전이학습

6 Contents

[카오스 짧강] 2026 카오스콘서트 예습하기: 인공지능으로 엘니뇨 예측하기_PART 2

엘니뇨는 태평양 내부의 변화뿐만 아니라 전 지구적인 해양과 해빙의 영향을 받는 매우 복잡한 기후 현상입니다. 이러한 복잡성 때문에 인간의 직관이나 전통적인 수치 예보 모델만으로는 정확한 예측에 한계가 따를 수밖에 없습니다. 연구진은 이 문제를 해결하기 위해 인공지능, 특히 딥러닝 알고리즘의 도입을 결정했습니다. 시계열 학습에 특화된 순환 신경망(RNN)과 이미지 인식에 강점이 있는 합성곱 신경망(CNN)을 검토한 끝에, 전 지구적인 해수면 온도 분포를 2차원 지도로 파악하여 특징을 추출하는 합성곱 신경망(CNN)이 엘니뇨 예측에 가장 최적이라는 결론을 내렸습니다. 딥러닝 모델의 성공적인 학습을 위해서는 방대한 양의 데이터가 필수적이지만, 실제 관측된 엘니뇨 기록은 연간 단위로 추출할 경우 지난 170여 년간 약 170개 정도에 불과합니다. 이는 수만 개의 샘플을 필요로 하는 인공지능 학습에 턱없이 부족한 수준입니다. 연구팀은 이 한계를 극복하고자 기후 변화에 관한 정부 간 협의체(IPCC)에서 사용하는 가상 지구 시뮬레이션 데이터를 활용했습니다. 가상 지구 시뮬레이션 데이터 속의 엘니뇨 패턴과 강수량 변화는 실제 지구 현상과 상당 부분 유사성을 띠고 있어, 부족한 관측 데이터를 보완할 훌륭한 학습 자료가 되어주었습니다. 성격이 다른 두 종류의 데이터를 효과적으로 결합하기 위해 연구팀은 '전이 학습' 기법을 도입했습니다. 이는 풍부한 데이터를 가진 유사 분야에서 먼저 지식을 습득한 뒤 목표 분야에 적용하는 방식으로, 사과 사진이 부족할 때 배 사진으로 먼저 학습시키는 원리와 같습니다. 엘니뇨 예측에서도 수많은 가상 지구 시뮬레이션 데이터로 기후 패턴의 기본 원리를 학습시킨 인공지능 모델에, 실제 관측 데이터를 추가로 학습시켜 지식을 전이했습니다. 이러한 전략은 데이터 부족 문제를 해결하는 동시에 예측 모델의 신뢰도를 높이는 결정적인 역할을 했습니다. 개발된 딥러닝 모델의 실제 성능을 검증하기 위해 1984년부터 2017년까지의 기간을 대상으로 24개월 앞을 내다보는 예측 실험을 수행했습니다. 실험 결과, 인공지능 모델은 미래 17개월에서 18개월까지의 엘니뇨 지수를 성공적으로 예측하며 높은 정확도를 보였습니다. 이는 예측 시점이 멀어질수록 성능이 급격히 저하되는 기존의 수치 예보 모델들과 비교했을 때 매우 고무적인 성과입니다. 인공지능이 복잡한 전 지구적 기상 상관관계를 포착함으로써 기존 시스템의 기술적 한계를 뛰어넘을 수 있음을 실질적인 지표로 증명해낸 것입니다. 기존의 전 세계 유수 기관들이 운용하는 수치 예보 모델들은 대략 1년 정도의 기간이 지나면 예측의 신뢰도가 기준치 이하로 떨어지는 양상을 보였습니다. 그러나 이번에 구축된 딥러닝 기반 시스템은 예측 가능 기간을 약 6개월 더 확장하여 최대 1년 반 앞의 기후 변화를 예고할 수 있게 되었습니다. 이는 기상 재해 대비와 농업, 에너지 등 기후 민감 산업 분야에서 보다 선제적이고 효율적인 대응 체계를 구축할 수 있는 발판을 마련해 줍니다. 이번 연구는 인공지능이 복잡한 자연의 비밀을 푸는 강력한 도구가 될 수 있음을 다시 한번 확인시켜 주었습니다.

