고부담 이미징 환경은 인간 전용 육안 검사에서 AI 증강 분석으로 전환되고 있습니다. 전통적인 선별 작업은 심각한 취약점에 직면해 있습니다. 작업자의 피로, 인지 과부하 및 끊임없는 높은 처리량으로 인해 시간이 지남에 따라 감지 정확도가 저하됩니다. 항공 보안 검문소에서 놓친 위협이든, 의료 진단에서 간과된 변칙이든, 위음성의 결과는 심각합니다.
이러한 운영 병목 현상을 해결하기 위해 인공 지능은 필수 위험 완화 계층 역할을 합니다. 컴퓨터 비전과 딥 러닝을 통합하면 최신 의 기본 기능과 정확성이 직접적으로 향상됩니다 X-Ray 스캐너 기계 . 이러한 기술 발전은 잠재적인 위험을 실시간으로 표시하는 동시 읽기 메커니즘을 제공합니다. 그러면 인간 운영자는 명백한 기본 위협을 검색하는 대신 복잡한 이상 현상을 확인하는 데 인지 리소스를 집중할 수 있습니다.
자동화보다 강화: X선 스캐닝의 AI는 동시 판독기 또는 분류 도구로 가장 잘 작동하여 피로, 훈련 공백 또는 산만함으로 인한 인적 오류를 크게 줄입니다.
이중 산업 영향: 핵심 기술은 컴퓨터 비전 딥 러닝에 의존하지만 애플리케이션은 보안(자율 위협 탐지)과 의료(저선량 영상 및 진단 지원) 간에 크게 다릅니다.
거짓 긍정 절충: AI 모델을 평가하려면 높은 민감도(모든 이상 징후 포착)와 특이성(워크플로를 방해하는 거짓 경보 방지)의 균형을 맞춰야 합니다.
배포 아키텍처가 중요합니다. 엣지 컴퓨팅(온디바이스)과 클라우드 기반 AI 처리 중 하나를 선택하면 시스템 대기 시간, 데이터 개인 정보 보호 규정 준수 및 X선 스캐너 시스템의 통합 비용이 결정됩니다.
목차
인간의 시각적 인식은 표준 운영 변화에 따라 저하될 것으로 예상됩니다. 복잡하고 중첩된 단색 또는 이중 에너지 이미지를 지속적으로 모니터링하면 감지 정확도가 눈에 띄게 떨어집니다. 시간당 수백 건의 스캔을 검토하는 작업자는 시각적 피로를 경험하고 미묘한 밀도 변화나 불규칙한 모양을 찾아내는 능력이 저하됩니다. 예를 들어, 항공 보안에서 운영자는 일반적으로 이러한 급격한 인지 저하에 대처하기 위해 20~30분마다 화면을 전환합니다. 이러한 관리 통제에도 불구하고 교대근무 중에 처리되는 엄청난 양의 시각적 데이터로 인해 필연적으로 세부 정보가 누락됩니다.
시설에서는 처리 속도와 스캔 완전성 사이의 본질적인 충돌로 끊임없이 싸우고 있습니다. 보안 검색대에서는 터미널 정체를 방지하기 위해 시간당 특정 개수의 수하물을 통과해야 합니다. 임상 방사선과에서는 일일 환자 할당량이 늘어나 방사선 전문의가 교대근무당 수백 건의 복잡한 연구를 해석해야 하는 경우가 많습니다. 처리량을 높이면 운영자나 방사선 전문의가 단일 이미지를 분석하는 데 소요되는 시간이 직접적으로 제한되어 중요한 누락 가능성이 높아집니다. 벨트 속도가 증가하면 인간의 인지 처리에 사용할 수 있는 시간이 그에 비례하여 감소합니다.
단조로운 스캐닝 환경은 심각한 인지 장애를 유발합니다. 지속적인 인지 전환 및 교육 격차로 인해 운영자는 임상 환경의 미세 균열이나 보안 차선의 분해된 소형 무기를 간과하게 됩니다. 인간의 두뇌는 자연적으로 반복적인 시각적 데이터를 필터링하므로 드물지만 위험한 이상 현상을 놓칠 가능성이 매우 높습니다. 노트북과 신발이 들어 있는 수천 개의 무해한 가방을 살펴보는 검사원은 무의식적으로 안전에 대한 기대를 갖게 되어 노트북 수납칸에 숨겨져 있는 저밀도 폭발물 시트를 놓칠 수 있습니다.
