시계열데이터

6 Contents

자연모사연구단 Ep.2 | 인간의 뇌를 흉내 낸 인공지능은 인간을 뛰어넘을 수 있을까?

인공지능은 인간의 뇌를 모사하여 기계가 스스로 학습하고 판단하게 만드는 기술로, 우리 삶의 다양한 영역에 깊숙이 들어와 있습니다. 특히 시각 지능은 사람이 눈으로 사물을 보고 패턴을 찾아내듯, 카메라를 통해 입력된 정보를 해석하고 추론하는 데 중점을 둡니다. 인간이 주변 환경을 인식하고 상황에 맞는 움직임을 만들어내는 과정을 기계에 학습시킴으로써, 인공지능은 단순한 데이터 처리를 넘어 지능적인 시각 시스템으로 진화하고 있습니다. 이는 뇌의 시각 정보 처리 방식을 공학적으로 구현하려는 시도의 결과물이라 할 수 있습니다. 인간의 뇌는 카메라와 달리 모든 시야를 균일한 해상도로 처리하지 않습니다. 생존과 목적에 부합하는 정보를 우선적으로 포착하기 위해 특정 영역에 집중하는 '주의 집중' 기법을 사용합니다. 예를 들어, 수많은 군중 속에서도 관심 있는 대상을 단번에 찾아내는 현상은 뇌가 유용한 정보를 선택적으로 확대하여 받아들이기 때문입니다. 이러한 뇌의 효율적인 정보 처리 방식은 인공지능이 복잡한 환경에서 핵심적인 데이터에 집중하도록 설계하는 데 중요한 영감을 제공하며, 기술적 고도화의 토대가 됩니다. 얼굴 인식은 인공지능과 뇌 모두에게 매우 특수한 과제입니다. 뇌에는 얼굴의 세세한 특징과 표정, 시선을 전문적으로 처리하는 '방추상 얼굴 영역'이 별도로 존재합니다. 인공지능 역시 범용적인 물체 탐지 알고리즘 외에도 얼굴의 미세한 음영과 각도 변화를 학습하여 시선의 방향까지 정밀하게 추론하는 전용 모델을 개발하고 있습니다. 사람마다 다른 미묘한 얼굴 차이를 구별해 내는 능력은 뇌가 반복적인 학습을 통해 전문화된 것처럼, 인공지능도 특정 데이터에 최적화된 학습 과정을 거치며 그 성능을 높여갑니다. 인공지능 기술은 실생활에서 인간의 안전을 지키는 수단으로도 적극 활용됩니다. 코로나19 상황에서 방역 동선을 파악하여 자동으로 소독을 수행하는 로봇이나, 화재 발생 시 최적의 대피 경로를 바닥에 레이저로 안내하는 시스템이 대표적입니다. 