[카오스 짧강] 2026 카오스콘서트 예습하기: 인공지능으로 엘니뇨 예측하기_PART 2
카오스재단카오스 짧강(짧은 강연)
  • 지구환경과학
  • 융합

나노·AI 융합 기반 구강액 HIV 초기 감염 조기 검출 기술

중저소득 국가(LMIC)에서의 진단 환경은 고가 장비의 부재와 전문가 부족으로 인해 많은 제약을 받습니다. 특히 HIV 감염은 초기 2주에서 4주 사이가 전파력이 가장 높은 '슈퍼 전파 구간'으로, 이 시기의 조기 진단 여부가 타인으로의 전파 가능성을 96%까지 낮추는 핵심 열쇠가 됩니다. 하지만 접근성 문제로 인해 약 530만 명의 감염자가 자신의 상태를 모른 채 살아가고 있으며, 이는 효율적이고 정확한 현장 진단 기술의 필요성을 강력하게 시사합니다. 세계보건기구(WHO)는 진단, 치료, 바이러스 억제율을 각각 95%까지 끌어올리는 '95-95-95' 목표를 세우고 있습니다. 현재 중저소득 국가(LMIC) 지역에서는 PCR보다 비용이 저렴하고 관리가 쉬운 항체 기반의 신속 진단 키트(LFA)에 주로 의존하고 있습니다. 그러나 초기 감염 시기에는 항체 농도가 낮아 정확한 진단에 한계가 있으며, 확진을 위해 민감도와 특이도가 다른 신속 진단 키트(LFA)를 세 차례나 사용하는 복잡한 과정을 거쳐야 합니다. 이러한 첫 단계의 진단 정확도 확보가 현재 해결해야 할 가장 시급한 과제입니다. 혈액 대신 타액을 활용한 비침습적 검사는 진단 접근성을 획기적으로 높일 수 있는 방법입니다. 하지만 타액 내 항체 농도는 혈액의 약 1,000분의 1 수준으로 매우 낮아 고감도 검출 기술이 필수적입니다. 이를 해결하기 위해 나노트랩(Nano-trap) 전처리 모듈이 개발되었습니다. 다공성 멤브레인 위에 적혈구 막을 코팅하여 특정 압력에서 항체만을 선택적으로 농축하는 이 기술은, 기존 신속 진단 키트(LFA)의 신호를 20배 이상 증폭시켜 타액 매트릭스에서도 안정적인 검출을 가능하게 합니다. 전처리된 신속 진단 키트(LFA)의 결과를 해석하는 과정에서는 인간의 육안 대신 인공지능(AI)이 주도적인 역할을 수행합니다. 수천 장의 표준 샘플과 임상 데이터를 바탕으로 학습된 딥러닝 모델은 다양한 조명 환경이나 스마트폰 기종에 구애받지 않고 정확한 판독 결과를 제공합니다. 특히 과거 코로나19 진단 이미지 데이터를 활용한 전이 학습(Transfer Learning) 기법을 적용함으로써, 소량의 HIV 데이터만으로도 비전문가나 숙련된 전문가를 능가하는 98.6% 수준의 높은 판독 정확도를 확보하는 데 성공했습니다. 나노트랩(Nano-trap) 농축과 인공지능(AI) 분석을 결합한 통합 플랫폼은 기존 방식보다 약 8일 일찍 감염을 확인하는 성과를 거두었습니다. 이는 정밀 장비를 사용하는 ELISA 혈액 검사와 매우 유사한 패턴의 검출 능력을 보여주며, 항체 생성 시기의 미세한 변화인 혈청 전환 양상까지 정확히 잡아낼 수 있음을 입증했습니다. 고가의 장비 없이 스마트폰과 휴대용 모듈만으로 정밀 진단이 가능하다는 점은, 의료 인프라가 부족한 현장에서도 실질적인 의료 혜택을 제공할 수 있는 가능성을 열어주었습니다. 기술의 현지 적용 가능성을 높이기 위해 아프리카 보건 연구소(AHRI) 등 현지 기관과의 협업도 활발히 진행되고 있습니다. 유병률이 높은 지역에서는 세 번의 신속 진단 키트(LFA) 검사를 단 한 번의 인공지능(AI) 분석으로 대체하는 전략을 세우고, 유병률이 낮은 지역에서는 건조 혈액 반점(DBS) 형태의 검체를 활용한 대규모 스크리닝 전략을 논의 중입니다. 별도의 냉장 유통망이 필요 없는 방식과 고감도 나노트랩(Nano-trap) 기술의 결합은 물리적 거리를 극복하고 효율적인 방역 체계를 구축하는 데 기여할 것입니다. 이러한 나노트랩(Nano-trap)·인공지능(AI) 융합 진단 기술은 HIV를 넘어 요로 감염(UTI)이나 빈혈과 같은 다양한 질병으로 확장되고 있습니다. 요로 감염(UTI)의 경우 장시간의 배양 과정 없이 농축과 비색 반응 분석을 통해 진단 시간을 획기적으로 단축하고 있으며, 빈혈은 종이 칩과 스마트폰 촬영만으로 헤모글로빈 수치를 정량화하는 연구가 진행 중입니다. 물리적 센서 기술과 지능형 분석 모델의 결합은 저렴한 비용으로 정밀한 의료 서비스를 제공함으로써 전 세계 보건 불평등을 해소하는 중요한 전환점이 될 것입니다.