성공적인 AI 통합에는 엄격하게 정의된 운영 기준이 필요합니다. 배포는 기존 처리량 지표를 저하시키지 않고 측정 가능한 거짓 부정 감소를 입증해야 합니다. 소프트웨어는 기존 운영자 워크플로에 원활하게 통합되어 원시 데이터나 복잡한 보조 인터페이스로 사용자를 압도하는 대신 명확하고 실행 가능한 경고를 제공해야 합니다. 목표는 전체 선별 작업의 기본 성능을 높이는 것입니다.
운영 지표 | 인간 전용 선별 | AI 지원 심사 |
|---|---|---|
탐지 일관성 | 20~30분 연속 모니터링 후 성능 저하 | 근무 시간에 관계없이 100% 일관성을 유지합니다. |
처리 용량 | 인간의 인지 처리 속도에 의해 제한됨 | 최대 벨트 속도를 지원하여 밀리초 단위로 이미지를 분석합니다. |
이상 징후 인식 | 어수선하고 겹쳐진 밀도가 높은 물체로 인해 어려움을 겪습니다. | 중복되는 자료를 즉시 디지털 방식으로 분리하고 분류합니다. |
피로 영향 | 자동화 편향 및 시각적 피로에 대한 높은 민감성 | 피로도 제로; 지속적인 2차 검증 레이어 역할을 합니다. |
ATR(자율 위협 인식) 알고리즘은 특정 재료 밀도, 기하학적 모양 및 실루엣을 식별하도록 명시적으로 훈련되었습니다. 이러한 딥 러닝 모델은 공간 방향을 분석하여 시스템이 위협이 색다른 각도로 위치하거나 주변 항목에 의해 부분적으로 가려져 있는 경우에도 위협을 인식할 수 있도록 합니다. ATR은 알려진 위협의 방대한 데이터베이스에 대해 스캔한 개체의 원자 번호와 밀도를 매핑함으로써 스캔된 이미지의 매우 안정적인 첫 번째 통과를 제공합니다.
최신 AI 시스템은 매우 정밀하게 고위험 위협을 분류할 수 있는 대상 개체 인식 프로필을 갖추고 있습니다. 이러한 알고리즘은 총기, 탄약, 수류탄, 칼, 황동 너클 및 액체 폭발물을 안정적으로 감지합니다. 위협 라이브러리를 지속적으로 업데이트함으로써 시설은 진화하는 은폐 방법에 대해 강력한 방어를 유지합니다. 예를 들어, 새로운 유형의 3D 프린팅 무기가 등장하는 경우 알고리즘을 재교육하고 전체에 배포하여 X-Ray 스캐너 기계 특정 폴리머 밀도와 모양을 인식할 수 있습니다.
이중 에너지 시스템은 AI를 활용하여 고급 재료 차별을 실행합니다. 이 소프트웨어는 플라스틱, 마약, 폭발물과 같은 유기 물질과 금속 및 차폐 부품과 같은 무기 물질을 명확하게 구별합니다. 이 원자 번호 분석은 운영자에게 색상으로 구분된 매우 정확한 재료 분류를 제공합니다. AI는 양성 물체처럼 보이도록 성형된 경우에도 C4의 밀도 프로파일과 일치하는 유기 물질 블록을 즉시 강조 표시할 수 있습니다.
조밀하고 어수선한 가방과 무겁게 포장된 화물 컨테이너는 일상적으로 작업자를 혼란스럽게 합니다. AI 알고리즘은 이러한 복잡한 이미지를 디지털 방식으로 풀어 개별 항목을 분리하고 시각적 노이즈를 제거합니다. 이 기능을 통해 시스템은 혼란스러운 환경 내에서 개별 개체를 평가할 수 있으므로 수동으로 2차 검사를 해야 할 필요성이 크게 줄어듭니다. 화물 팔레트에 수백 개의 혼합 품목이 포함되어 있는 경우 AI는 이미지를 분할하고 각 구성 요소를 단 몇 초 만에 개별적으로 분석할 수 있습니다.