또한 지하철역 내에서 폭행이나 갑작스러운 쓰러짐과 같은 이상 행동을 감지하여 즉각 알람을 보내는 기술은 생명을 구하는 골든타임을 확보하는 데 결정적인 역할을 합니다. 이는 단순한 편의를 넘어, 보이지 않는 곳에서 인간을 돌보는 따뜻한 기술로서의 가치를 증명하고 있습니다. 움직이는 대상을 추적하는 기술인 '객체 추적'은 뇌의 시각 정보 처리 경로와 유사한 논리를 가집니다. 우리 뇌는 시각 정보를 '무엇인지' 판단하는 경로와 '어디에 있는지' 파악하는 경로로 나누어 처리하며, 이들이 상호작용하여 대상의 움직임을 예측합니다. 인공지능 객체 추적 알고리즘 또한 대상을 탐지한 뒤 다음 위치를 예측하고, 이전 모습과 대조하여 동일인 여부를 확인하는 과정을 반복합니다. 기둥 뒤로 사라진 사람을 다시 나타났을 때 인식하는 기술은 뇌가 맥락을 통해 대상을 지속적으로 파악하는 원리를 공학적으로 구현한 것입니다. 시간의 흐름에 따른 데이터 패턴을 분석하는 기술은 건물의 안전 진단에도 중요하게 쓰입니다. 지진이나 공사 영향으로 건물의 기울기가 어떻게 변하는지 센서로 측정하고, 계절적 요인과 외부 충격을 분리하여 분석함으로써 객관적인 안전 등급을 산출합니다. 이는 인간의 귀 안쪽에서 가속도와 회전을 감지하여 신체의 균형을 잡는 전정기관의 역할과 맞닿아 있습니다. 뇌가 감각 정보를 해석하여 신체의 평형을 유지하듯, 인공지능은 시계열 데이터를 통해 건축물의 상태를 진단하고 위험을 사전에 예측하여 사고를 예방합니다. 뇌의 '작업 기억'은 순간적인 정보를 잠깐 저장하여 업무에 활용하는 구조를 가집니다. 이러한 되먹임 구조는 인공지능의 순환 신경망(RNN)이나 LSTM 모델에서 유사하게 발견됩니다. 입력된 신호가 단순히 통과하는 것이 아니라, 이전 상태의 정보를 다시 입력으로 받아 현재의 맥락을 이해하는 방식입니다. 이를 통해 인공지능은 언어나 시계열 데이터의 흐름을 연속적으로 파악할 수 있게 됩니다. 결국 인공지능의 발전은 뇌가 정보를 기억하고 처리하는 교묘한 메커니즘을 끊임없이 학습하고 모사하며 더 정교한 영역으로 나아가고 있는 셈입니다.

