하게이루어질수있도록지원합니다.

11 3. 인센티브시스템 실크생태계에서는수많은서비스와생태계참여자들을위한맞춤형인센테브시스템을구현합니다. 인센티브시스템을통해각각의서비스에대한참여동기를부여하고, 참여자의신뢰성있는데이터기록및검증을진행할수있습니다. 각단계별인센티브구조는각각의단계별관점에서보면다음과같습니다. 신규디자인등록단계신규의견수렴단계디자인제품화단계디자인판매단계 ㆍ디자인등록ㆍ디자인등록중개 ㆍ바이어 ( 패션기업및리테일러관계자 ) 의견수집, QA ㆍ전문가 ( 코디 ) 의견수집ㆍ일반소비자선호도측정 ㆍ업무진행정보수집ㆍ관련카테고리제품에대한생산통계, 진행통계, 소비통계 ㆍ도소매점주의견수집ㆍ판매직원의견수집ㆍ일반소비자선호도측정 3.1. 신규디자인등록단계 신진디자이너로부터디자이너샘플이제작되어디자인의도, 디자이너정보등록등의절차를거쳐소유권을증명하는단계입니다. 실크생태계에서는디자인의고유정보와디자이너의정보를핵심데이터로정의하고, 블록체인에등록하는행위에대한보상으로실크코인 (SKP) 를지급합니다. 이과정에서디자이너와기협업하는바이어또는리테일러가데이터등록을지원함으로써인센티브를지급받을수도있습니다 디자인의견수렴단계 디자인의견수렴단계에서는패션기업또는리테일러등바이어들의전문가적의견청취및 QA를진행할수있고, 또한일반소비자및패션코디네이터등의전문가들로부터도선호도평가및의견수렴등을진행할수있습니다. 이과정에참여하는평가자와평가에대한의견에답변하는디자이너모두에게인센티브를지급하여플랫폼참여를독려합니다. 이과정에서쌓이는데이터는트렌드에대한분석자료로배포되고활용될수있습니다.

12 3.3. 디자인제품화단계 디자인제품화단계에서는제품생산을위한세부적인업무조율이진행됩니다. 디자인스타일, 컬러, 소재의종류, 생산일정, 제조기업, 제품단가등다양한범위에대한조율이진행되고이과정의기록을통해시스템에데이터를쌓을수있도록기여하고, 그과정에서전체시스템의제조과정에대한통계를리워드로제공받을수있습니다 디자인판매단계 디자인판매단계에서는도소매점또는소비자에게디자인된제품이생산되어전달되게됩니다. 이과정에서도소매점주, 판매원, 소비자들의다양한의견이청취되고, 문제점에대한분석이기록되고, 제품판매에대한통계가수집됩니다. 그과정에서참여자들에대한인센티브가제공되어디자이너및패션기업, 리테일러등바이어에게도공유되어해당제품의개선이나다음제품구상에도움을제공합니다.

13 05. 비지니스모델 수많은패션인프라를하나의생태계로연결해해법을찾다. 수많은서비스가복잡하게얽혀있는패션산업의문제점을어떻게해결할수있을까요? 개별서비스 의고도화및개선? 정부규제와지원의강화? 사실상지금까지수십년간정부와각사업자가시도해 왔던지엽적접근방식으로는해결이어렵습니다. 신진디자이너오디션 아카데미졸업전시회 크라우드펀딩플랫폼 디지털쇼룸 패션데이터마켓 리테일러바이어 인공지능코디네이터

14 05. 비지니스모델 Eco System 01)SilkRoad Eco System 바이어 패션회사 개인소비자 패션구매정보 패션선호정보 디자이너브랜드 디지털쇼룸 바이어 소비자 리테일러 패션판매정보 Data Data 디자이너 도소매점 Data coin Data Data coin Data coin coin Data 모바일 App Data 패션회사리테일시장소매점 광고 블록체인 분산저장소 패션협회연구기관디자인 Academy coin Coin 마이닝풀 실크생태계

15 05. 비지니스모델 02)SilkRoad Patform Services Flow 실크로드플랫폼을이용한상품을전세계의고객들이상품을보는것만으로도만지지않아도느낄수있는감응형서비스를제공할것이며, 실크로드플랫폼을통해해외로진출하는창구의역할을할것입니다. Junior Designer Indie (soho) Brand Fashion Brand 패션아이템기획 / 디자인 패션아이템별자유로운전향 소비자 ( 소액투자자 ) 투자 투자 Trading Funding 패션아이템 투자결과 (7~30 일 ) 투자결과 (5~8 개월 ) 패션아이템수령 SLK 투자수익배분 투자자 SILKROAD Platform 컨텐츠마케팅법률 패션쇼단독 / 공동개최 홍보를위한컬럼 ( 다국어지원 - 보상체계 ) Media Order ( 영화 / 드라마 / 드레스 ) 등제작 바이어상담을위한쇼룸 (Show Room) 마련 매체제작후원 ( 의상관련 ) 연예인의상지원 기업제휴 지적재산권보호 매출분석에따른수익배분증명 투자자보호를위한생산증명

16 06. Tech Part 01) 블록체인 (1) 실크로드구현을위한시스템의요구조건과기존시스템의한계 1. 신뢰할수있는데이터처리신뢰할수있는데이터란데이터가삭제되거나위변조되지않아야하며, 접근권한통제 (Access Control policy) 가제대로이루어져야하는시스템을말한다. 특히실크로드는투자정보를다루고있으므로투자의주체와지분, 투자시기등민감한정보들이안전하게저장되어야하고, 합당한권한이있는사람만조회할수있는시스템이되어야한다. 신뢰할수있는데이터구현을위해우리는블록체인을주된데이터저장시스템으로채택하였다. 블록체인은그알고리즘의특성상위변조가불가능할뿐아니라데이터를여러노드에분산해서저장하기때문에데이터소실이라는불의의사고에비교적안전하고프라이빗키를통한접근제어는열람권한이없는접근시도를효과적으로차단할수있다. 2. 빠르고안정적인시스템데이터저장시스템으로서의블록체인을활용하려고할때빠르고안정적인데이터처리가필요하다. 빠르다는것은초당처리할수있는거래의양 (TPS: Transactions Per Second) 과대역폭과초로환산한블록의생성주기두가지요소를가지고성능을정의하게된다. 블록생성주기란, 안정적이라는블록이생성되었을때에이블록이취소되지않을것이라는확정에도달하는시간을말한다. 이시간이짧을수록시스템은안정적이라고말할수있다. 안정성은블록의생성주기와확정회수에의해결정된다.

17 주요블록체인네트워크의성능비교 대역폭은블록체인의성능을평가하는데매우중요한요소이며현실적으로사용가능한시스템인지를평가할수있는척도이다. 참고로 Visa는평균 24,000 TPS를유지하여전세계에서발생하는거래를처리하고있다. 실크로드는시스템내에서아이템의제시와투자, 투자지분의거래, 유저들의아이템구매활동과평점, 커뮤니티활동등다양한데이터처리가이루어지며블록체인을통해데이터를저장하므로각트랜잭션의원활한처리를위해충분한트랜잭션처리능력이요구된다. 초기에비트코인의블록크기는 1MB로빠른처리속도를지니고있었으나, 인지도가올라가면서블록체인이용자등참여자가급증하고시간이지나면서거래량이증가및누적됨에따라거래처리속도의한계와거래정보관리에대한부담이증가하면서처리속도가저하되었다. 결과적으로는확장성문제로인하여발생하여트랜잭션처리속도문제가발생하였다. 이러한문제점을해결하기위해비트코인에서는각블록에서많은공간을차지하던증인 (Witness) 데이터를분리시켜각블록마다더많은거래를저장할수있게하는세그윗 (Segwit) 이제안되었으나, 거래량이다시폭발적으로늘어나면다시한계에부딛칠수있다는평가이다. 현재비트코인의대역폭은초당 7건정도의거래를처리하는수준으로, 시스템향상을고려한다고해도실크로드의시스템으로는부적절하다. 스마트컨트랙트개념으로많은유저를확보하고있는이더리움도대역폭은 15 TPS에불과하다. 또한이미 300 GByte 가넘는노드의스토리지역시부담요인이다. 현재블록이쌓이는추세를감안할때에이더리움은 1년이내에 1TByte 가넘는블록사이즈가되어노드를유지하는부담이커질것이다. 이더리움을이용하기위해서는 fork 하여전용네트워크를구축해야한다. 하지만, 전용네트워크를구축한다하더라도이더리움의 TPS는 15 정도수준으로비트코인의 2배밖에되지않는데이는역시실크코인을운영하기에는어려운성능이다.