자동화된 병리학적 검출은 임상의가 급성 상태를 신속하게 식별하는 데 도움이 됩니다. AI 모델은 기흉, 경화 또는 결절과 같은 이상 징후에 대한 흉부 스캔을 분석합니다. 근골격 영상에서 소프트웨어는 미묘한 골절을 강조 표시하고, 정확한 뼈 연령을 계산하며, 자동화된 해부학적 측정을 수행하여 다양한 의료인 간에 진단 일관성을 보장합니다. 급한 응급실 교대 근무 중에 종종 놓친 주상골의 가는 선 골절은 면밀한 검토를 위해 알고리즘에 의해 즉시 표시됩니다.
환자의 안전은 방사선 노출을 최소화하는 데 크게 좌우됩니다. AI 통합을 통해 최신 X-Ray 스캐너 기계는 훨씬 낮은 방사선량을 사용하여 고화질 이미지를 캡처할 수 있습니다. 딥 러닝 모델은 결과 이미지를 지능적으로 향상시켜 감소된 물리적 신호를 보상합니다. 이는 평생 방사선 노출을 최소화하는 것이 주요 임상 목표인 소아 방사선학에서 특히 중요합니다.
이미지 재구성 알고리즘은 저선량 스캔 중에 생성된 원본 노이즈 센서 출력을 처리합니다. 훈련된 신경망을 적용하여 시스템은 아티팩트 노이즈를 필터링하고 선명한 진단 등급 이미지를 재구성합니다. 이러한 계산 향상은 낮은 방사선 입력과 충실도가 높은 시각적 출력 사이의 격차를 해소합니다. AI는 본질적으로 저선량 스캔 중에 수집된 희박한 데이터를 기반으로 전체 방사선량에서 이미지가 어떻게 보일지 예측합니다.
임상 분류 및 우선순위 지정 워크플로우는 AI 통합으로 인해 엄청난 이점을 얻습니다. 알고리즘은 캡처 시점에 중요하고 생명을 위협하는 결과를 자동으로 표시합니다. 이러한 고위험 사례는 즉시 방사선 전문의 대기열의 맨 위로 이동되어 급성 외상이나 심각한 호흡 곤란에 대한 개입 시간이 단축됩니다. 엄격한 선입선출 순서에 따라 스캔 내용을 판독하는 대신 방사선 전문의는 가장 긴급한 사례를 즉시 처리합니다.
AI를 배포하려면 민감도와 특이도 매트릭스를 탐색해야 합니다. 민감도가 높으면 시스템이 거의 모든 이상 현상을 포착할 수 있지만, 종종 많은 양의 오탐지가 발생하는 결과를 낳습니다. 시설에서는 불필요한 수동 가방 점검이나 임상적 과잉 테스트에 따른 운영 비용과 수용할 수 없는 위음성 오류의 위험을 비교 평가해야 합니다. 모든 밀도가 높은 유기물을 표시하도록 조정된 시스템은 모든 폭발물을 포착할 뿐만 아니라 모든 치즈 또는 밀도가 높은 초콜릿 블록에도 표시를 지정하여 검사 레인을 중단시킵니다.
조달팀은 검증 지표를 엄격하게 평가해야 합니다. ROC(수신기 작동 특성) 곡선과 AUC(곡선 아래 면적) 메트릭을 분석하면 알고리즘 성능에 대한 수학적 기준이 제공됩니다. 이러한 지표는 시스템이 실제 조건에서 실제 위협과 양성 개체를 얼마나 잘 구별하는지 보여줍니다. AUC 점수가 1.0에 가까울수록 모델이 매우 정확함을 나타내고, 점수가 0.5에 가까울수록 모델이 무작위 추측보다 나을 것이 없음을 나타냅니다.
조직은 지속적인 학습 모델과 고정 알고리즘 중에서 선택해야 합니다. 정적 고정 모델은 예측 가능한 성능을 제공하며 규제 및 인증이 훨씬 더 쉽습니다. 적응형 모델은 시간이 지남에 따라 로컬 데이터로부터 학습하여 잠재적으로 정확도를 향상시키지만 알고리즘 드리프트 및 복잡한 규정 준수 문제의 위험이 있습니다. 대부분의 고도로 규제된 환경에서는 현재 배포된 모든 장치에서 일관되고 검증 가능한 성능을 보장하기 위해 잠긴 알고리즘을 요구합니다.