자연모사연구단 Ep.2 | 인간의 뇌를 흉내 낸 인공지능은 인간을 뛰어넘을 수 있을까?
한국기계연구원
  • 뇌인지과학
  • 융합
  • 공학·기술

[카오스 짧강] 2026 카오스 콘서트 예습하기: AI의 사고과정을 설명할 수 있을까_PART 3

딥러닝이 아닌 기계 학습 모델 중에서도 설명 가능한 인공지능을 구현할 수 있는 다양한 방법론이 존재합니다. 그중 베이지안 통계를 기반으로 한 '자동 통계학자' 모델은 케임브리지와 MIT가 공동 개발한 것으로, 복잡한 모델을 우리가 이해할 수 있는 연산자와 기저 모델의 조합으로 풀어냅니다. 마치 수학 공식처럼 모델을 더하거나 곱하는 연산 과정을 통해 전체를 파악할 수 있게 하는 것입니다. 이는 과거 통계학자들이 수동으로 수행하던 데이터 분석과 검증 과정을 알고리즘이 스스로 수행하면서도, 그 과정을 인간이 납득할 수 있는 언어로 설명해 준다는 점에서 혁신적인 기술로 평가받고 있습니다. 이러한 설명 가능한 인공지능 모델의 효용성은 실제 데이터 분석에서 명확히 드러납니다. 인공지능은 별도의 사전 지식 없이도 11년 주기의 태양 흑점 활동이나 100년 단위의 변화, 그리고 역사적인 소빙하기 시점의 온도 변화를 정확히 포착해 냈습니다. 더 나아가 '관계 자동 통계학자' 기술은 여러 개의 시계열 데이터가 공유하는 공통 특징과 개별적 특성을 동시에 파악합니다. 금, 석유, 나스닥 지수처럼 서로 얽혀 있는 지표들 사이의 상관관계를 분석하고, 특정 시점의 급격한 변동 원인을 설명함으로써 복잡한 경제 흐름을 읽어내는 데 큰 도움을 줍니다. 의사 결정 트리 기반의 모델 역시 설명 가능성 측면에서 강점을 보입니다. 특히 성능이 뛰어난 'XGBoost' 알고리즘은 수많은 트리가 결합된 복잡한 형태를 띠지만, 각 트리의 가중치와 노드별 결정 기준을 시각화함으로써 판단 근거를 명확히 할 수 있습니다. 예를 들어 타이타닉 생존자 데이터를 분석할 때, 인공지능이 어떤 변수를 중요하게 고려했는지 구체적인 수치로 보여줍니다. 객실 등급, 요금, 나이 등의 요인이 생존 결정에 미친 영향력을 개별적으로 분석할 수 있기에, 블랙박스처럼 결과만 내놓는 것이 아니라 인공지능의 사고 과정을 인간이 투명하게 들여다볼 수 있게 합니다. 산업 현장에서의 응용은 설명 가능한 인공지능의 가치를 더욱 빛나게 합니다. 포스코의 고로 자동 제어 시스템에 적용된 '군집 딥러닝' 기술은 수천 개의 센서 데이터를 효율적으로 처리하며 쇳물의 온도를 정밀하게 예측합니다. 이 기술은 연간 수백억 원의 비용 절감 효과를 거두었을 뿐만 아니라, 국가 핵심 기술로 선정되는 쾌거를 이루었습니다. 무엇보다 중요한 성과는 현장 조업자들의 신뢰를 얻었다는 점입니다. 인공지능이 왜 특정 제어를 제안했는지 설명 가능한 근거를 제시함으로써, 숙련된 기술자들과 인공지능 시스템 사이의 간극을 줄이고 협업 효율을 극대화할 수 있었습니다. 