18 리플의경우허가받은사람만참여할수있는비공개네트워크프라이빗블록체인을사용함으로써, 운영주체의허락을받은참가자들만네트워크에들어올수있다. 따라서운영주체가존재하고허가시신원을파악할수있으며, 익명성문제가해결이된다. 결과적으로기존블록체인의처리속도가느린이유는별도의검증과정을거치기때문인데검증과정이훨씬간단해지므로트랜잭션처리속도도빨라지게된다. 그러나문제점으로는허가받은사람만참여할수있는비공개네트워크로리플장부를마음대로조작하는것도가능하게된다. 또한리플의정책에따르면, 리플거래이용시수수료는리플로지불하게되며이리플은소각된다. 결과적으로리플의공급량이줄어들게되어리플의가치가올라갈수록수수료가올라가는구조이고이정책은가격상승에따라이용자감소로이어질수있다. 리플은이것을트랜잭션비용의이익 (Beneficiaries of the Transaction Cost) 이라고표현하였지만개선이필요해보인다. 그외의 NEM, RaiBlocks 등빠른트랜잭션처리속도의가상화폐가존재하지만, 위와비슷한상황으로많은문제점들이존재한다. 3. 대용량바이너리데이터의효율적처리블록체인에바이너리데이터를저장할수있다면바이너리데이터의정합성을담보할수있다. 데이터의위변조가불가능하고소실의염려도적기때문에이미지파일과멀티미디어데이터, 3D데이터등대용량바이너리데이터를블록에저장하면기존의중앙에집중된데이터저장시스템에비해강점을가지는것이사실이고, 블록체인은기본적으로데이터를저장하는시스템이기때문에이론적으로는바이너리데이터를저장할수있다. 하지만, 대용량바이너리데이터를블록에넣어저장하게되면블록자체의사이즈가갑자기커지게되어시스템에부하가생길뿐아니라노드를유지하기도어려워지기때문에현실적으로기존의블록체인에대용량바이너리데이터를저장할수는없다. 실제로블록체인은대용량데이터를처리하기에는부적합한시스템으로현재의저장방식에대안이될수없다는주장이힘을얻고있다. ( 참조

19 그럼에도불구하고, 분산시스템에서별도의중앙저장장치를운용한다는것은네트워크운영철학에도맞지않을뿐아니라블록체인이해결했던중앙저장장치를운용함으로써발생하는비용과보안문제를다시떠안게된다. 따라서, 블록체인내에서대용량바이너리데이터를효율적으로처리할수있는시스템이필요하다. 4. 자의적개입을최소화할것자의적개입을최소화한다는것은데이터의삽입과삭제, 열람의권한을정해진룰에따라최소한의개입을통해달성함을의미한다. 블록체인시스템은대부분이데이터에대한자의적개입을적절한수준으로통제하고있다. DPoS를포함한 PoS 계열의합의알고리즘을채택한블록체인들은소수에권한이집중된다는단점이있지만, 소수의담합을모니터할수있다면자의적데이터의변형이가능은하지만현실적으로어렵다고인정할수있다. 그러나, 실크로드는투자아이템의추천과같은블록체인으로는제공할수없는부분에대해서도자의적인개입을최소화하고자한다. 따라서, 이부분은인공지능을이용하고학습데이터와모델을최대한투명하게공개함으로써실크로드가추천하는시스템에대한최대한의신뢰성을담보하려고한다.

20 5. 공정하고환경친화적인시스템실크로드를운영함에있어서가장핵심적인가치중의하나는사회공헌과환경친화적운영이다. 사회공헌은시스템그자체로달성하기어려운목표이긴하지만환경친화적시스템의운영은시스템내부에서해결할수있다. 가장문제가되는것은블록체인의합의알고리즘인작업증명 (Proof of Work) 로시스템의효율성과는상관없는채굴 (Mining) 이라는활동을통해보상을얻도록설계되어있기때문에채굴을위해사용하는에너지는낭비되는에너지이다. 이를보완하기위해단순히해쉬값을얻는채굴이아니라채굴의컴퓨팅파워를보다효율적으로사용하고자하는시도가있었으나, 이는채굴문제를근본적으로해결하지못하였다. 채굴이아닌또다른알고리즘으로제시된지분증명 (Proof of Stake) 과권한증명 (Proof of Authority) 은환경친화적이라는목적은달성했으나, 권한이소수에집중되어버려민주적이고공정한절차에의해운영하고자하는시스템의기본사상이반영되지못하였다. 실크로드에는공정하면서도환경친화적인시스템을요구한다. 하지만, 이시스템들은큰사이즈의멀티미디어데이터를효과적으로저장할수있도록설계되지않았다. 그리고, 실크코인이추구하는가치인공정 (fair) 하고환경친화적 (eco-friendly) 인가치는고려되지않았다. DPoS 합의알고리즘은 20인또는 21인의소수에게만블록을마감할수있는권한이주어지기때문에위임절차에대한문제뿐아니라, 소수의위임된노드들에대한권한집중문제가제기되어공정한합의알고리즘으로볼수는없다.

21 06. Tech Part 02) 실크로드블록체인 (1) 빠른데이터처리의구현빠른데이터처리를위해서는우선각노드의처리속도가담보되어야한다. 실크로드에서는온라인게임서버에사용된네이티브멀티쓰레드서버구현체를통해노드의성능을극대화한다. 실크로드구현체에서공식적으로지원하는개발언어는 C++ 로 VM을사용하는다른언어에비해쓰레드최적화와멀티코어의처리가쉽고하드웨어의성능을최대한발휘할수있도록개발되고있다. 그러나, 각노드의성능을최적화하는것이네트워크전체의성능을최적화하는데한계가있으므로실크로드에서는네트워크구성방식과블록체인알고리즘의개선을통해데이터처리속도를향상하고자한다. 대부분의전통적인블록체인은순수한 P2P방식으로구현되고있다. 순수한 P2P 네트워크는중앙의통제가없고노드들의자발적참여로네트워크가유지되기때문에데이터에대한독점적통제가불가능한장점이있는반면 Peer를찾는과정과새로운노드의참여에대한전파속도때문에속도가느려지는단점이있다. 새노드가 P2P 네트워크에진입하는경우, 새로운노드는 P2P 구성원의목록을사전에알고있어야한다. 만약기존구성원의목록을사전에알고있지않다면새로운노드는다른노드를찾기위해그넓은인터넷의바다를헤매야하며이는메시지비용의엄청난낭비를의미한다. 무엇보다위험한점은새로운노드가짧은시간내에기존노드를찾아낼보장이없다는점이다. 따라서새로운노드는언제가동이시작될지아무도모른다. 현실적으로새로운노드가네트워크에진입하여기존노드를찾기위한자원발견알고리즘을구현하는것은거의불가능하다고할것이다. 실크로드에서는중앙집중식서버를운영함으로써이러한문제를해결한다.