효과적인 UI/UX 통합은 운영자 채택을 결정합니다. AI 조사 결과는 동적 경계 상자, 히트 맵 또는 확률 점수를 사용하여 명확하게 제시되어야 합니다. 잘못 설계된 인터페이스는 시각적 혼란을 야기하여 운영자의 기본 이미지 평가 능력을 적극적으로 방해하고 검사 차선 속도를 늦춥니다. AI가 이미지 위에 두껍고 불투명한 상자를 그리는 경우 운영자가 위협을 확인하는 데 필요한 세부 정보가 모호해집니다.
AI는 엄격하게 의사결정 지원 메커니즘으로 기능해야 합니다. 기술을 두 번째 눈으로 구성하면 운영자는 특정 고위험 구역을 검토하게 됩니다. 인간 조작자는 AI의 공간 하이라이트를 활용하여 더 빠르고 정확한 결정을 내리면서 최종 권한을 보유합니다. 인터페이스를 통해 운영자는 AI 오버레이를 즉시 켜거나 끄고 원시 이미지를 알고리즘 분석과 비교할 수 있어야 합니다.
타사 AI 소프트웨어를 레거시 장비에 통합하면 뚜렷한 과제가 발생합니다. 개조하려면 API 호환성, 네트워크 대기 시간 및 기존 하드웨어의 처리 제한 사항을 평가해야 합니다. 초기에는 비용 효율적이지만 레거시 통합은 이미지 렌더링 지연과 제한된 기능 세트로 인해 어려움을 겪는 경우가 많습니다. 개조를 적절하게 평가하려면 시설에서는 다음 단계를 따라야 합니다.
기존 장비를 감사하여 배포된 모든 스캐너의 정확한 제조업체, 모델 및 소프트웨어 버전을 확인합니다.
레거시 스캐너에 타사 AI가 수집할 수 있는 개방형 API 또는 액세스 가능한 이미지 출력 스트림이 있는지 확인하세요.
네트워크 인프라를 테스트하여 압축되지 않은 이미지 파일을 로컬 AI 서버로 지속적으로 전송할 수 있는지 확인하세요.
이미지 캡처에서 AI 오버레이 렌더링까지의 왕복 대기 시간을 측정합니다. 500밀리초가 넘는 지연은 운영자의 작업 흐름을 방해합니다.
레거시 스캐너에 내부 처리 능력이 부족한 경우 추가 엣지 컴퓨팅 하드웨어를 수용하기 위해 체크포인트에서 사용 가능한 물리적 공간을 평가합니다.
기본 AI 아키텍처를 갖춘 이러한 시스템은 특별히 제작된 내장형 GPU(그래픽 처리 장치) 및 통합 AI 엔진을 갖추고 있습니다. 기본 아키텍처는 초저 지연 시간을 보장하여 AI 분석이 초기 이미지 렌더링과 동시에 나타나도록 보장합니다. 하드웨어와 소프트웨어가 공동 개발되어 통합 마찰을 제거하고 탐지 알고리즘의 효율성을 극대화합니다. 최신 X-Ray 스캐너 기계를 구입하면 뛰어난 성능을 얻을 수 있습니다.
임상 진단 알고리즘에는 엄격한 의료 규정 준수가 필요합니다. 시스템은 일반적으로 510(k) 경로를 통해 FDA 허가를 확보하거나 유럽의 CE 마크와 같은 지역 인증을 획득해야 합니다. 이러한 인증은 AI가 특정 진단 매개변수 내에서 안전하고 효과적으로 작동하는지 검증합니다. 임상 환경에서 인증되지 않은 알고리즘을 사용하면 시설이 막대한 책임에 노출되고 환자의 건강을 위험에 빠뜨릴 수 있습니다.
보안 배포는 엄격한 항공 및 인프라 표준을 준수해야 합니다. 폭발물이나 무기를 탐지하는 알고리즘에는 TSA나 ECAC(유럽 민간 항공 회의)와 같은 기관의 인증이 필요합니다. 규제된 검문소에서 인증되지 않은 알고리즘을 작동하는 것은 연방 명령을 위반하고 시설 보안을 손상시키는 것입니다. 조달팀은 특정 알고리즘 버전이 이러한 엄격한 정부 테스트 프로토콜을 통과했음을 증명하는 문서를 요구해야 합니다.