인공지능의 미래는 수치 데이터를 넘어 글을 읽고 스스로 설명하는 형태로 진화할 것입니다. 워런 버핏이 기업의 보고서를 읽고 투자를 결정하듯, 미래의 인공지능은 텍스트와 수치를 동시에 분석하여 종합적인 판단을 내리고 그 이유를 보고서 형태로 작성해 줄 것입니다. 단순히 상승 혹은 하락을 예측하는 수준을 넘어, 구체적으로 어떤 지표가 위험하며 어떤 외부 요인이 변동을 일으켰는지를 사람처럼 상세하게 설명해 주는 시대가 머지않았습니다. 이러한 다학제적 통합은 인공지능이 인간의 진정한 파트너로서 복잡한 세상을 함께 이해해 나가는 토대가 될 것입니다.

[카오스 짧강] 2026 카오스 콘서트 예습하기: AI의 사고과정을 설명할 수 있을까_PART 3
카오스재단카오스 짧강(짧은 강연)
  • 수학
  • 융합

마약 탐지 기술의 새로운 문을 열다★디지털융합기획팀 노형욱 책임연구원★

최근 화학, 물리, 광학적 요소를 결합한 차세대 후각 센싱 기술이 비약적인 발전을 이루고 있습니다. 과거의 분석 방식은 센서가 반응하는 특정 시점의 기울기나 정점 수치 등 고정된 지표에만 의존하여 가스의 종류를 구별해 왔습니다. 하지만 새로운 분석법은 가스 노출부터 회복에 이르는 전 과정을 시계열 데이터로 파악하는 동적 패턴 분석을 도입했습니다. 이를 통해 단순한 수치 비교로는 찾아내기 힘든 데이터 사이의 복잡한 상관관계를 정밀하게 식별할 수 있게 되었습니다. 이러한 혁신적인 접근은 전처리 시간을 줄이면서도 시스템의 전체적인 분석 성능을 한 단계 끌어올리는 결과를 가져왔습니다. 성공적인 기술 개발의 이면에는 마약 탐지 데이터 부족이라는 난관을 극복하기 위한 연구팀의 헌신적인 노력이 있었습니다. 연구진은 수만 개의 데이터를 직접 수집하고 인공지능 모델을 적용하여 육안으로는 식별할 수 없는 미세한 신호 차이를 잡아내는 데 집중했습니다. 특히 56개의 센서 중 마약 성분과 밀접하게 반응하는 24개의 핵심 센서를 자동으로 선별하는 알고리즘을 개발하여 분석의 효율성을 높였습니다. 그 결과 탐지 오류율을 12.23%에서 6.97%로 대폭 낮추는 데 성공하였으며, 다양한 혼합 공기 환경에서도 변함없는 신뢰성을 입증하며 실무 적용의 발판을 마련했습니다. 현재 이 기술은 연구소 기업 설립과 기술 이전을 통해 본격적인 상용화 단계에 진입해 있습니다. 초기 단계인 마약 및 위험 물질 탐지를 넘어, 의료 현장에서 호기가스 분석을 통해 암을 진단하거나 농축산 분야에서 불법 품목의 반입을 차단하는 등 그 활용 범위가 매우 넓습니다. 연구팀은 앞으로도 플랫폼 기술을 고도화하고 국내외 기술 교류를 활성화하여 세계 최고의 후각 지능 선도 그룹으로 거듭나겠다는 비전을 가지고 있습니다. 원천 기술 확보를 기반으로 산업 발전과 사회적 가치 창출을 동시에 실현하는 것이 이들이 추구하는 궁극적인 목표입니다.