22 실크로드에서는중앙집중식서버에서각노드들의리스트를관리한다. 그리고노드들의운영상황을확인한다. 따라서새로운노드가진입하고자하면기존노드들의리스트를알필요없이실크로드서버에접속할수있는통신프로토콜만을알고있으면된다. 실크로드는 active 한노드들의리스트만제공하기때문에각노드들은다른피어의상태에대한질의과정을생략하고빠르게노드로서의역할을할수있다. 중앙서버를운영할경우새로운노드라고하더라도다른피어들에게자신의존재를알리는데시간이걸리지않는다. 서버가알아서전파를해주기때문이다. 이경우새로운노드라도빠른시일내에많은피어들이접속하여노드로서의역할을다할수있으므로전체적인네트워크로봤을때효율적인리소스의배분이가능하면서도 P2P의비효율성을제거할수있다. 일반피어들보다상위개념인수퍼피어를운용하여일반 P2P 네트워크와수퍼 P2P 네트워크를통해중앙집중식서버를제거하는네트워크토폴로지도존재한다. 이네트워크의구성은 Pure P2P와 Hybrid P2P의장점을모두취합하여 P2P의비효율성을제거하면서도분산화된네트워크의관리를할수있다고이론적으로구명되어있으나아직그방법론이통일되어있지않고네트워크구성의복잡도가증가하며수퍼피어들에대한통제가완전이없어지지않은상황에서 Pure P2P 또는 Hybrid P2P 의어느한쪽과유사하게운영되는것이현실이다. 따라서네트워크구성을단순화하고극도의효율성을유지하면서도공정하고투명하게중앙서버를운영할수있다면 Hybrid P2P로그목적을달성할수있다. 실크로드에서도 Super Peer 를도입하고있으나, 네트워크의관리라는관점이아니라스토리지와공헌도라는조금다른시각에서 Super Peer를운용하며, 이에대해서는후에상술한다. 다음테이블은각네트워크구성의방식과장단점을정리한것이다.

23 종류개념특징 Hybrid P2P Pure P2P Super Peer P2P P2P 네트워크와중앙집중식서버를운영 P2P 네트워크만운영 일반 P2P 네트워크와수퍼 P2P 네트워크 2 개의네트워크를운영 1 Routing( 한 peer 가다른 peer 를찾는것 ) 과검색이매우빠름 2 P2P 네트워크내에있는데이터에대한검색이보장됨 1 동적으로접속된 Peer 검색 2 전체네트워크 shut down 거의불가능 3 네트워크가커짐에따라들어가는 cost 제로 1 Hybird P2P 와 Pure P2P 의장점을모두취함 2 네트워크의복잡도가늘어나고방법론이정립되지않음 3 최악의경우 Hybrid P2P 와 Pure P2P 의단점이모두노출됨 이처럼 Hybrid P2P를채택하여네트워크처리속도를개선하는것은블록체인에서블록생성주기를빨리할수있다는의미가된다. 이더리움에서블럭의생성주기를평균 12초정도잡은것은여러테스트를통해그정도면모든노드에전파될수있을것이라는것을확인하였기때문이다. 하지만, 중앙서버가최신거래에대한정보를항상유지하고있고각노드들은자신이가지고있는정보가최신이아니라는사실을알수있다면전파속도가훨씬빠를뿐아니라모든노드에데이터가전파되었다는사실을확인할수도있다. 중앙서버의운영때문에블록체인의장점인데이터무결성의보장과손실의방지가퇴색되지않는다. 중앙서버는어디까지나피어의리스트를유지하고각피어의활동성과성능정보를파악해서네트워크가최적으로운영되며네트워크상의거래가빠르게전파될수있도록도와주는역할을할뿐, 실제로데이터가저장되는곳은각노드들의블록이다. 다시말해각노드들은중앙서버의도움을받아데이터를조금더빠르게처리할수있지만기본적으로해싱을하고암호화를하여블록에추가하는블록체인의기본적인데이터저장방식은동일하다. 따라서데이터가위조변조되었을때해시값의변화를통해위변조사실을쉽게감지할수있으며데이터가각노드에분산복사되어저장되므로일부노드에서데이터가손실되더라도전체네트워크는데이터를안전하게보관할수있다. 따라서, 중앙서버를운용한다하더라도 Pure P2P 블록체인이추구하는가치인분산화된처리와데이터민주화, 데이터의 consistency 확보와손실방지는모두누릴수있다.

24 2. 대용량데이터의처리이상적인스토리지시스템은어디서나액세스가능해야하고 (accessibility) 항상가용해야하며 (availability) 데이터손실에대해서내성을가져야하고많은클라이언트에대해무제한의성능과용량을제공하는시스템이어야하며관리가필요없어야한다. 기존의블록체인은데이터를복사해서모든노드가동일한데이터를가지고있음으로써데이터의정합성을담보하고데이터손실에대해서도내성을가질수있지만, 반대로데이터가커질수록노드의부담이커져서네트워크자체를운영할수없게만든다. 따라서, 무제한의성능과용량을제공할수는없다. 실크로드에서는데이터를블록에저장하지않는다. 실크로드에서는각노드들이제공한스토리지를바탕으로논리적인가상스토리지를구성한후, 논리적인가상스토리지에암호화된파일을저장하고블록에는파일의위치와해쉬값을저장한다. 데이터에접근하고자하는클라이언트는우선블록체인시스템에서권한을확인하고올바른권한이있는클라이언트라면파일의위치와해쉬값, 암호화키를받아서파일을다운로드한후에해쉬값을통해파일의정합성을확인하고파일을복호화하여파일을사용하게된다. 파일을업로드하고다운로드하는절차는다음과같다. 파일업로드 ( 저장 ) ㆍ시스템은블록체인과는별도로각노드가제공하는스토리지를바탕으로네트워크상에논리적인가상스토리지를구성한다. ㆍ업로드된파일은압축, 암호화되어가상스토리지에저장된다. ㆍ일부노드가탈퇴할것을예상하여파일은 1곳에저장되는것이아니고복수의스토리지공간에저장된다. ㆍ블록에는파일의저장위치, 암호화키, 해쉬값이저장된다. 파일다운로드 ( 읽기 ) ㆍ파일을읽으려는사용자는블록체인네크워크에서파일에대해읽을수있는권한을확인한다. ㆍ파일권한이증명되면사용자는가상디스크상의파일위치와해쉬값, 그리고암호화키를얻는다. ㆍ사용자는파일을다운로드하여해쉬값을통해파일의정합성을확인한다. ㆍ파일을복호화하고압축해제하여파일을사용한다.

25 실크로드가상디스크시스템은물리적디스크풀을공동으로관리하는네트워크연결서버모음으로구성되고클라이언트에게는이컬렉션이가상디스크라는큰추상컨테이너를제공하는고가용성블록레벨스토리지시스템으로네트워크내허가받은모든클라이언트는전역적으로액세스할수있다. 블록에저장된해쉬값을통해파일의정합성을확인할수있어서파일의위 / 변조는원천적으로봉쇄된다. 파일은암호화되어안전하게분산저장되며복수의노드에파일이저장되므로일부노드가탈퇴하더라도파일이손실되지는않는다. 가상디스크매니저는탈퇴한노드가보관하고있던스토리지를다른액티브노드에분산저장함으로써일정수의파일은항상네트워크상에존재할수있도록관리한다. 이로써우리는가장이상적인스토리지의모습을블록체인네트워크에서구성하며, 이를통해이미지파일, 동영상, 사운드파일, 3D 파일등용량이큰파일을블록체인을통해저장하여별도의비용과관리없이파일시스템을운영한다. (3) 공정하고환경친화적시스템실크로드의데이터저장시스템은대용량데이터의저장을가능하도록했다. 논리적으로보면자발적스토리지제공자가충분할경우거의무제한의데이터를저장할수있고데이터의저장이시스템의성능저하를야기하지도않는다. 따라서, 노드참여자들의스토리지기여가데이터시스템운용의핵심이되며이들에게정당한보상을주고, 데이터를사용하는입장에서정당한가격을지불하여수요와공급에의해서데이터시스템이안정적으로운용될수있도록시스템이설계되었다. 기본적으로실크로드는데이터스토리지를제공하는수퍼피어들에대해서새로운블록을 signing 하고추가할수있은권한과함께보상을준다. 그리고데이터를업로드하는주체와데이터를읽는주체에수수료를부과하도록한다. 보상과수수료로서데이터스토리지의수요공급을조절하여시스템상에서안정적인파일스토리지가제공되도록한다. 이러한합의알고리즘은공헌증명 (Proof of Contribution) 으로불리며이로써공정한시스템과환경친화적시스템의 trade-off 문제를해결할수있다. 네트워크에많이공헌한노드의운영자가더많은보상을받는다는의미에서이는매우공정한 (fair) 시스템이며네트워크의효율성과상관없는컴퓨팅파워를낭비하지않는다는점에서이는환경친화적인시스템이다.