나노·AI 융합 기반 구강액 HIV 초기 감염 조기 검출 기술
생물학연구정보센터학술웨비나
  • 생명과학
  • 융합

AI 기반 단백체 분석: 전이학습을 이용한 Nt-arginylation PTM 동정

단백질의 운명은 종종 그 N-말단에 노출된 잔기의 종류에 따라 결정되는데, 이를 ‘N-말단 법칙(N-end rule)’ 혹은 ‘N-데그론 경로’라고 부릅니다. 특히 아지닌이 N-말단에 부착되는 아지닐화는 진핵생물의 ATE1 효소에 의해 수행되며, 이는 단백질의 분해뿐만 아니라 세포 내 항상성 유지에 필수적인 역할을 수행합니다. 최근 연구에 따르면 아지닐화는 심혈관 질환이나 신경 퇴행성 질환과도 밀접한 관계가 있으며, 특히 세포 스트레스 상황에서 오토파지를 유도하거나 신호 물질로서 기능하며 생존에 필수적인 역할을 담당하고 있습니다. 하지만 아지닐화 단백질을 정밀하게 프로파일링하는 과정에는 많은 위양성 결과가 발생하는 기술적 한계가 존재했습니다. 질량 분석기를 이용한 분석 시, 단백질 절단 효소인 트립신에 의해 생성된 조각들이 실제 생물학적 아지닐화와 질량값이 매우 유사하여 데이터상에서 혼동을 일으키기 때문입니다. 이로 인해 기존의 검색 방식으로는 진짜 아지닐화 신호와 효소 절단에 의해 우연히 발생한 가짜 신호를 명확히 구분하기 어려웠으며, 이는 연구 결과의 신뢰도를 저해하고 후속 생물학적 기전 연구를 방해하는 주요한 걸림돌이 되어 왔습니다. 연구팀은 이러한 위양성 문제를 해결하기 위해 대규모 언어 모델 기반의 인공지능 기술과 ‘분자 프록시’라는 독창적인 전략을 도입했습니다. AI 모델을 학습시키기 위해서는 충분한 양의 정답 데이터가 필요하지만 실제 아지닐화 데이터는 그 양이 매우 적습니다. 이를 극복하기 위해 트립신 절단으로 생성된 아지닌 개시 펩타이드가 내생적 아지닐화와 화학적으로 동일하다는 특징을 활용했습니다. 이를 통해 약 2만 개의 학습 데이터를 확보할 수 있었고, 이는 기존 인공지능 모델을 아지닐화 분석에 가장 적합한 형태로 파인 튜닝하는 강력한 토대가 되었습니다. 전이 학습을 거친 AI 모델은 MS2 스펙트럼과 펩타이드의 리텐션 타임을 매우 정밀하게 예측해내는 성과를 거두었습니다. 특히 N-말단 수식화의 핵심 특징인 b-이온의 강도 분포를 정확하게 예측함으로써, 기존 모델으로는 판별이 불가능했던 미세한 질량 오차와 위양성 신호들을 효과적으로 필터링했습니다. 그 결과 전체 후보군 중에서 실제 아지닐화된 진짜 데이터만을 높은 신뢰도로 가려낼 수 있었으며, 이는 고가의 표준 물질 합성에 의존하지 않고도 데이터 분석 알고리즘만으로 단백질 수식화 연구의 정밀도를 획기적으로 끌어올린 혁신적인 사례입니다. 필터링을 통해 선별된 사이트들은 구조생물학적으로도 매우 유의미한 특징을 나타냈습니다. 알파폴드 분석 결과, 실제 아지닐화가 발생하는 부위는 대부분 단백질의 구조가 고정되지 않은 무질서 영역에 위치하고 있었으며, 이는 효소의 접근이 용이한 부위라는 생물학적 타당성을 뒷받침합니다. 또한 미토콘드리아 내 대사 효소나 특정 시그널 펩타이드 부위에서 아지닐화가 빈번하게 관찰되었는데, 이는 아지닐화가 단백질을 단순히 제거하는 신호를 넘어 특정 세포 소기관 내에서 단백질의 기능을 정밀하게 조절하는 중요한 제어 장치로 기능하고 있음을 시사합니다. 이 혁신적인 AI 예측 모델은 표준 물질 없이도 타겟 단백질을 정밀하게 분석할 수 있는 PRM 기술로 그 응용 범위를 넓혔습니다. 인공지능이 예측한 전하와 리텐션 타임 값을 활용하면 합성이 까다로운 수식화 펩타이드 표준물질을 제작하지 않고도 질량 분석기가 타겟 신호를 정확히 포착하도록 유도할 수 있습니다. 이를 통해 세포 스트레스 자극에 따른 아지닐화의 변화를 시간대별로 추적하는 멀티플렉싱 분석이 가능해졌으며, 캐스페이즈와 같은 절단 효소의 기질들이 실시간으로 어떻게 아지닐화되어 단백질 운명이 결정되는지를 성공적으로 규명해냈습니다. 이번 연구는 적은 양의 데이터만으로도 전이 학습 기반의 인공지능을 통해 고난도의 단백질 수식화를 규명할 수 있는 고효율 연구 방법론을 제시했습니다. 이러한 기술적 진보는 아지닐화뿐만 아니라 데이터 확보가 어려워 연구가 지체되었던 다양한 번역 후 수식화 연구 분야에 광범위하게 적용될 수 있는 범용성을 갖추고 있습니다. 앞으로 이 기술은 질병과 관련된 단백질의 미세한 변형을 조기에 발견하고, 복잡한 생명 현상을 분자 수준에서 더욱 명확하게 이해함으로써 새로운 치료 타겟을 발굴하는 데 중추적인 역할을 할 것으로 기대됩니다.

