국립부경대학교 | 해양공학과

전통적인 통계 분석 기술을 넘어, AI 도구를 활용해 해양의 불확실성을 가시화하고 예측할 수 있는 실무적 기초 역량을 완성한다.

OE-AIX의 핵심 가치를 학부 교과목에 순차적으로 적용하고 있으며, 대표적인 교육과정은 아래와 같이 설계 및 운용되고 있다.

프로그래밍및실습(1학년) ⇒ 해양자료해석(2학년) ⇒ 연안해양학및실습(3학년) ⇒ 해양환경공학및연습(4학년)/논문연구종합설계(4학년)

투입(학습 자원의 현대화)

전통적인 교과서 위주의 이론에서 벗어나, AI 학습이 가능한 ‘살아있는 데이터’와 ‘도구’를 투입한다.

(1) 실제 해양 빅데이터: 조석, 파랑, 수온 등 정제된 예제 데이터 대신 공공 API(기상청, 바다누리 등)를 통한 실시간 가공되지 않은(raw) 데이터.

(2) 컴퓨팅 환경: 엑셀(Excel) 중심에서 벗어나, AI 모델 구현이 쉬운 Python/R 환경 및 생성형 AI(ChatGPT, Claude 등)를 ‘코딩 어시스턴트’로 활용하는 지침 제공.

(3) 도메인 지식 융합: 단순 수치 해석을 넘어, 데이터 뒤에 숨은 해양 물리적 의미를 해석할 수 있는 기초 역학 개념 투입.

과정(경험 중심의 분석 흐름)

단순 암기나 계산이 아닌, 데이터가 정보로 변하는 ‘지능화 과정’을 직접 경험하게 한다.

(1) 데이터 전처리(cleaning)의 체득: 센서 오류, 결측치 등 해양 데이터 특유의 노이즈를 AI 기법으로 정제하는 과정 학습.

(2) AI 기반 패턴 인식: 회귀 분석을 넘어 신경망이나 결정 트리 등 기초 AI 모델을 활용해 해양 현상의 상관관계를 스스로 발견하게 함.

(3) 프롬프트 엔지니어링: 복잡한 해양 수식이나 코드를 생성형 AI와 협업하여 해결하는 ‘AI와의 대화법’ 실습.

성과(문제 해결 중심의 역량 확보)

이 과정을 통해 학생이 도달해야 할 최종 결과물은 ‘데이터로 미래를 예측하는 능력’이다.

(1) 예측 모델링 역량: 과거 데이터를 기반으로 특정 지역의 단기 파고나 수온 변화를 예측하는 기초 AI 모델 구축.

(2) 데이터 문해력(literacy): AI가 도출한 결과의 오류(할루시네이션 등)를 해양공학적 지식으로 검증하고 비판적으로 수용하는 능력.

(3) 포트폴리오 중심 성과: 특정 해양 문제를 정의하고 데이터로 해결책을 제시한 대시보드 또는 분석 리포트 완성.