26 (4) 자의적개입의최소화민주적이고분산화된시스템은실크로드의핵심철학중의하나이다. 블록체인의도입은이러한철학의구현방법이며중앙서버의도입은이러한철학에위배되는것이아님은전술한바와같다. 더나아가실크로드는사람이개입할만한일에서도 human error 나 human bios를제거하고공평한시스템을제공하기위해많은부분에인공지능을도입하였다. 인공지능의도입은투자아이템의추천, 자신에게맞는패션의추천등추천시스템에서마케팅목적이나또는다른의도를배제하고순수하게데이터적인관점에서추천하여자의적데이터통제를최소화함은물론, 사람이하는것보다더효율적이고적합한아이템을찾아내는데에도도움이될것이다. 실크로드의인공지능은자의적개입의최소화뿐아니라유저의편리성을위한다른여러가지기능을제공하므로이는새로운장에서설명한다.

27 06. Tech Part 03) 실크로드인공지능 (1) 지적재산권의보호를위한유사이미지검색실크로드는지적재산권의보호를위해기존에출시되었던아이템들과새로이등록하는아이템의유사성을분석한다. 기존의이미지검색이나분류는이미지에첨부된텍스트에의거하여수행되었다. 이방법은두가지문제가있다. 첫째로모든이미지에텍스트로태그를달아야한다. 다른하나는텍스트가누락된항목은분석할수없고가격, 브랜드, 색상등정형화된항목만분석이가능하다는것이다. 디지털이미지의사용이기하급수적으로늘어남에따라텍스트에의한이미지검색분류법은한계에이르게되었다. 따라서, 시각적인요소가중요한패션아이템은이미지에딸린텍스트가아닌, 이미지그자체를가지고분석할수있어야하며이를위해서이미지인식인공지능이필요하다. 이미지인식의기본적인방법은주어진이미지안에서상품의영역을자동으로인식하고그영역에서각각의요소 ( 색상, 모양, 패턴, 무늬등 ) 을추출해분류과정을거쳐클러스터링기법을통해유사한이미지군을추천하는시스템이다. 1. 객체탐지객체탐지 (Object Detection) 는입력이미지가주어졌을때, 이미지내에존재하는모든카테고리에대해서분류 (Classification) 와위치파악 (localization) 을수행하는것을말한다. 입력이미지에따라존재하는물체의개수가일정하지않고 0~N개로변하기떄문에난이도가높은 task로알려져있다. 주어진이미지안에어느특정한클래스에해당하는사물이어느위치에포함되어있는지박스형태 (Bounding Box) 로검출하는모델을만드는것을목표하기떄문에, 특정클래스의사물이포함되어있는지여부만을분류하는모델보다는훨씬복잡한모델이다. 디지털이미지에객체탐지처리를거칠경우그이미지안에어떤아이템이어떤위치에있는지알수가있다.

28 실크로드의객체탐지는일반적인 Box 탐지모델이아닌보다정교한탐지모델이필요하다. 왜냐하면유사이미지검색뿐아니라 Dress Fitting Room Service 에서도사용되기때문이다. Dress Fitting Room Service 의경우사용자가생성한디자인이미지에서셔츠, 목걸이와같은객체들만필요하기떄문에박스형태로검출된이미지를사용할수없다. 따라서주어진이미지안에어느특정한클래스에해당하는사물이어느위치에포함되어있는지 ' 픽셀단위 (Instance Segmentation)' 로분할하는모델믈만들어야한다. 이는사물의위치를박스형태로표시하는객체탐지문제보다더자세하기위치를표사해야하기떄문에, 더어려운문제에해당한다. 픽셀단위로분할하는문제는모든픽셀에대하여클래스분류를수행해야한다는점에서, 성능발전수준도다른문제에비해상대적으로낮은편이며, 분류모델의이미지 1장당처리소요시간도매우긴편이다. 하지만, 사물의위치에대한정교한인식결과물을얻는것이가장중요한문제상황에서는, 이를 Segmentation 문제로가정하고이를해결하기위한분할모델을개발하는것이최선의방법이다. 기존의객체탐지기술들인 CNN, R-CNN, Fast R-CNN, YOLO, SSD 기술로는픽셀단위까지의데이터를얻을수없기떄문에, 픽셀단위까지탐지하는 Mask R-CNN[1] 기술을사용하여객체를픽셀레벨까지탐지한다. 기존 Faster R-CNN 의발전형모델로 Faster R-CNN 이객체탐지에대해서훌륭한성과를넣었던것을고려하여개량한모델이다. 그림 1. Mask R-CNN Fully Convolutional Network (FCN)

29 Mask R-CNN 에서 FCN 을 CNN Feature 상단에놓아 Mask 를생성하는데사용한다. Faster R-CNN 의 Branch 를두어주어진픽셀이그객체의일부인지판별하는 binary mask를출력하는데사용하며, 그 Branch 는직전의레이어와같이 FCN으로 CNN Based Feature Map의상단에놓여진다. 이를통해입력은 CNN Feature Map되고, 출력은 1,0으로이루어진행렬 (1은픽셀이객체에포함되는경우, 0은아닌경우 ) 로 Binary mask로불린다. 그림 1. Mask R-CNN Fully Convolutional Network (FCN)

30 픽셀단위의이미지를만들기위해서는박스형태보다정교한정렬이필요하기때문에기존의 Faster R-CNN 의 RolPool 대신 RolAlign 필터를통과함으로써선택된 Feature map 의영역이원본이미지영역에더정확하게맞춰지게된다. 원본이미지를 RolAlign 에적용하기위해 Feature map 을만들기위해서는다음과같은과정을거친다 크기의이미지가있고, feature 맵의크기는 25 25라고가정하고, 원본이미지좌측상단의 픽셀의영역에상응하는 Feature 를원한다고가정한다. 각 Feature Map의픽셀이원본이미지에대해 25/128 의비율로대응된다는것을생각하고, 15 픽셀을원본으로부터선택하면, 우리는 15 * 25/128, 즉 2.93 픽셀을선택하게된다. RoIPool 에서우리는이 2.93에서소수점을버리고 2픽셀을선택하게되는데, 이는약간의소숫점오차 (misalignment) 를유발한다. 그러나 RoIAlign 에서 2D 선형보간법 (bilinear interpolation) 을사용하여 2.93 이라는숫자가의미할지정확히파악하게된다. mask들이생성되면, Mask R-CNN 은 Faster R-CNN 으로부터생성된 classification 과 bounding boxes 들과합쳐져아래그림과같은정확한픽셀단위의분할을보여준다. 그림 4. Instance Segmentation