AI 기반 단백체 분석: 전이학습을 이용한 Nt-arginylation PTM 동정
생물학연구정보센터학술웨비나
  • 생명과학
  • 융합

[강연] 헬로 딥러닝 : 직관적이고 명확하게 딥러닝을 이해하기 _ by남세동 ㅣ 2020 가을 카오스강연 'Ai X' 9강 | 9강

컴퓨터는 본질적으로 숫자를 계산하는 기계입니다. 우리가 화면으로 보는 이미지나 듣는 음악도 결국은 디지털화된 숫자의 집합에 불과합니다. 전통적 프로그래밍 방식은 사람이 직접 논리와 절차를 설계하여 알고리즘을 만들고, 이를 코드로 옮기는 과정이었습니다. 하지만 고양이나 개를 구분하는 것과 같이 복잡한 패턴을 인식하는 문제는 인간이 모든 예외 상황을 코드로 정의하기에 한계가 있었습니다. 이러한 한계를 극복하기 위해 등장한 것이 바로 데이터 스스로 학습하는 딥러닝 기술입니다. 딥러닝의 핵심 구조인 인공신경망은 인간의 뇌 구조에서 영감을 얻었습니다. 인공신경망은 수많은 동그라미 형태의 노드와 이들을 잇는 화살표인 가중치로 구성됩니다. 놀랍게도 이 복잡해 보이는 시스템의 기본 원리는 단순한 곱셈과 덧셈의 반복입니다. 입력값에 가중치를 곱하고 이를 모두 더한 뒤, 활성화 함수를 거쳐 다음 노드로 전달하는 과정이 수없이 반복됩니다. 알파고나 자율주행 엔진 같은 최첨단 기술들도 그 내부를 들여다보면 결국 이러한 단순한 수치 계산의 거대한 집합체라고 할 수 있습니다. 인공지능을 학습시키는 대표적인 방법 중 하나는 정답을 알려주는 지도 학습입니다. 예를 들어 특정 배경색에 어울리는 글자색을 찾을 때, 수많은 예시 데이터를 입력하고 인공지능이 스스로 최적의 가중치를 찾아내도록 유도합니다. 처음에는 무작위로 설정되었던 가중치들이 반복적인 학습 과정을 거치며 점차 정답에 가까운 결과를 내놓게 됩니다. 이는 마치 어린아이가 반복 학습을 통해 사물을 구별하는 법을 배우는 과정과 유사하며, 데이터가 많아질수록 인공신경망은 더욱 정교한 판단을 내릴 수 있게 됩니다. 딥러닝의 가장 신기한 점은 일부 정답 데이터만으로도 학습하지 않은 수많은 사례를 정확히 판별해 낸다는 것입니다. 수천 장의 사진만 학습해도 수억 장의 새로운 사진 속 대상을 구분할 수 있는 이유는 데이터가 가진 고유한 패턴을 3차원 이상의 공간에 매핑하기 때문입니다. 비슷한 특징을 가진 데이터들은 특정 영역에 모이게 되고, 인공신경망은 이 영역들을 구분하는 경계선을 찾아냅니다. 이러한 일반화 능력 덕분에 인공지능은 단순한 암기를 넘어 새로운 상황에 유연하게 대처할 수 있는 지능적인 면모를 갖추게 됩니다. 인공신경망이 최적의 가중치를 찾아가는 과정은 매우 단순하면서도 무식할 정도로 반복적입니다. 입력값에 따른 결과가 정답과 다를 경우, 그 오차를 줄이기 위해 수천만 개에서 수십억 개에 달하는 가중치들을 조금씩 조정합니다. 이를 경사 하강법이라 부르는데, 오차라는 산의 골짜기를 찾아 내려가는 과정과 같습니다. 수학적으로 이러한 가중치가 존재한다는 것은 증명되었지만, 왜 이토록 단순한 방식으로 복잡한 지능이 구현되는지는 여전히 현대 과학의 신비로 남아 있습니다. 최근 딥러닝은 언어 모델인 GPT-3나 단백질 구조를 예측하는 알파폴드 2처럼 인류의 난제를 해결하는 수준에 도달했습니다. 이는 자연계에 존재하는 방대한 패턴을 숫자로 치환하여 분석할 수 있게 되었음을 의미합니다. 문장의 맥락을 파악하여 대화를 나누거나 복잡한 물리 시뮬레이션을 수천 배 빠르게 수행하는 등, 딥러닝은 인간의 지적 능력을 보조하는 강력한 도구가 되었습니다. 결국 딥러닝의 본질은 숫자의 집합속에서 유의미한 패턴을 찾아내어 이를 실용적인 지능으로 변환하는 기술이라 할 수 있습니다. 인류 역사를 돌아보면 기술의 활용이 이론적 이해보다 앞섰던 사례가 많습니다. 증기기관이 열역학 법칙이 정립되기 전부터 산업 혁명을 이끌었듯이, 딥러닝 역시 그 작동 원리를 완벽히 설명하지 못하더라도 이미 세상을 바꾸고 있습니다. 인공지능이 내놓는 결과가 왜 도출되었는지 인간이 완전히 이해하지 못하는 영역이 존재하지만, 이는 오히려 새로운 과학적 발견의 기회가 되기도 합니다. 우리는 이제 딥러닝이라는 거대한 도구를 통해 지능의 본질을 탐구하고 미래의 변화를 맞이할 준비를 해야 합니다.