마약 탐지 기술의 새로운 문을 열다★디지털융합기획팀 노형욱 책임연구원★
한국전자통신연구원ETRI 테크놀로지 리포트
  • 물리학
  • 화학
  • 융합
  • 공학·기술

[EOST2023] 탄소중립을 위한 신재생에너지 시스템 디지털 전환 연구

탄소중립 실현을 위해서는 태양광과 풍력 같은 신재생에너지 발전 비중을 획기적으로 높여야 합니다. 하지만 신재생에너지는 날씨에 따른 간헐성이 크기 때문에 전력 공급의 예측과 제어가 매우 어렵다는 특징이 있습니다. 이러한 문제를 해결하기 위해 에너지의 생산, 전환, 소비 전 과정에서 발생하는 데이터를 통합 관리하는 디지털 전환이 필수적으로 요구됩니다. 데이터 중심의 에너지 관리는 공급과 수요의 유연성을 확보하고, 신재생에너지의 불안정성을 극복하여 전체 시스템의 효율성을 극대화하는 핵심적인 열쇠가 됩니다. 건물 분야에서는 제로에너지 건축물의 확산에 따라 태양광 발전 설비의 설치가 의무화되고 있습니다. 그러나 태양광 발전량이 급격히 늘어나면서 전력이 남을 때 강제로 발전을 중단시키는 출력 제어 이슈가 심각한 사회적 갈등 요소로 부상하고 있습니다. 이를 해결하기 위해 잉여 전력을 열이나 수소로 변환하여 저장하거나 전기차 충전에 활용하는 P2X 기술 연구가 활발히 진행 중입니다. 이러한 유연성 자원을 효과적으로 운영하기 위해서는 1분 단위의 세밀한 데이터 수집을 통해 시스템의 안전성과 경제성을 사전에 검증하는 과정이 반드시 필요합니다. 에너지 데이터의 신뢰성을 확보하기 위해 수집된 데이터는 3단계의 마스킹 과정을 거치게 됩니다. 1차적으로 계측 단계에서 물리적 범위를 벗어난 노이즈를 필터링하고, 2차와 3차 과정에서는 도메인 지식을 바탕으로 통신 오류나 이상치를 제거합니다. 이렇게 정제된 데이터는 인플럭스DB와 같은 시계열 데이터베이스에 저장되며, 카프카를 활용한 백업 시스템을 통해 데이터의 연속성을 보장합니다. 고품질의 데이터 파이프라인은 단순히 설비를 모니터링하는 수준을 넘어, 미래의 에너지 흐름을 정확히 예측하기 위한 토대가 됩니다. 신재생에너지 시스템의 효율적 운영을 위해 인공지능을 활용한 미래 발전량 및 수요 예측 기술이 주목받고 있습니다. 기존의 수학적 모델링은 복잡한 기상 조건과 사용자의 행동 패턴을 반영하는 데 한계가 있지만, 데이터 기반의 딥러닝 모델은 이러한 변수들을 효과적으로 학습할 수 있습니다. 특히 트랜스포머를 활용한 멀티스텝 예측 기술은 과거의 이력 데이터와 미래의 수치 예보 모델(NWP)을 통합하여 48시간 이상의 미래를 15분 단위로 정밀하게 예측합니다. 이를 통해 전력 계통의 변동성에 선제적으로 대응하고 안정적인 에너지 운영 계획을 수립할 수 있습니다. 정교한 예측 데이터는 가상 발전소 운영이나 기업 간의 직접 전력 구매 계약(PPA)과 같은 새로운 에너지 서비스 창출로 이어집니다. 예를 들어, 봄과 가을철에 발생하는 잉여 전력을 예측하여 RE100 기업과 사전에 거래함으로써 경제적 수익과 탄소 저감 효과를 동시에 거둘 수 있습니다. 이러한 모든 혁신은 기상청 API, 파이토치 등 다양한 오픈소스 생태계와의 협력을 통해 가속화되고 있습니다. 디지털 기술과 에너지 산업의 융합은 탄소중립 사회로 나아가는 과정에서 발생하는 진통을 줄이고, 지속 가능한 미래 에너지 시스템을 실현하는 원동력이 될 것입니다.

