--- type: paper slug: soyea-lee-2022-ai-technology-convergence-network-clustering title: >- Comparing technology convergence of artificial intelligence on the industrial sectors: two-way approaches on network analysis and clustering analysis authors: - '[[soyea-lee]]' - '[[junseokhwang]]' - '[[eunsang-cho]]' year: 2022 venue: '[[scientometrics]]' doi: 10.1007/s11192-021-04170-z categories: - '[[innovation-economics]]' methods: - '[[patent-analysis]]' - '[[network-analysis]]' - '[[gaussian-mixture-model]]' - '[[text-mining]]' - '[[latent-semantic-analysis]]' themes: - '[[technology-convergence]]' - '[[artificial-intelligence]]' - '[[general-purpose-technology]]' - '[[ipc-co-classification]]' last_updated: '2026-05-17T20:00:00+09:00' --- # Comparing technology convergence of artificial intelligence on the industrial sectors: two-way approaches on network analysis and clustering analysis *[[soyea-lee]], [[junseokhwang]], [[eunsang-cho]] (2022)* · [[scientometrics]] · [DOI ↗](https://doi.org/10.1007/s11192-021-04170-z) > AI 의 기술 융합을 *두 방향 접근*으로 분석한다. Top-down 은 USPTO AI 특허 209,211 개의 IPC 공동분류 네트워크에 [[network-analysis]] 의 degree·betweenness centrality 와 ego-network 를 적용해 *영향력 있는 산업 부문과 hub 기술*을 식별. Bottom-up 은 특허 초록 텍스트에 [[gaussian-mixture-model]] (GMM, AIC 기반) + LSA (90% variance) 클러스터링으로 *실제 응용 양상*을 추출. 금융·관리, 의료, 운송, 반도체, 게임, 바이오 6개 부문이 AI 융합 핵심으로 도출. CAGR 측면에선 운송 41%, 게임 27%, 금융 23% 가 최고 성장률. - **RQ**: (1) AI 기술 융합의 주요 산업 부문은 무엇인가? (2) Top-down (IPC 네트워크) 과 bottom-up (특허 텍스트 클러스터) 접근은 어떻게 상보적으로 결합되는가? - **방법론**: [[patent-analysis]] (USPTO Google Patent Datasets via BigQuery), [[network-analysis]] (degree + betweenness centrality, ego-network), [[gaussian-mixture-model]] (Python scikit-learn), [[latent-semantic-analysis]] (90% explained variance), [[text-mining]] (spaCy lemmatization, bigram TF-IDF) - **데이터**: USPTO 등록 AI 특허 209,211 건 (2000-2019, KIPO 2018 분류 기반 IPC 코드 — Learning/Reasoning, NLP, Computer Vision), 2,517 IPC group-level codes, 36 sectors → 16 분석 sectors (WIPO IPC-concordance, Schmoch 2008) - **주요 발견**: 6 hub sectors: 금융/관리 (12,603 특허, CAGR 23%, CPP 66.87), 의료 (10,218, 17%, 29.79), 운송 (6,426, 41%, 29.01), 반도체 (1,896, 9%, 22.20), 게임 (1,576, 27%, 45.47), 바이오 (1,188, 12%, 29.59). Hub IPC: G06K-009 (패턴 인식, degree 1위 614,610), G06Q-030 (commerce, 금융 hub). - **시사점**: AI 는 [[general-purpose-technology]] 로서 산업별 융합 패턴이 다르므로 *산업·기술·응용 3차원 동시* 분석이 필요. Top-down 은 구조적 정보를, bottom-up 은 응용 양상을 제공해 상호 보완. ![AI 기술 융합의 두 방향 접근 프레임 — top-down IPC 공동분류 네트워크 + bottom-up 특허 텍스트 클러스터링.](/papers/202201_LeeS_Comparing_technology_convergence_of_artificial_intelligence_on_the_industrial_sectors_two_way_approaches_on_network_analysis_and_clustering_analysis/fig1.jpeg) ## 요약 기존 [[technology-convergence]] 연구는 (i) 단일 main 기술의 sub-기술 융합 (Kim et al. 2014 의 printed electronics, Wang et al. 2019b 의 3D printing), (ii) 두 이질 산업 융합 (Kim and Lee 2017 의 IT-BT, Curran and Leker 2011 의 NFF-ICT) 으로 양분되어왔다. 그러나 AI 같은 *일반목적기술 (GPT)* 의 *다 산업 융합*을 *전체 산업 관점*에서 다룬 연구는 부족했다. AI 가 헬스케어 (모니터링·진단), 자동차 (자율주행·전동화), 금융 (robo-advisor) 등 다양한 산업을 동시에 변화시키는 GPT 적 특성 (Brynjolfsson et al. 2017; Liu et al. 2021) 을 고려할 때 *전 산업적 융합 패턴*의 통합 분석이 필요했다. 저자들은 *두 방향 접근*을 제안한다. Top-down 은 USPTO 의 AI 특허 209,211 건 (Google BigQuery, 2000-2019) 의 IPC 공동분류 네트워크 (group-level 2,517 IPC) 에 degree·betweenness centrality 와 ego-network 를 적용. Hub 노드 (top 10%, degree 합 96.3%·betweenness 합 96.7%) 가 *영향력 기술과 산업 부문*을 식별한다. G06K-009 (패턴 인식) 가 양 centrality 1위로 전체 네트워크 hub. 16 sector 중 금융/관리·의료·운송·반도체·게임·바이오 6개가 hub 보유. 금융/관리는 G06Q-030 (commerce), G06Q-020 (payment), G06Q-010 (business management) 등 4개 hub. 의료는 A61B-005 (진단) 가 33위 degree 로 부문 내 최강. 운송은 B60R-021 (사고 방지) 등 차량 통제·모니터링. Ego-network 로 각 hub 의 tie 노드 (top 10 strong tie) 를 분석해 *부문 간 공유 기술*과 *부문 특화 기술*을 구분. Bottom-up 은 6 hub sector 의 특허 초록을 spaCy lemmatization → bigram TF-IDF DTM → LSA (90% variance) 차원 축소 → GMM 클러스터링 (1-10 클러스터, AIC 최소화) 으로 처리. GMM 은 K-means 의 disjoint 제약 (동일 데이터의 다중 클러스터 소속 불가) 과 spectral clustering 의 fully connected affinity 요구를 극복. *클러스터별 top TF-IDF bigram* 으로 *실제 기술 응용*을 추출. 예: 금융의 'fraud detection', 의료의 'medical image', 운송의 'autonomous vehicle'. 두 접근은 상보적: top-down 은 구조 (IPC 카테고리), bottom-up 은 응용 (텍스트 기반 실제 구현). 단독 접근으로는 놓치는 *입체적 이해*를 통합 분석이 제공한다. 함의는 AI 정책·전략 수립에 *산업별 차별화*의 필요성이다. AI 가 GPT 로서 *모든 산업에 동일한 효과*를 갖는다는 단순 가정은 위험하며, 부문별 *hub 기술 + 응용 클러스터* 의 두 차원에서 맞춤 정책이 필요하다. [[junseokhwang]] 의 ICT 산업 분석 라인과 [[keungoui-kim]] 의 patent-based 산업 동학 라인의 결합으로, AI GPT 의 다 산업 융합 패턴 매핑 작업이다. ## 핵심 결과 | Sector | Patents | CAGR | CPP | Hub IPC (degree rank) | |---|---:|---:|---:|---| | Finance/Mgmt | 12,603 | 23% | 66.87 | G06Q-030 (40), G06Q-020 (41), G06Q-010 (53) | | Medical | 10,218 | 17% | 29.79 | A61B-005 (33), A61B-006 (84) | | Transport | 6,426 | 41% | 29.01 | B60R-021, B60Q-001, B60W-030 | | Semiconductors | 1,896 | 9% | 22.20 | H01L-027, H01L-021 | | Games | 1,576 | 27% | 45.47 | A63F-013 (video games), A63B-071 | | Biotech/Bio mat. | 2,956 (합) | 12-13% | 29.59-78.76 | C12Q-001, G01N-033 | (CPP = forward citations per patent. 운송이 최고 CAGR, micro-structure/nano 와 biological materials 가 CPP 양극단. 6 hub sector 는 16 candidate 중 도출.) ## 방법론 노트 Degree centrality 는 IPC 의 *직접 연결 강도*, betweenness centrality 는 *중개 역할*을 측정. 둘 다 상위 10% 인 노드가 hub (Baek et al. 2014 의 hub/bridge/core/periphery 분류 기준). $$ C_D(N_i) = \sum_{j=1}^{g} x_{ij}, \quad i \neq j $$ $$ C_B(N_i) = \sum_{j < k} \frac{g_{jk}(N_i)}{g_{jk}}, \quad i \neq j \neq k $$ 여기서 $g$ 는 네트워크 IPC 수, $x_{ij}$ 는 IPC $i$ 와 $j$ 의 공동분류 빈도, $g_{jk}$ 는 IPC $j$ 와 $k$ 의 최단 경로 수, $g_{jk}(N_i)$ 는 $i$ 를 거치는 최단 경로 수. Ego-network 는 hub 의 *tie value* 상위 10 노드 (자기 sector 제외) 로 *부문 간 공유 기술* 식별. GMM 클러스터링: $p(\mathbb{X}) = \sum_{k=1}^K \pi_k \mathcal{N}(\mathbb{X} | \mu_k, \Sigma_k)$, $K$ 는 클러스터 수, $\pi_k$ mixing coefficient. EM 알고리즘으로 5개 random seed × 클러스터 수 1-10 학습 후 AIC 최소 모델 선택 (BIC 는 항상 단일 클러스터를 선호). LSA 로 90% explained variance 유지하며 sparsity 감소. 각 클러스터의 *상위 bigram (mean TF-IDF)* 가 응용 키워드. ## 연구 계보 Athereye and Keeble (2000), Rosenberg (1976) 의 *기술 융합 = 산업 간 공통 지식 베이스* 정의에서 출발. Choi et al. (2015), Nystrom (2008) 의 *기술 융합 → 산업 융합* 인과 가설. Kim and Lee (2017) 의 *3차원 (purpose / methodology / object)* 기술 융합 분석 프레임을 GPT 영역으로 확장. IPC 공동분류 방법은 Choi et al. (2015), Kwon et al. (2020), Han and Shon (2016, ICT) 의 전통. Schmoch (2008) 의 WIPO IPC-technology concordance 로 35 → 16 sector 매핑. KIPO (2018) 의 AI 특허 IPC 분류 적용. Brynjolfsson et al. (2017), Liu et al. (2020, 2021) 의 AI = GPT 명제. GMM 클러스터링은 Patel and Kushwaha (2020), Bishop (2006) 의 density-based clustering 전통, Conneau et al. (2017) 의 sentence embedding 과 결합. [[junseokhwang]] 의 *4기 (2020-2023) 스마트시티·AI·지속가능 전환* 시기의 AI 산업 분석 라인 중심 작업이며, TEMEP 내에서는 [[keungoui-kim]] 의 patent-based 기술 융합 분석 라인의 자매 작업. ## See also - [[junseokhwang]] - [[soyea-lee]] - [[eunsang-cho]] - [[scientometrics]] - [[technology-convergence]] - [[artificial-intelligence]] - [[general-purpose-technology]] - [[patent-analysis]] - [[network-analysis]] - [[gaussian-mixture-model]]