[강연] 헬로 딥러닝 : 직관적이고 명확하게 딥러닝을 이해하기 _ by남세동 ㅣ 2020 가을 카오스강연 'Ai X' 9강

남세동

카오스재단카오스강연
  • 뇌인지과학

[강연] 딥러닝으로 엘니뇨 예측하기 _ by함유근 | 2020 가을 카오스강연 'Ai X' 4강 | 4강

엘니뇨는 적도 태평양의 해수면 온도가 평년보다 0.5도 이상 높은 상태가 6개월 이상 지속되는 현상을 말합니다. 페루 어부들이 수온 변화로 물고기가 잡히지 않는 시기에 붙인 이름에서 유래한 이 현상은 단순한 지역적 변화를 넘어 전 지구적인 기후 시스템에 막대한 영향을 미칩니다. 엘니뇨가 발생하면 인도네시아와 호주에는 극심한 가뭄과 산불이 발생하고, 남미 지역에는 폭우와 홍수가 이어지는 등 이상기후가 빈번해집니다. 우리나라도 엘니뇨의 영향권에서 자유롭지 못하며, 겨울철 기온이 상승하거나 강수량이 증가하는 등 뚜렷한 기상 변화를 겪게 됩니다. 기후 예측은 내일의 날씨를 맞히는 것보다 훨씬 긴 시간 규모의 변화를 다루는 도전적인 과제입니다. 기존에는 지구를 격자로 나누어 구름, 강수, 해류 등 복잡한 물리 과정을 계산하는 수치 모델을 주로 사용해 왔습니다. 하지만 이러한 수치 모델은 수십만 줄의 코드로 이루어져 있어 실제 지구의 모든 프로세스를 완벽하게 구현하기 어렵습니다. 또한, 초기 상태의 아주 작은 차이가 결과에서 거대한 차이를 만들어내는 '나비효과'로 인해 예측 기간이 길어질수록 정확도가 급격히 떨어지는 한계가 있었습니다. 특히 6개월 이상의 중장기 예측은 기후학자들에게 여전히 어려운 숙제였습니다. 최근에는 이러한 한계를 극복하기 위해 인공지능, 특히 딥러닝 기술이 기후 예측 분야에 도입되고 있습니다. 엘니뇨 예측에는 이미지 인식에 탁월한 성능을 보이는 합성곱 신경망(CNN) 기법이 주로 활용됩니다. 엘니뇨는 특정 지점의 수온 변화뿐만 아니라 서태평양, 인도양, 대서양 등 전 지구적인 해수면 온도 분포의 상관관계를 파악하는 것이 중요하기 때문입니다. 2차원 또는 3차원 지도 형태의 데이터를 분석하여 복잡한 패턴 속에서 엘니뇨의 전조 현상을 찾아내는 인공지능의 능력은 기존 수치 모델이 놓치기 쉬운 미세한 신호들을 포착하는 데 매우 효과적이라는 사실이 증명되었습니다. 딥러닝 모델을 학습시키기 위해서는 방대한 양의 데이터가 필요하지만, 관측된 기후 데이터는 역사적으로 매우 한정적입니다. 