[EOST2023] 탄소중립을 위한 신재생에너지 시스템 디지털 전환 연구
한국전자통신연구원오픈소스 테크데이
  • 지구환경과학
  • 융합
  • 공학·기술

강화학습을 활용한 신재생에너지시스템 운영 최적화 사례

탄소 중립을 위한 신재생 에너지의 비중이 확대됨에 따라 에너지 시스템의 간헐성과 불확실성을 해결하는 것이 중요한 과제로 떠오르고 있습니다. 과거에는 고효율 소재 개발이나 설비의 하드웨어적 성능 향상에 집중했다면, 이제는 생산된 에너지를 어떻게 효율적으로 관리하고 저장하며 전환할 것인지가 핵심입니다. 특히 태양광이나 풍력 발전량이 수요를 초과할 때 발생하는 출력 제한 문제를 해결하기 위해 남는 전기를 열이나 수소 등으로 전환하여 저장하는 P2X 기술의 중요성이 날로 커지고 있습니다. 에너지 시스템의 최적 운영을 위해서는 무엇보다 신뢰성 있는 데이터 확보가 선행되어야 합니다. 실제 현장의 데이터는 통신 오류나 센서 결함 등으로 인해 매우 불안정하고 '더러운' 경우가 많기 때문입니다. 이를 해결하기 위해 계측 단계부터 도메인 지식을 활용한 3단계 마스킹 전처리를 수행하여 노이즈를 제거하고 데이터의 품질을 높여야 합니다. 수도꼭지를 틀면 깨끗한 물이 나오듯, 언제든 인공지능 학습에 활용할 수 있는 정제된 데이터 파이프라인을 구축하는 것이 기초 체력이 됩니다. 성공적인 데이터 파이프라인 구축은 단순한 수집을 넘어 데이터베이스 이중화와 시계열 특화 데이터베이스 활용을 포함합니다. 수많은 설비에서 발생하는 수백 종의 데이터를 안정적으로 관리하기 위해 InfluxDB와 같은 시계열 전문 데이터베이스를 도입하고, 서버 가동 중단에 대비해 Kafka 기반의 이중화 시스템을 갖추는 것이 필수적입니다. 이렇게 모인 데이터는 2D 및 3D 대시보드로 시각화되어 운영자에게 통찰력을 제공할 뿐만 아니라, 에너지 생산과 소비 패턴을 분석하는 중요한 자산이 됩니다. 정밀하게 구축된 환경에서 심층 강화학습을 적용하면 에너지 운영의 획기적인 효율화를 이룰 수 있습니다. 특히 농촌의 대규모 온실과 같은 시설에서는 계절 간 열 저장 장치와 히트펌프를 조합하여 난방 부하를 관리하는 것이 경제성의 관건입니다. 기존의 규칙 기반 제어는 전문가의 경험에 의존하여 단순 온오프 방식으로 운영되지만, 심층 강화학습은 복잡한 에너지 수급 상황을 실시간으로 인지하여 최적의 제어 신호를 도출함으로써 불필요한 에너지 낭비를 줄여줍니다. 심층 강화학습 에이전트는 미래의 기상 정보와 난방 수요 예측 데이터를 바탕으로 행동을 결정합니다. 단순히 현재의 축열 상태만 보는 것이 아니라, 24시간 뒤의 일사량과 외기 온도를 예측하여 미리 에너지를 저장해둘지 혹은 아껴둘지를 판단하는 것입니다. 이는 마치 주식 시장에서 미래 가치를 예측하여 투자 전략을 세우는 것과 유사하며, 불확실성이 존재하는 실제 환경에서도 유연하게 대응할 수 있는 능력을 제공합니다. 이러한 지능형 제어는 에너지 운영의 패러다임을 바꿉니다. 실제 포항의 온실 시스템에 심층 강화학습 알고리즘인 Rainbow DQN을 적용한 결과, 기존 대비 약 22% 이상의 전기 요금 절감 효과를 거둘 수 있었습니다. 특히 한국의 전기 요금 체계에서 큰 비중을 차지하는 피크 전력 기반의 기본 요금을 낮추기 위해 히트펌프 가동 대수를 지능적으로 조절한 점이 주효했습니다. 이는 설비의 추가적인 하드웨어 변경 없이도 소프트웨어적인 최적화만으로 농가나 건물 운영자의 경제적 부담을 크게 덜어줄 수 있음을 시사합니다. 앞으로 인공지능 기술은 에너지 분야의 도메인 지식과 결합하여 더욱 강력한 성능을 발휘할 것입니다. 인공지능이 모든 것을 주도하기보다는 인간 엔지니어의 설계와 데이터를 바탕으로 시스템 운영을 보조하는 서포터로서의 역할이 중요합니다. 기후 위기 대응과 탄소 중립이라는 거대한 목표를 달성하기 위해, 현장의 지식과 최첨단 알고리즘이 조화를 이루는 데이터 기반 에너지 관리 시스템은 거부할 수 없는 시대적 흐름이 될 것입니다.