31 Mask R-CNN 과같은특징량추출및학습기술을사용하여디자인에서발생되는객체를픽셀단위로인식하여이를유사이미지검색기술, 이미지주석기술, Design Fitting Room Server 에사용된다. [1] He, Kaiming, et al. "Mask r-cnn." Computer Vision (ICCV), 2017 IEEE International Conference on. IEEE, 유사이미지검색기존의이미지인식방법으로이미지유사도를고려한다고하면 class-level 의 precision 만을고려하기떄문에, 입력쿼리이미지에대해 'white car', yello car' 와같은결과를보여주며, 객체영역을정확하게추출하지못하기떄문에, 객체영역을픽셀단위로추출하는실크로드의특성상에적합하지않다. 그이후에나온인공신경망을사용하는 DeepRank 모델을사용하게되면, Similary Model 을구축하거나, Query Image 에대해유사한이미지를식별하는방식을사용한다. 하지만이런방식을사용할경우 Similary Model 을학습해야해서이에따른시간복잡도가증가하게되며, 입력데이터를 Triplet Dataset 라불리는데이터형태를새롭게가공해야하기떄문에사용하기에부적합하다. 이렇게탐지된각객체별로유사이미지검색 (Image Similarity) 을하게된다. 이미지의패턴을탐색, 식별, 판독, 인식하여추출된 Feature( 관심영역검출 ) 을비교하여두이미지가얼마나비슷한형태를띄고있는지혹은유사도가얼마인지를추출한다. 유사도의근접도에따라이미지내아이템의동일성여부를판별할수도있다. 기존의이미지인식방법 (Image Classification) 인 DeepRank 을이용한유사이미지검색의경우 class-level 의 precision 만고려, 정확한객체영역만을추출하는것이불가하고 Similary Moeld 을구축하는데발생되는시간복잡도가발생하여다수의이미지를비교하는데사용하는데에는적합하지않다. 다시말해객체탐지를통해생성되는픽셀단위의 Feature Map을측정하는것은적합하지않다.

32 따라서실크로드에서는객체탐지를통해추출된픽셀단위의 Feature Map을이용하여두이미지간거리를측정하는방식을사용한다. 이미지의유사도를비교하기위해서는두이미지를대표하는행렬간의거리를측정하게되는데, Manhattan Distance(L1 Distance) 와 Euclidean Distance(L2 Distance) 방식이범용적으로많이사용된다. 그중에서더직관적이고이해할수있는거리를계산하는 Euclidean Distance 방식을사용한다. Euclidean Distance 은 n차원공간에서두점사이의최단거리를구하는공식으로, x축과 y축으로구성된 2차원에두점이있고그두점사이의거리를측정하는것은피타고라스의정의를이용해쉽게할수있다. 하지만다차원촤표에서의두점의거리를재는것은쉽게할수없기떄문에, 차원수를일반화시켜서적용한것이유클리디안거리공식이다. 즉, 유클리디안거리공식은피타고라스정리를이용한거리측정방법에차원수를 n차원으로표현한방식이다. 두점 P와 Q가각각 P=(p1, p2, p3,... pn) 와 Q(q1, q2, q3... qn) 의좌표를가지고있을때두점사이의거리를계산하는 Euclidean Distance 공식은다음과같다. 그림 1. Euclidean Distance 여기서구한유클리디안거리를약간변형해서 0 과 1 사이에값을갖도록정규화가가능하다. 그림 1. Euclidean Distance

33 Euclidean Distance 를사용하면하면 Euclidean Distance 가멀수록정규화된거리값은 0 으로수렴 하고, 반대의경우 1 로수렴해서두이미지의 Feature Map 이유사한정도를쉽게비교할수있다. 이러한 0 과 1 사이의실수값중에서특정값을임계값 (threshold) 로결정하고이값에근거하여이미지의유사도를확정해서유사이미지를추출해내면, 기존에시중에출시되었던제품과현재등록하고자하는아이템과의유사도를확인할수있으며이를통해지적재산권문제로발생할수있는리스크를사전에제거할수있다. (2) Virtual Dress Fitting Room Service 온라인상품구매의장벽중하나로불만족스럽거나부적절한제품에대한반품문제가존재하며, 실제온라인상품판매의 30% 이상이반환되어이에따른비용과시간의소모가발생하고있다. 'Walker Sands' 의 2015년보고서 [1] 에따르면 35% 의고객이단순히이미지를보고사는것이아니라가상으로상품을체험해볼수있다면온라인상품구매를더욱많이사용할것이라는통계수치를보고했다. 이러한통계수치는소비자가구매하고있는온라인상품이완벽하다고판단되면구매할확률이높아지고, 제공업체는반품에대한배송인센티브를제공하지않아도된다고주장한다. 즉, 구매자가개인적으로온라인상품에대해서 ' 경험 ' 해봄으로써온라인상품의반품에소모되는비용과시간을줄일수있다. 실크로드에서는위와같은문제를해결하기위해서다지인상품을 3D로변환하고아바타 ( 개인체형 ) 에맞게상품을입혀보는 (Design Fitting Room) 서비스를제공한다. 소비자들은패션디자이너들이만든패션아이템에투자할때, 상품의단편적인이미지만을보고투자하지않고, 3D로변환된상품을아바타에직접입혀봄으로써, 상품을실제로입어보는느낌과다향한아바타체형설정에맞춰입혀진상품의 Fit을통해사용자들에게신뢰성있는투자를가능하게한다. 1. Walker Sands " 2015

34 가상의탈의실시물레이션에서움직일떄물리구조가적용될필요가없으므로정적인물체로간주된다. 드레스또는어패럴아이템은가상 3D 복장물체가사용자의위치, 방향또는움직임을추적할떄디스필레이에자연스럽게흐를필요가있기때문에동적인것으로간주된다. 기존가상피팅 (Virtual Fitting) 의경우증강현실 (VR) 을이용하기떄문에, 사용자를스캔할장비증강현실기기들이있어야할물리적인구조가적용되어야한다. 이는물리적공간을차지하기떄문에장소와비용의문제가발생할수있고, 온라인에서는사용할수없고실제매장에와서사용해야하는문제도있다. 사용자의모션, 위치, 방향을추적해야해서너무복잡하다. 우리는이를영상처리를통해해결한다. Design Fitting Room Service 를제공하기위해서영상처리기술을필요로하게되는데, 영상처리기술은입출력이영상인모든형태의정보처리를가리키며, 대부분영상처리기법은화상을 2차원신호로보고여기에표적적인신호처리기법을적용하는방법을말한다. 패션디자이너들이올린 2D Single Image( 디자인 ) 를 3D기반으로재구성해기위해서 Tal Hassner[2] 등이제안한 Example Based 3D Reconstruction from Single 2D Image 을이용해단일클래스 (ex: 손, 인물 ) 와비슷한모양을가지는대상 (Object) 에대해서재구성과정을제약하고, 외관으로부터각객체의깊이까지맵핑이가능한단일클래스를포함하는객체의데이터베이스를이용하여대상 (Object) 과유사한픽셀의강토패턴을찾아대상 (Object) 의깊이를추정한다. 그림 1. 2D Single Image Deep Search

35 그후아바타와 3D로재구성된디자인을입혀보기위해서는김나리 [3] 등이제안한이미지변형기법을이용한가상드레스업시스템을이용하여전처리과정에서 JueWang[4] 등이제안한 SoftScissor 툴을이용하여 3D로재구성된디자인과아바타의알파맵 (Alpha map) 이미지를추출해내는과정을통해디자인과아바타알파맵을추출하여이미지의경계를구분해주는과정을거친다. 그림 2. Alpha map 추출 다음으로디자인과아바타간의맵핑되는정보를저장하기위해서골격구조 (Skeleton structure) 를사용하여각조인트의좌표를이동시킴으로써디자인과아바타에알맞은형태로맵핑하게된다. 이렇게 1차변형단계를통해아바타의신체형태와비슷하게대략적으로디자인이변형된결과를얻을수있다. 하지만옷과모델의경계부분이맞게피팅되지않아부자연스러운결과를볼수있는데, 이러한부분을해결하기위하여옷과모델의경계정보를이용한 2차변형단계를거친다. 2차변형단계에서는디자인과아바타의경계형태를알맞게피팅시켜주기위해서알파맵으로부터얻은경계정보와골격구조정보를디자인의매쉬를이루고있는각점들이아바타의경계에있는어떤점과매칭이되는지를찾는다. 그리고옷과모델경계의점들에대해서서로매칭이된다고찾아진점들을매칭점집합으로만들고이매칭점집합에대해서매칭점이알맞게찾아졌는지검사하고잘못매칭된점들을제거하여최적화된피팅결과를찾는다.

