재개발·뉴타운방식이 민간건설사 주도로 기성 시가지의 전면 철거방식으로 진행되면서 사업성을 우선시한 과도한 개발과 지역 공동체와 정체성이 사라지게 되는 결과를 초래했다.또한 아파트 중심으로 주거유형이 획일화되고 예정구역에 따른 부동산 양극화 문제 등으로 주거지 관리와 공동체 회복을 목표로 하는 저층주저지의 재생이 요구되고 있다.이에 따라 서울시는 2008년부터 양호한 저층주거지를 대상으로 ‘살기 좋은 마을 만들기’ 시범사업을 시작하고 다세대·다가구 밀집지역 등 전제 저층주거지 대상 사업으로 확대 추진하고 있다.이번 회에서는 '서울시 살기 좋은 마을 만들기 학생공모전 분석 연구''라는 주제의 논문을 소개하고자 한다. 2018년 서울도시연구 제19권 제3호에 게재됐다. 중앙대 일반대학원 토목공학과 박태규가 완성했다.살기 좋은 마을 만들기 학생공모전(이하 ‘학생공모전’이라고 칭함)은 2009년 1회를 시작으로 2017년 8회에 이르기까지 2011년을 제외하고 매년 정기 개최되고 있다. 주요 내용을 간략히 소개한다.◇ 연구의 목적... 새로운 저층주거지 재생방식의 가능성을 확인해 청년활동가 양성 기여해를 거듭할수록 발전하고 제도화가 진행되는 마을 만들기 방식이 학생공모전에서 어떻게 나타나는지 알아보고 참가작품에서 새로운 저층주거지 재생방식의 가능성을 확인해 3가지 구체적인 목적을 제시한다.첫째, 학생공모전 시행과정을 정리한다. 학생공모전의 시행과정을 정리해 그동안 학생공모전이 추구하는 방향의 변화를 알아보기 위해 진행한다.둘째, 출품작품의 세부내용을 분석한다. 출품작의 내용을 분석해 그 특징을 구체적으로 분석하고 출품 후 사업화 현황 등의 분석을 실시해 향후 청년활동가를 양성하는 데 기여하고자 한다.셋째, 학생공모전의 발전 방향을 위한 시사점을 도출한다. 학생공모전의 향후 발전방안을 모색해 학생공모전이 가진 잠재력을 높이고자 한다.▲ 분석의 틀◇ 연구의 방법... 공모전 참여 과정과 결과를 고려해 분석의 틀 제시학생공모전 분석을 위해 먼저 공모전 시행 전후 전 과정 참여자 측면에서 공모전 참여 과정과 결과를 고려해 분석의 틀을 제시한다.첫째, 공모전 참가자 특성분석은 시행과정 동안의 참가자수, 참가자 폭 등의 확대로 마을만들기 공감대 형성을 알아보기 위해 진행한다.둘째, 공모전 대상지 특성분석은 학생공모전의 대상지가 어떻게 확대되어 왔는지, 어떤 곳이 대상지가 되는지 경향을 분석하기 위해 진행한다.셋째, 공모전 출품작품 제안사업 특성분석은 마을 만들기의 어떠한 기법을 적용했고 기법이 시간 경과에 따라 어떻게 변화됐는지 마을 만들기 기법의 발전 차원에서 분석한다.넷째, 공모전 성과분석은 참가자에게 참여 계기를 제공하고 실제 사업화로 이어져 저변확대에 기여하고 있는지 알아보기 위해 분석한다.◇ 주요 연구결과... 서울시 학생공모전의 시행성과와 세부내용을 정리해 향후 발전방안 모색서울시가 2009년부터 2017년까지 실시한 살기 좋은 마을 만들기 학생공모전 총 8회(작품분석은 3~8회)를 분석했다.그간의 시행성과를 정리하는 동시에 향후 살기좋은 마을 만들기 학생공모전이 나아가야 할 방향과 개선방향 등을 도출했다.첫째, 학생공모전의 지속적 모니터링이 필요하다. 매년 공모전 시행 후 결과 분석을 토대로 대상지 고갈과 발굴 어려움을 방지하기 위해 지정공모제를 도입한 것과 동일 주제 공모전 시행 누적으로 작품 수가 줄어드는 것을 방지하고 관심을 높이기 위함이다.둘째, 학생외 주민, 공무원 등의 역할 설정이 필요하다. 학생이 갖는 참신성에 주민의 현실감각을 반영하고 관련 활동가나 전문가의 전문 지식을 제공한다. 해당지역 공무원의 행정적 지원이 더해지면 더 현실성 높은 작품이 나올 것으로 기대된다.셋째, 우수 작품은 실제 사업으로 연계돼야 한다. 학생공모전의 파급력을 확대할 수 있는 방안으로 우수한 작품은 서울시·자치구와 협업해 기초조사용역 등 실제 사업화할 수 있는 여건을 마련할 필요가 있다.넷째, 청년인재 발굴의 장이어야 한다. 단순한 공모전에서 한발 더 나아가 청년 마을 만들기 전문가를 발굴한다는 지향점을 가질 필요가 있다.앞으로 저층주거지 재생을 위한 정책수요가 많아져 이 분야의 전문 인력 수요가 높아질 것이 분명하다. 공모전 참여 학생을 대상으로 사전 공모전 설명회뿐만 아니라 사후 청년활동가 양성 기회를 제공할 필요가 있다.◇ 연구성과의 한계... 단순분석에 그쳤으며 의견조사를 진행하지 못함첫째, 출품작품 분석이 전수 출품작 확보가 가능한 3~8회로 한정됐다.