강화학습을 활용한 신재생에너지시스템 운영 최적화 사례
한국에너지기술연구원
  • 지구환경과학
  • 융합
  • 공학·기술

BeeAI 활용 교육 영상(05) - [2단계] 스트림 데이터 처리하기실습

BeeAI 플랫폼을 활용하여 강남 지역의 실시간 교통 속도를 예측하는 인공지능 서비스는 현대 도시 교통 효율을 높이는 핵심적인 기술입니다. 이 시스템은 강남 일대 택시에서 전송되는 초 단위 센서 데이터를 수집하여, 170개의 도로 링크별로 15분 후의 교통 상황을 정확하게 예측하는 것을 목표로 합니다. 방대한 데이터를 단순히 수집하는 것에 그치지 않고, 복잡한 워크플로 엔진들을 통해 실시간 스트림 처리를 수행하며 지능형 교통 시스템의 기반을 마련합니다. 교통 데이터 처리는 크게 수집, 전처리, 학습, 서빙의 다섯 단계 엔진으로 구성됩니다. 택시에서 전송되는 원본 데이터는 시간 정보, 도로 링크 ID, 현재 속도라는 단순한 구조로 이루어져 있지만, 초 단위로 발생하는 데이터 양이 매우 방대합니다. 이 데이터들을 시스템이 이해할 수 있는 형태로 변형하기 위해 각각의 역할을 수행하는 엔진들을 유기적으로 연결하며, 이를 통해 결측치를 보정하고 이상치를 제거하여 교통 예측의 정확도를 확보하는 복합적인 과정을 거게 됩니다. 실시간 스트림 전처리 단계인 엔진 A와 B에서는 초 단위 데이터를 1분 및 5분 단위로 정제하는 작업을 수행합니다. 센서와 네트워크의 상태에 따라 발생할 수 있는 결측치를 채워주는 결측치 처리가 이 과정에서 이루어지며, 딥러닝 모델이 학습하기에 적합한 5분 단위의 평균 속도 데이터를 생성합니다. 이러한 스무딩 과정을 통해 데이터의 불규칙성을 완화하고, 학습 모델이 교통 흐름의 전체적인 패턴을 보다 명확하게 파악할 수 있도록 데이터의 질을 높이는 역할을 합니다. 딥러닝 학습용 데이터를 생성하는 엔진 D는 스트림 형태의 데이터를 배치 형태의 CSV 파일로 변환하는 작업을 담당합니다. 텐서플로 기반의 학습 코드가 데이터를 읽어올 수 있도록 Min-Max 스케일링을 통해 속도 값을 정규화하고, 비정상적인 이상치를 제거하는 과정을 거칩니다. 또한, 170개 도로 링크의 데이터를 시간순으로 정렬하고 피벗 연산을 수행하여, 8주기 동안의 속도 패턴이 가로 형태로 배열된 시퀀스 데이터를 생성함으로써 모델 학습을 위한 최적의 상태를 만듭니다. 교통 예측의 핵심 모델로는 시계열 패턴 학습에 탁월한 성능을 보이는 LSTM(Long Short-Term Memory) 딥러닝 모델이 사용됩니다. 이 모델은 과거 8주기(약 40분) 동안의 교통 속도 변화 추이를 분석하여 특정 도로 링크의 미래 속도를 예측하도록 설계되었습니다. 엔진 E는 주기적으로 갱신되는 최신 데이터를 학습하여 예측 모델을 최적화하며, 학습이 완료된 모델은 실제 서비스 환경에 탑재되어 시시각각 변하는 도로 상황에 유연하게 대응할 수 있는 지능을 갖추게 됩니다. 예측된 결괏값은 사용자 인터페이스를 통해 시각적으로 전달되어 실제 교통 관제나 내비게이션 서비스에 활용됩니다. 엔진 C에서 이루어지는 스트림 서빙 단계는 최신 학습 모델을 기반으로 현재 유입되는 스트림 데이터에 대한 예측을 실시간으로 수행합니다. 15분 후의 속도가 평균 이하로 예상되는 도로 링크는 빨간색으로, 원활한 도로 링크는 파란색으로 표시하는 등 예측 데이터를 직관적인 정보로 변환함으로써 사용자가 도로의 미래 혼잡도를 미리 파악할 수 있도록 돕습니다. 이 모든 과정은 Spark Structured Streaming 기술을 통해 실시간성과 안정성을 동시에 확보합니다. 워터마크 설정을 활용하여 늦게 도착하는 데이터에 대한 처리 기준을 세우고, JSON 스키마 정보를 정의하여 데이터 처리 속도를 극대화합니다. 단순한 배치 처리를 넘어 연속적으로 유입되는 스트림 데이터를 효율적으로 관리함으로써, 지능형 교통 예측 서비스가 중단 없이 실시간으로 도로 위 상황을 분석하고 대응할 수 있는 강력한 데이터 파이프라인을 완성하게 됩니다.

BeeAI 활용 교육 영상(05) - [2단계] 스트림 데이터 처리하기실습
한국전자통신연구원ETRI 클래스
  • 융합
  • 공학·기술