36 위의기술을통해완성된 Design Fitting Room 서비스를운영하여, 실크로드에서는온라인상품판 매에발생되는소비자와공급업체에서발생되는비용과시간의소모를줄일수있으며, 소비자들은 디자인된상품을아바타에입혀봄으로써신뢰성있는투자를유지할수있게된다. 1. Hassner, Tal, and Ronen Basri. "Example based 3D reconstruction from single 2D images." Computer Vision and Pattern Recognition Workshop, CVPRW'06. Conference on. IEEE, 김나리, 윤종철, and 이인권. " 이미지변형기법을이용한가상드레스업시스템." 컴퓨터그래픽스학회논문지 15.2 (2009): J.Wang,M.Agrawala,andM.F.Cohen, Softscissors:Aninteractivetool for realtime high quality matting, In proceeding of ACM Transaction SIGGRAPH 2007, 2007.

37 (3) 추천인공지능은데이터로부터스스로학습하여최적값을계산해예측또는최상의결과값을도출함으로써, 특정정보의추천체계에폭넓게활용된다. 새로운창조를지향하고있는패션분야는지나간정보만으로새로운것을생각하기에는기술적한계를동반이러한문제를해결하기위해개인의취향이나사용자의관심사를분석해맞춤컨텐츠를추천해주는기술이발전하는추세이다. 실크로드플랫폼사용자를위한인공지능기술은패션아이템에딥러닝기술을적용해투자자들 (Buyer, 소비자등 ) 의구매에더욱합리적이고, 과학적으로상품을제안한다. SLKRod 의인공지능엔진은온라인 ( 포털, SNS, 뉴스등 ) 검색을통해스스로트렌드를학습하고반영한다. 투자자가설정해놓은개인 NEEDS 를 Base Data로활용하여개인화된인공지능서비스를새로운알고리즘을통해최적화된결과를도출할수있다. 실크로드인공지능은생산자의창조적컨텐츠다양화, 투자의규모, 그리고사용자만족도모두증가하는선순환구조의형성을통해소비자의편익을높이는것을목표로하며실크코인인공지능의자동화된개인화컨텐츠서비스로인해컨텐츠의다양성을높이고소비자의편익을높이는데기여할예정이다. 실크로드의추천알고리즘기술은 CNN 을이용한분석과 RNN, 강화학습등을모델로하는기법등다양한모델과기법을사용한다. 그중에서주목할만한기술은이미지태그기술이다. 이미지태그기술은이미지를글자로변환하는기술로이미지캡션입력시스템은 CNN + LSTM 으로딥러닝알고리즘기반으로설계되었다. 수식화

38 사진이입력으로주어졌을때높은학률값이주어지면설명문 Caption 을생성한다. I는이미지의입력을나타내며, st는문장 S의 t번째단어를의미한다. 이미지의입력은 CNN의특징맵과객체검출을통해추출한객체정보를뜻한다. 또한각 Decoding 영역의 LSTM을사용하여, 어휘를예측하고단어를생성해낸다. 또한정확한이미지캡션을위해 Merge 레이어를구성하여객체정보를임시로저장한다. 이영역에서는앞서인코딩영역에입력으로들어온객체정보를모두고려하여, 좀더정확한문장생성이가능하도록한다. 문장의주어에사용되는메인객체가먼저입력으로들어왔지만, 문장의마지막구성에배치가되어도그문맥적의미를잃지않게만들어주는역할이다 이미지화

39 입력의특징벡터를 Deep CNN으로이미지를영역으로나눈후감지할수있는특정객체의가장자리에따라각각의영역을인식한다. LSTM으로최초의입력이되며각객체를표한하는단어를생성하여해당시스템은이미지에적절한캡션으로단어를정렬하고성능지표 BLEU(BiLingual Evaluation Understudy) / METEOR 로평가한다. 이러한기술을통해수많은이미지속에각각의요소를추출해분류과정을거치고, 클러스터링기법을통해사용자맞춤형정보를제공해줄수있다. 출처 :

40 06. Tech Part 04) 패션트렌드예측 패션트렌드를예측하는데있어문제는기존의데이터가부족하다는점과세상이계속변화하고있다는점이다. 이미알과있는지식과아직조사되지않은영역을탐험하는것사이의균형을잡아나강야한다. 다시말해환경이지속적으로변해가는상황에서트렌드를실시간으로분석하고이를즉각반영할수있는온라인수행과아직조사되지않은영역과의 trade-off 관계의가중치를어떻게설정하는가가중요한문제로떠오른다. 이러한문제를풀기위해강화학습의핵심개념이되는 Multiarmed Bandit 알고리즘을채택하여트렌드를예측한다. 1. Multi-armed Bandit 알고리즘 - 환경상태집합, S; - 행동집합, A; - 포상 ( R ) 의집합 - 매시점에 t 에이전트는자신의상태 (state) 와 st S 가능한행동 (action) A(st) 를가지고있음 - 에이전트는어떤행동 a A(st) 을취하고, 환경으로부터새로운상태 st+1와포상 (reward) rt+1 을받음 - 종료상태 (terminal state) 가존재하는경우누적된포상값 R을최대화하며, 종료상태에가까워질수록탐색 (exploration) 을적게하고활용 (exploitation) 에치중함 - 종료상태가없는경우계속해서진행되는미래의포상이현재에얼마나가치있는지할인율 γ 을 곱해서누적 참조 )

41 2. Multi-armed Bandit 알고리즘진화ㆍepsilon-Greedy : 사용자중일부는현재까지알려진최적안으로보내서활용을하고, 나머지일부에대해서는다시분기를하여전통적인 A/B Testing 을수행하여새로운최적안이나왔는지알아보는방식으로개선한알고리즘ㆍ Softmax : 지금까지알려진성과를기반으로성과가좋은쪽에사용자를좀더가중치를주는알고리즘ㆍ Softmax + Temperature + Annealing : 시간이지남에따라점진적으로 " 온도 " 를낮춰서탐험비율을낮추는방식ㆍ UCB1 : 지금까지알려진성과뿐아니라, 그성과가얼마나많은실험을통해알려진결과인지 ( 즉얼마나확실한지 ) 도함께따져서, 덜확실한쪽에더많은탐험을하는방식ㆍ Customized Multi-Armed Bandit : 실크코인의패션서비스에맞게알고리즘이수정되면서맞춤형멀티암드밴딧 ('Customized Multi-Armed Bandit') 알고리즘을추천시스템에적용함 참조 ) t_final_report.pdf 따라서, 실크코인인공지능의자동화된개인화컨텐츠서비스로인해컨텐츠의다양성을높이고소 비자의편익을높이는데기여할예정이다.

42 06. Tech Part 05) 결론 패션산업은절대적규모가크며빠른성장이이루어지고있는산업으로, 이산업이온라인화로이동하고있으므로패션산업에서의온라인비즈니스는무한한가능성을지닌다. 패션산업의특성상분절된각활동주체들을한곳에서모아서소통할수있는플랫폼을제공할수있다면활발한생태계를구축하는좋은비즈니스기회가될수있다. 실크코인에참여하는주체는디자이너, 투자자, 생산자, 소비자들이며실크코인은플랫폼을통해기획, 투자, 생산, 물류, 판매라는사이클을구축하여생태계를조성하고시스템이원활히돌아갈수있도록마케팅, 법률자문등부가적인서비스를제공한다. 이시스템을구축하기위해서는신뢰할수있는데이터시스템이필요하며, 빠르고안정적인트랜잭션, 자의적개입의방지, 환경친화적이고공정한시스템을구축하기위해서는기존의기술로는해결할수없고따라서실크코인이제시하는기술적방법론을통해서시스템을구축할수있다. 이를위해실크코인은 super peer를포함하는 hybrid P2P 네트워크, 가상분산스토리지, Proof of Contribution 합의알고리즘, 딥러닝을통한인공지능, 3D visioning 을통해시스템을구축한다.