엣지 컴퓨팅은 로컬 머신에서 직접 데이터를 처리합니다. 이 온프레미스 아키텍처는 매우 짧은 대기 시간과 오프라인 기능을 제공합니다. 현지화된 처리는 엄격한 데이터 주권을 보장하여 민감한 환자 건강 정보 또는 기밀 보안 이미지를 시설의 보안 네트워크 내에 완전히 유지합니다. HIPAA 규정이 적용되는 군사 기지나 병원의 경우 엣지 컴퓨팅이 법적으로 실행 가능한 유일한 배포 방법인 경우가 많습니다.
클라우드 기반 처리는 엄청난 컴퓨팅 성능과 중앙 집중식 알고리즘 업데이트를 제공합니다. 그러나 고해상도 이미지를 외부 서버로 스트리밍하면 상당한 네트워크 대역폭이 소모됩니다. 클라우드 아키텍처에는 지연 시간 종속성과 잠재적인 데이터 전송 취약성이 발생하므로 강력한 엔드투엔드 암호화 프로토콜이 필요합니다. 시설의 인터넷 연결이 끊어지면 클라우드 기반 스캐너의 모든 AI 기능이 손실되어 운영자는 수동 검사로 되돌아가게 됩니다.
운영자는 딥 러닝의 "블랙박스" 특성으로 인해 어려움을 겪는 경우가 많습니다. 사용자가 알고리즘이 어떻게 결론에 도달하는지 이해하지 못하면 자동화 편향(맹목적으로 시스템을 신뢰)에 빠지거나 경고를 완전히 무시할 수 있습니다. 두 극단 모두 전반적인 선별 효율성을 저하시킵니다. 운영자가 AI가 겉으로는 무해해 보이는 개체에 플래그를 지정한 이유를 이해하지 못하기 때문에 유효한 경고를 무시하면 전체 시스템이 실패합니다.
설명 가능한 AI 기능을 구현하면 이러한 위험이 완화됩니다. 특징 맵을 제공하거나 특정 픽셀 클러스터를 강조 표시하는 시스템은 운영자가 알고리즘의 논리를 이해하는 데 도움이 됩니다. 엄격하고 지속적인 교육을 요구하면 지원 도구로서 AI의 역할이 강화되어 운영자가 심사 과정에서 적극적인 참여를 유지할 수 있습니다. 교육에는 오탐지 검토가 포함되어 운영자가 알고리즘의 특정 사각지대와 운영상 특이한 점을 학습할 수 있습니다.
자동화된 탐지를 도입하면 기존 워크플로가 중단됩니다. 기존 검사 방법에 익숙한 직원은 새로운 인터페이스에 적응할 때 종종 마찰을 경험하여 처리량이 일시적으로 감소하고 기술에 대한 국부적인 저항이 발생합니다. 운영자는 AI가 자신을 대체하거나 성능을 모니터링한다고 느낄 수 있어 사기가 낮아지고 채택률이 낮아질 수 있습니다.
시설에서는 단계적 출시와 병렬 테스트를 실행해야 합니다. AI를 백그라운드에서 자동으로 실행하면 경영진이 실시간 차선을 방해하지 않고 정확성을 평가할 수 있습니다. AI 플래그가 지정된 이상 현상을 처리하기 위한 명확한 표준 운영 절차(SOP)를 확립하면 직원이 경고 발생 시 진행 방법을 정확히 알 수 있습니다. 원활한 변화 관리를 위해서는 AI가 대체 도구가 아닌 보조 도구로서의 역할에 대한 명확한 의사소통이 필요합니다.
고급 탐지 모델을 배포하려면 특정 인프라 기능이 필요합니다. 소프트웨어 라이센스 구조, 필요한 하드웨어 업그레이드 및 네트워크 대역폭 제한과 관련하여 숨겨진 병목 현상이 나타나는 경우가 많습니다. 오래된 시설에는 고속 이미지 데이터 전송을 지원하는 케이블 연결이나 서버 용량이 부족할 수 있습니다. 체크포인트 업그레이드는 단순히 새 소프트웨어를 설치하는 것만이 아닙니다. 물리적 환경과 디지털 환경에 대한 전체적인 검토가 필요합니다.
