Google과 AWS는 기계 학습의 힘을 활용하여 홍수와 화재를 예측합니다.
거대 기술 기업의 머신 러닝이 전 세계가 갑작스러운 홍수와 산불과 같은 환경 재해에 더 잘 대응하는 데 도움이 될 수 있을까요?
이것은 모달 창입니다.
대화 상자 창의 시작. Esc는 취소되고 창을 닫습니다.
대화 상자 창의 끝.
이것은 모달 창입니다. 이 모달은 Esc 키를 누르거나 닫기 버튼을 활성화하여 닫을 수 있습니다.
이것은 모달 창입니다. 이 모달은 Esc 키를 누르거나 닫기 버튼을 활성화하여 닫을 수 있습니다.
Google과 Amazon Web Services(AWS)는 전 세계적으로 점점 더 정기적으로 발생하는 환경 위기에 국가가 대처하는 데 도움이 될 수 있는 기계 학습(ML) 모델에 대한 각각의 작업을 강조했습니다.
이들 기업은 이번 주 COP26(United Climate Change Conference UK 2021)이 마무리됨에 따라 홍수 및 산불과 같은 기후 변화의 영향을 해결하기 위한 노력을 강조했습니다.
홍수
Google은 기계 학습 모델을 사용한 홍수 예측 시스템에 대한 동료 검토가 아닌 문서를 발표하여 "측정된 큰 강에서 강변 홍수에 중점을 두고 기관과 대중에게 정확한 실시간 홍수 경보를 제공한다"고 주장합니다. 이 논문은 구글 리서치(Google Research)와 이스라엘 예루살렘 히브리 대학교(Hebrew University of Jerusalem)의 연구원들이 작성했다.
참조: 보고서, 비즈니스 리더들 사이에서 AI의 윤리적이고 책임감 있는 사용에 대한 놀라운 무관심 발견
2018년에 시작된 Google의 홍수 예측 이니셔티브는 홍수 피해 지역에 있는 사람들의 알림을 스마트폰으로 보냅니다. 이는 일선 및 응급 구조원과 협력하여 기술을 개발하는 Google의 위기 대응 프로그램의 일부입니다.
2018년부터 이 프로그램은 인도와 방글라데시의 많은 지역으로 확장되어 약 2억 2천만 명의 인구가 거주하는 지역을 포괄합니다. 2021년 몬순 시즌을 기준으로 3억 6천만 명이 거주하는 지역으로 더욱 확장되었습니다.
"더 나은 홍수 예측 기술 덕분에 1억 1,500만 건 이상의 알림을 보냈는데, 이는 이전에 보낸 금액의 약 3배에 달하는 수치입니다"라고 Google의 엔지니어링 및 위기 대응 담당 부사장인 Yossi Matias는 블로그 게시물에서 말합니다.
Google의 알림은 강의 수위가 몇 센티미터인지만 나타내는 것이 아닙니다. LTSM(Long Short-Term Memory) 심층 신경망을 사용하는 새로운 기계 학습 모델 덕분에 이제 홍수의 범위와 깊이를 Google 지도의 레이어로 보여주는 "침수 지도"를 제공할 수 있습니다.
연구자들은 "LSTM 모델은 모든 유역에서 긴 데이터 기록으로 보정된 개념 모델보다 더 나은 성능을 보였다"고 주장합니다.
구글의 연구원들은 "이전 연구에서 고무적인 결과를 제공했지만, 시기적절하고 정확한 홍수 경보를 계산할 수 있는 ML 모델을 핵심 구성 요소로 하는 실제 운영 시스템을 찾는 것은 드문 일"이라고 말했다.
화재
한편 AWS는 호주 멜버른에 본사를 둔 에너지 회사인 AusNet과 협력하여 이 지역의 산불 완화를 돕고 있습니다.
AusNet은 빅토리아주에 있는 약 150만 가구와 기업에 에너지를 분배하는 54,000km의 송전선을 보유하고 있습니다. 네트워크의 62%가 산불 위험이 높은 지역에 있는 것으로 추정됩니다.
AusNet은 Google Maps 스타일의 LiDAR 카메라와 Amazon SageMaker 머신 러닝이 장착된 자동차를 사용하여 산불 위협을 막기 위해 잘라야 하는 주의 식생 지역을 매핑하고 있습니다. 이전 시스템은 GIS(지리 정보 시스템)에 의존했으며 사용자 지정 도구를 사용하여 LiDAR 포인트에 레이블을 지정했습니다.
AusNet은 AWS와 협력하여 AWS의 관리형 딥 러닝 모델, GPU 인스턴스 및 S3 스토리지를 사용하여 LiDAR 포인트의 분류를 자동화했습니다.
AusNet과 AWS는 도체, 건물, 기둥, 식물 및 기타 범주에 대한 3D 포인트 클라우드 데이터를 정확하게 분류하는 의미론적 세분화 모델을 구축했습니다(블로그 게시물에서 AWS는 설명합니다).
SEE: 디지털 트랜스포메이션이란 무엇인가요? 기술이 비즈니스를 어떻게 재편하고 있는지에 대해 알아야 할 모든 것
"팀은 총 약 6억 1,600만 포인트에 달하는 1,571개의 파일에서 17.2GiB의 압축되지 않은 데이터에 대해 epoch당 10.8분의 속도로 모델을 훈련할 수 있었습니다. 추론을 위해 팀은 22.1시간 동안 15개의 파일에서 총 12억 포인트에 달하는 33.6GiB의 압축되지 않은 데이터를 처리할 수 있었습니다. 이는 분할 상환 시작 시간을 포함하여 초당 평균 15,760포인트를 추론하는 것으로 해석됩니다"라고 AWS는 말합니다.
"항공 측량 데이터에 빠르고 정확하게 레이블을 지정할 수 있는 것은 산불 위험을 최소화하는 데 중요한 부분입니다"라고 AusNet의 제품 관리자인 Daniel Pendlebury는 말합니다.
"Amazon Machine Learning Solutions Lab과 협력하여 데이터 레이블링에서 80.53%의 평균 정확도를 달성하는 모델을 만들 수 있었습니다. 새로운 솔루션을 통해 수동 라벨링 작업을 최대 80%까지 줄일 수 있을 것으로 기대합니다."