43 07. 로드맵 2018 년에수많은프로젝트, 비즈니스, 판매, 기술제공업체및기본서비스제공업체와투자자들이 SILKROAD 플랫폼에참가할예정입니다 창업자는개발자와만나서분산된애플리케이션및웹플랫폼빌드의시작을시작합니다. - 백서는영어와한국어로제공됩니다 SILKROAD 플랫폼의백엔드구조정의및초기개발 - UI 디자인및응용프로그램및웹사이트플랫폼의프런트엔드초기개발 - 팀빌딩 ( 블록체인개발자, 프런트엔드개발자, 백엔드개발자, 영업및마케팅직원,iOS 및안드로이드개발자및웹개발자 ) 주동안 1 차프리세일진행 ( 총발행액의 10%) 프리세일 2 차진행예정 ( 총빌행액의 10%) - SILKROAD 플랫폼개발시작 커뮤니티베타테스트실시 - 거래소상장예정 실크로드서비스시작및마케팅진행 - 주요패션업계와의파트너십을발전시키는산업판촉활동시작 - 기업투자유치 - 실크로드홍보및공급처 ( 디자이너 ) 확보 - 국내유통네트워크구성 - 블록체인시스템구축 - BtoB, BtoC 거래시스템구축 ~ 월플랫폼의추가개발및 SILKROAD 의 V.2 출시대규모업데이트예정중 - 해외진출예정

44 Token Sale Supply 2018 년에수많은프로젝트, 비즈니스, 판매, 기술제공업체및기본서비스제공업체와투자자들이 SILKROAD Platform 에참가할예정입니다. Token Sale Supply 회차발행가수량기간 Pre-sale 1 차 1ETH=70,000SLK 1,500,000,000 ( 총발행량의 10%) ~ Pre-sale 2 차 시세기준 1,500,000,000 ( 총발행량의 10%) ~ 총발행코인지불 ( 구매 ) 방법코인발행가격최소교환수량목표프리세일하드캡소프트캡 15,000,000,000 SLK 이더리움 (ETH) 1 차 : 1ETH=70,000 SLK 2 차 : 시세기준 1 ETH 1 차,2 차 (3,000,000,000 SLK) 50,000 ETH 6,000 ETH 프리세일기간동안이더리움은선정기관거래소의시세에의해변동될수있습니다 ( 매주월요일 12 시 ) 토큰배분 비용배분 팀보상 20% 마케팅 10% 사회기부 10% 마이닝 30% 프리세일 20% 예비비 10% 파트너쉽 / 컨설팅 10% 예비비법률자문5% 5% 개발비 40% 운영관리비 20% 마케팅비 20%

45 09. 팀 & 어드바이저 ADVISOR 박찬대ㅣ ( 현 ) 국회의원 ~ 제 20 대국회후반기교육위원회위원 ~ 제 20 대국회후반기예산결산특별위원회위원 제 20 대국회전반기정무위원회위원 이만의ㅣ ( 전 ) 환경부장관 2013 순천만국제정원박람회조직위원장 2003~ 환경부장관 2000~2002 대통령비서실공직기강비서관, 행정비서관 1998 행정자치부인사국국장. 이광수ㅣ ( 전 ) 기업은행장 전 ) 기업은행장전 ) 수출입은행장전 ) 산업은행이사장

46 ADVISOR 올랜드마리나오ㅣ기술자문.( 현 ) 블록체인 UNIWALLET 서비스기업대표 금광개발회사기업대표 베틀랜드혁신 I.T. SOLUTIONS, INC 기업대표 이고르벨루소프ㅣ기술자문 Blockchain and software engineer 최승웅ㅣ국제교류자문 ( 현 ) 한중과학기술교류원회장 하승우ㅣ기술자문 현 ) 케이펍티브이대표이사단국대학교이학박사 KT 올레 PUB 의대표이사역임코젯블록체인플랫폼창립자

47 LEADER James. Moon ㅣ CEO, CO FOUNDER 본프로젝트창립자입니다. 사업개발분야의 10 년전문경영인으로써기업의다양한가능성을검토, 분석및문제해결하고있습니다. 세계적인주요무역및상거래업무를 15 년이상의노하우를통하여패션프로듀싱실크로드프로젝트를진행하고있습니다. Sang Hyun Eom ㅣ COO 본프로젝트 COO 입니다. 디지털비지니스분야에서 16 년간전문경영인으로일했으며 18 년경력의 IT 컨설턴트로 GS, 11 번가, 현대카드프리비아등대규모디지털커머스의성공적인프로젝트수행했고 LG 패션, 한섬, 제일모직, 위즈위드, 코오롱등다양한패션기업의성공적인디지털비지니스컨설팅및실행을진행했습니다. 해당노하우를통하여패션플랫폼실크로드프로젝트를진행하고있습니다 Sundari ㅣ DEVELOPER 비트코인과다른알트코인에관련된개발을맡은숙련된웹개발자로다양한프레임워크의 php 경험이많고이커머스와 SaaS 개발에능숙합니다. Munish ㅣ DEVELOPER Node JS 로암호화폐교환모듈을개발하였고 ERC20 등다양한코인의해쉬알고리즘을구현하며프론트엔드에서는 angular js 를사용합니다. Guru l DEVELOPER 모바일어플리케이션을위한 API 를개발하며핀테크와 E- commerce 분야의 SaaS 에경험이많습니다.

48 08 LEADER Jake H. Kim ㅣ CTO. 외교관, 연구원, 게임크리에이터등다양한커리어를거쳐 IT 분야에서 18년동안종사하는동안고성능서버개발등고난이도프로젝트를즐겨해왔습니다. 최근수년간텍스트에서인간의감정을추출하는인공지능에대해관심을가지고연구해왔고현재블록체인과인공지능을접목하는작업을진행하고있습니다. Taekyoung. Lee l DIRECTOR, DEVELOPMENT TEAM C/C++ Network 서버엔진선임개발자로써, SNA 기반의그룹. 방송서비스메인서버엔진, 로드발랜스서버엔진을개발한이력이있으며, P2P Grid Computing 을 R&D 한이력이있고, H.323 기반의표준 Internet Phone 을위한 Network Server Engine 을개발한이력이있습니다. 그밖의다수의인터넷서비스나 IT Solution 에서, Network 서버엔진을개발한이력이있습니다. 현재는, P2P 분산 Network 플랫폼을근간으로한 BlockChain 자체개발프로젝트를진행하고있습니다. SeongJin Kim l DIRECTOR, DEVELOPMENT TEAM 금융보안전문가로서 10 년이상금융기관의전사적정보보호총괄, IT Compliance, 대내외감사업무를수행하였습니다. 현재거래소정보보안전략수립및정보보호관리체계가동, 모든정보보호시스템을총괄운영합니다. HoSun. Kyung DEPT HEAD, DEVELOPMENT TEAM 개발팀책임자로 JAVA 개발관련리딩및관리업무를담당하고있습니다. 국방부, 흥국생명, 흥국화재, 현대자동차, ERCSSON LG, LS 엠트론등다수에 SI( 시스템통합 ) 프로젝트경험이있습니다.