둘째, 학생공모전의 성격상 작품은 아이디어 도출·방향설정에 그쳐 실제 사업계획으로 보기 어렵다.셋째, 전적으로 출품작품만 대상으로 분석해 작품 제출자의 직접적인 의견 조사는 이뤄지지 않았다.◇ 향후 연구 과제... 정성적 분석을 포함해 구체적 분석도 시행 필요이 연구는 한국의 마을 만들기 방식의 저변확대를 위한 기초연구로서 의의가 있다. 하지만 이연구는단순분석에 그쳤다는 한계가 있다.이를 극복하도록 작품내용의 창의성, 실현가능성, 성실성, 파급효과 등 정성적 분석을 포함해 구체적 분석도 시행할 필요가 있다.또한 이 연구는 학생공모전을 중심으로 분석을 진행한 만큼 일반적인 결론을 도출했기 때문에 마을 만들기와 학생공모전의 발전을 위해 서로 연계하는 종합적인 연구방식의 후속 연구를 기대한다.▲ 배웅규 전문위원 (중앙대학교 교수) 

▲ 삼성전자 SAIT, ‘인공지능, 컴퓨터공학 챌린지 2024’ 모집 공고 [출처=홈페이지]글로벌 선두 종합 전자업체인 삼성전자(회장 이재용)는 2024년 8월1일부터 9월13일까지 약 6주간 국내 대학 학부생과 대학원생을 대상으로 ‘삼성 AI/CE 챌린지 2024’를 개최한다고 밝혔다. 인공지능(AI) 기술을 활용한 미래 반도체 연구 생태계 강화를 위해 AI와 컴퓨터공학(Computer Engineering, 이하 CE) 분야 국내 우수 인력을 발굴하기 위한 목적이다참여를 원하는 학생들은 SAIT 홈페이지에서 접수 가능하며 결과는 10월 초 발표된다. 2021년부터 시작해 올해로 4회를 맞는 ‘삼성 AI/CE 챌린지’는 과학기술 인재 발굴과 지원을 위한 아이디어 공모전이다. AI와 CE 분야에서 총 3개 주제로 진행된다.올해 챌린지의 공모 주제는 AI 분야에서 △모델 기반 Black-box 최적화 알고리즘 개발 △정밀하고 신뢰성 높은 반도체 소재 시뮬레이션용 머신러닝 모델(Machine Learning Force Fields) 개발 등 2개다. AI 분야에서는 주어진 문제와 데이터셋을 활용해 최적의 AI 알고리즘을 개발한다.CE 분야에서 △On-Device 시스템에서 LLM(Large Language Model)의 inference 최적화 1개다. CE 분야에서 제한된 하드웨어 리소스를 활용해 거대 언어모델(LLM)의 추론 시간을 최소화하고 정확도를 개선하기 위한 방안을 도출하게 된다SAIT는 인공지능을 이용한 반도체 소자와 공정 개발 검증용 머신 러닝(Machine Learning) 알고리즘 개발에 대한 아이디어를 찾고 이를 통해 국내 차세대 반도체 연구 개발 경쟁력을 강화한다는 계획이다.공모 부문별 최우수상을 포함해 총 12개 팀을 선발하며 부문별 최우수 1개 팀은 1000만 원, 우수 1개 팀은 500만 원, 장려 2개 팀은 각 300만 원이 수여된다. 시상식은 11월 개최되는 ‘삼성 AI 포럼’에서 진행될 예정이다.수상자 전원에게는 삼성전자 SAIT에서 주관하는 ‘AI/CE 챌린지 캠프’에 참여해 수상팀들 간 네트워킹과 SAIT AI/CE 연구 리더들부터 멘토링을 받을 수 있는 기회가 주어진다.삼성전자 SAIT 경계현 사장은 “AI 기술은 반도체 업계 내에서도 활용 범위를 빠르게 넓혀가는 중으로 SAIT는 새로운 기술 연구에 앞장서며 한계 극복을 위해 노력 중”이라며 “AI/CE 챌린지를 통해 미래 기술의 한계를 뛰어넘을 수 있는 새로운 아이디어를 얻을 수 있도록 우수한 학생들의 많은 참여를 기대한다”고 강조했다.◇ ‘삼성 AI/CE 챌린지 2024’ 공모 주제 세부 내용1. AI 챌린지‘모델 기반 Black-box 최적화 알고리즘 개발’ 부문은 복잡한 반도체 공정에 영향을 미치는 수많은 변수를 최적화하는 데 활용할 수 있는 최적화 알고리즘 개발을 탐색한다.‘정밀하고 신뢰성 높은 반도체 소재 시뮬레이션용 머신러닝 모델 (Machine Learning Force Fields) 개발’ 부문은 지난해에 이어 두 번째로 진행되는 주제로, 반도체 소재 개발 또는 개선을 위한 시뮬레이션의 계산 비용을 줄이고 예측 성능을 높이는 등 머신러닝 알고리즘을 고도화하기 위한 아이디어를 탐색한다.2. CE 챌린지‘On-Device 시스템에서 LLM 모델의 inference 최적화’ 부문 공모에서는 언어 모델의 추론 성능을 최대화하는 시스템 방법론을 기기 자체에 탑재하는 등 AI 서비스를 제공하는 실제 시스템에서 검증함으로써, AI를 위한 시스템 연구를 활성화하려는 목적이다.