조달 단계에서 포괄적인 인프라 감사를 수행하면 배포 지연을 방지할 수 있습니다. 시설에서는 데이터 흐름 요구 사항을 계획하고, 로컬 GPU 용량을 평가하고, 네트워크 스위치가 스캐너와 로컬 서버 간의 지속적인 이미지 처리 부하를 처리할 수 있는지 확인해야 합니다. 표준 네트워크 스위치를 업그레이드하지 못하면 이미지 렌더링이 지연되어 AI 시스템의 속도 이점이 완전히 무효화될 수 있습니다.
AI 기반 X-Ray 스캐너 기계는 감지 정확도를 향상하고 운영 효율성을 높이며 보다 일관된 의사 결정을 지원함으로써 현대적인 보안 검사 및 의료 영상을 혁신하고 있습니다. AI와 고급 X선 기술을 통합하면 조직은 높은 처리량과 안정적인 검사 성능을 유지하면서 인적 오류를 줄일 수 있습니다.
Eastimage 는 고급 이미징 기술과 AI 기반 감지 기능을 결합한 지능형 X-Ray 보안 검사 솔루션을 전문으로 합니다. 당사의 전문 팀은 고객이 보안 성능, 운영 효율성 및 규정 준수를 향상할 수 있도록 혁신적인 검사 시스템과 포괄적인 기술 지원을 제공합니다.
AI 기반 X-Ray 스캐너 기계를 배포하기 전에 운영 요구 사항, 기존 인프라, 데이터 보안 정책 및 장기 업그레이드 계획을 평가하여 가장 효과적이고 미래 지향적인 검사 솔루션을 보장하세요.
답: 그렇습니다. 많은 기존 기계는 타사 소프트웨어 통합을 사용하여 개조할 수 있습니다. 그러나 성공 여부는 레거시 하드웨어의 API 접근성과 로컬 처리 능력에 따라 달라집니다. 오래된 장치에는 허용할 수 없는 이미지 렌더링 대기 시간을 발생시키지 않고 AI 워크로드를 처리하기 위해 외부 에지 컴퓨팅 서버가 필요할 수 있습니다.
답변: 보안에서 AI는 총기, 탄약, 수류탄, 칼, 황동 너클 및 특정 폭발 밀도를 감지합니다. 의료 환경에서 알고리즘은 기흉, 경화, 결절, 근골격 골절과 같은 급성 병리를 식별하고 정확한 뼈 나이 측정을 계산할 수 있습니다.
A: AI는 딥러닝 이미지 재구성 알고리즘을 활용하여 저선량 이미징을 가능하게 합니다. 스캐너는 표준 방사선량의 일부를 사용하여 이미지를 캡처하므로 노이즈가 있는 원시 파일이 생성됩니다. 그런 다음 AI는 노이즈를 필터링하고 진단 등급의 고화질 이미지를 재구성합니다.
A: 아니요. AI는 "인간 참여" 프레임워크에 따라 작동합니다. 동시 판독기 및 의사 결정 지원 도구 역할을 하여 잠재적인 이상 현상을 강조합니다. 인간 운영자는 AI의 분류 데이터를 사용하여 더 빠르고 정확한 최종 결정을 내리는 최종 권한을 보유합니다.
A: 객체가 알고리즘의 훈련된 매개변수를 벗어나거나 특정 신뢰도 임계값을 충족하지 못하는 경우 시스템은 기본적으로 인간 프로토콜을 사용합니다. 항목을 알 수 없는 조밀한 이상 현상으로 표시하거나 표시하지 않은 상태로 두므로 운영자는 표준 육안 검사 교육을 받아야 합니다.
A: 거짓 긍정은 표준 2차 검사 워크플로를 트리거합니다. 가방은 수동 검색 또는 폭발물 추적 탐지를 위해 전환됩니다. 시설에서는 알고리즘의 민감도 임계값을 조정하여 위협 탐지와 허용 가능한 운영 처리량의 균형을 유지함으로써 오탐률을 관리합니다.
A: 네트워크 요구 사항은 아키텍처에 따라 다릅니다. 엣지 컴퓨팅은 머신에서 로컬로 데이터를 처리하므로 최소한의 외부 대역폭이 필요합니다. 클라우드 기반 분석에는 레인 지연을 유발하지 않고 고해상도 이미지를 외부 서버에 지속적으로 전송하기 위해 강력하고 고속이며 강력하게 암호화된 광대역 연결이 필요합니다.