49 Jack. Eom l TEAM LEADER, DEVELOPER 인공지능과 Python 언어에관심을가지고있으며블록체인과연동하는인공지능시스템을담당하고있습니다. 모바일기반의어플리케이션과자바백엔드서버구축의전문가이며 JAVA,C# 언어를즐겨사용하며항상최신기술에목말라있습니다. Inhee. Um l DEVELOPER Python, Go, Java, javascript 등개발를담당하고있으며,SKT 스마트그리드, 삼성화재손사인트라넷, 삼성생명내부통제, 한국타이어 HOPE 등다수의프로젝트에참여하였습니다. Min Young Kim DEVELOPER Data Scientist 로써필요한기술을익히고있으며, 현재 python 을통한데이터분석및인공지능시스템을담당하고있습니다. SKT 데이터코어망, 대우건설등데이터를통한 IT 분석개발및운영업무를수행하였습니다.

50 Kwangjae. Choi DEVELOPER 스마트컨트랙트 (Solidity) 운용과암호화알고리즘담당을하고있으며, 한국인삼공사, P&G, 서울세계불꽃축제 (2014), SamsoNite 그룹사 ( 개별브랜드 ), CrossFire E- Sports( 다국어 ), 세종병원그룹등다양한국내외기업 ( 브랜드 ) 의프로젝트를 Secure Coding 을준수하며여러기술을접목구축하였습니다. Chloe. Kim l DEVELOPER 블록체인 (Ethereum, Hyperledger 등 ) 개발및운용담당업무를맡고있으며,C++ Network 서버엔진등금융사사내 IAM,SSO,OTP 인증시스템, 증권사실시간매매시스템등다수의프로젝트를수행하였습니다. Changji Liu l DEVELOPER PHP 개발자로거래소개발경험이있고중국어, 한국어를모두유창하게할수있습니다. Seonghyun Kang DEVELOPER 개발팀에서인공지능개발을담당하고있습니다. 현재 python 을사용하여인공지능시스템을개발하고있습니다.

51 Jihoon Yooo DEVELOPER Data Mining 과 JAVA, Scala 언어에관심을가지고있으며, 개발팀에서 JAVA, Scala, Javascript 언어를사용하여인공지능서비스에필요한 Pipeline 과자동화스크립트개발업무를수행하고있습니다. YoungJu Do l DEVELOPER 블록체인개발팀으로써, 블록체인관련업무를수행하고있습니다. Sungchan Park l DEVELOPER Embedded linux 기반펌웨어개발을시작으로, 팬택스카이피쳐폰개발에다수참여하였습니다. 또한안드로이드도넛부터플랫폼소스를분석및 Study 를하고, SK 에서발주한 TStock series 를개발및배포하였습니다. 이후크루셜텍및슈프리마에서안드로이드기반 middle ware sdk 를개발하였으며, 최근에는 IOS/Android screen mirrong 솔루션을개발하였습니다. Hyukin Kwon TEAM LEADER, PUBLISHER Web front end developer 전문가로서웹표준 (w3c), 웹접근성 (wcag), 크로스브라우징하여사이트를구축하며, javascript, jquery, html5, css3 등을활용한 responsive 및 parallax 사이트를구축합니다.

52 Sujin Lee PUBLISHER Web front end developer 전문가로서웹표준 (w3c), 웹접근성 (wcag), 크로스브라우징하여사이트를구축하며, javascript, jquery, html5, css3 등을활용하여인터랙티브한웹을제작합니다. Serena Min l DESIGNER UI/UX, GUI Designer 로서 SKT, 신한카드, LG CNS, KIST, SBS, 베이직하우스, 알바천국, 빗썸등다양한서비스의디자인을진행하였으며 PC Web, Mobile Web, Hybrid APP, Native APP 의 UI/UX 디자인을담당하고있습니다. Yeongeun Kim l PD 웹기획을담당하고있습니다. 동부화재, 흥국생명, 농협, 우리은행, 웰컴저축은행등다수의금융권 Web/App 을기획했습니다. Cynical PD 전략기획 / 서비스기획 / 사업기획등을진행해온 15 년차기획자입니다. 크리에이팅디랙터와비슷한업무를수행합니다.

53 Allen Jung PLANNING DEPT LG 텔레콤삼성전자와 O2O 기업인모아플래닛등의 IT 와통신기업에서솔루션, 법인제휴영업과 BIZ 모델기획, 사업추진, 조직관리등 IT 와통신기업에서다양한업무를수행하였습니다. 현재블록체인을활용하여생태계구축사업모델을진행중에있습니다. Roy Jeong l PLANNING DEPT 전략기획팀에서회사프로젝트기획업무를맡고있습니다. 넷마블게임즈총무팀, 한국부동산개발협회정책팀에서업무를수행하였습니다. Bora Kim l MARKETER 전반적인마케팅전략수립및기업홍보를담당하고있습니다. 다수국내기업의중국사업운영관리, 중화권마케팅업무를수행하였습니다. Minhee Kim MARKETER 마케팅팀에서온라인마케팅 (SNS) 을담당하고있습니다. 매체담당자로서질좋은콘텐츠생성에박차를가하고있습니다. 또한보도자료를관리하고있습니다.

54 Chunwoo Lee HUMAN RESOURCES (HR) 경영지원팀에서인사파트를담당하고있으며, 직원들의인사관리, 인력관리, 경력관리및사내복지와고충처리를위한업무를수행하고있습니다. Hyeyoung Kim ADMINISTRATION (ACCOUNTANT) 경영지원팀에서회사의전반적인자금관련및회계업무 ( 경영지원, 세무신고등 ) 담당하고있으며, 여러분야의회계업무를바탕으로회사의자금이원활할수있도록업무수행하고있습니다.

55 10. 백서고지사항 이백서에는실크로드경영진및실크로드의증권입찰및인수에관련되위험이명시되어있지않습니다. 이에는사법통제권에의해통제된제품이모두포함되지않습니다. 문서는프로젝트에명시된개념적문서입니다. 이백서는실크로드및관련회사의주식, 증권또는기타통제제품의판매또는권유를위한것이아닙니다. 이백서는안내서나다른모든유형의약관으로사용할수없으며, 증권또는관할권에서통제하는제품에대한조언이나투자자문권유로해석할수없습니다. 또한판매, 구독, 증권매입및청약을위한다른당사자초대, 그리고이러한형태의접촉, 계약또는약속에기반하여사용될수없습니다. 이백서는어느국가의사법기관에서도검토하지않았습니다. 투자에대한조언이아닙니다. 이문서에제시된정보나분석은토큰투자참여에대한투자결정으로해석할수없으며구체적인권고가제시되지않습니다. 필수적으로세금및회계외같은분야전문가의조언을구해야합니다. 이백서는그무엇에대한진술과보증으로도해석할수없습니다. 이문서는당사자제안한코딩교육플랫폼과제반사항을설명하는데사용되며,( 유 ) 실크로드는다음과같은점을명시했습니다. 1) 본문서에설명된내용또는프로젝트의다른모든관련내용의정확성이나완전성에대한진술및보증이제공되지않습니다. 2) 전제조건이없다면어떠한미래지향적, 개념적진술의성취또는정당화에대한진술및보증도제공되지않습니다. 3) 이문서의어떤내용도미래의약속이나진술에대한근거로사용될수없습니다. 4) 관련된인물또는백서의다른측면으로인해발생한손실을책임지지않습니다. 5) 면책될수없는법적책임의범위내에서, 적용가능법률이허용하는최대한계가제한됩니다. 이백서와관련해이백서를읽는모든분들에게어떠한사항도진술및보장하지않으며, 그에대한법적책임을부담하지않습니다. 예를들어실크로드백서가적법한권리에근거하여작성되었으며제 3자의권리를침해하지않는지, 백서가상업적으로가치가있거나유용한지, 백서가이백서를읽고있는사람들이가지고있는특정한목적의달성에적합한지, 백서의내용에오류가없는지등을보장하지않습니다. 책임면제의범위는언급한예시에만한정되지않습니다.

56