엘니뇨는 1년에 단 한 번 발생 여부가 결정되기에 실제 가용 샘플은 170여 개에 불과합니다. 이를 해결하기 위해 연구자들은 '전이 학습'이라는 기법을 도입했습니다. 이는 수치 모델 시뮬레이션이 생성한 수많은 가상 엘니뇨 데이터를 먼저 학습시킨 뒤, 그 지식을 실제 관측 데이터에 적용하는 방식입니다. 비록 가상 데이터에 오차가 있더라도 기본적인 물리 메커니즘을 학습하는 데는 충분하며, 이를 통해 데이터 부족 문제를 해결하고 모델의 예측 성능을 획기적으로 높일 수 있었습니다. 딥러닝 기반의 예측 모델은 기존 수치 모델보다 훨씬 앞선 성능을 보여주었습니다. 기존 시스템이 약 1년 정도의 예측 신뢰도를 가졌다면, 인공지능 모델은 이를 18개월까지 연장하는 데 성공했습니다. 1년 반 앞을 내다볼 수 있다는 것은 사회적, 경제적으로 엄청난 가치를 지닙니다. 이상기후에 대비해 재난 방지 시스템을 정비할 충분한 시간을 확보할 수 있을 뿐만 아니라, 곡물 가격 변동에 선제적으로 대응하여 경제적 손실을 최소화할 수 있기 때문입니다. 실제로 1997년이나 2015년의 강력한 엘니뇨 사례에서도 딥러닝 모델은 매우 높은 정확도로 미래를 예측해 내는 성과를 거두었습니다. 인공지능의 예측 결과가 단순히 통계적 우연이 아님을 증명하기 위해 '히트맵' 분석 기법이 사용됩니다. 이는 인공지능이 데이터의 어느 부분을 중점적으로 보고 판단을 내렸는지 시각화하는 기술입니다. 분석 결과, 딥러닝 모델은 엘니뇨 발생 1년 전 서태평양의 따뜻한 해수 분포나 대서양의 특정 온도 패턴을 주목하고 있었습니다. 이는 기존 기후학계에서 밝혀낸 물리적 메커니즘과 일치하는 결과로, 인공지능이 엉뚱한 정보가 아닌 과학적 근거에 기반하여 결과를 도출하고 있음을 시사합니다. 이러한 설명 가능한 인공지능 기술은 블랙박스로 불리던 딥러닝 모델의 신뢰성을 높이는 핵심적인 역할을 수행합니다. 인공지능 기술은 이제 엘니뇨의 발생 여부를 넘어, 발생 위치에 따른 다양한 유형의 엘니뇨를 구분하는 단계까지 발전했습니다. 중태평양 엘니뇨와 동태평양 엘니뇨는 육지에 미치는 영향이 서로 다르기에 이를 정확히 구분하는 것은 매우 중요합니다. 앞으로 딥러닝 기법은 태풍의 강도 변화, 극한 강수, 장마 패턴 등 더욱 다양한 기후 현상을 예측하는 데 폭넓게 적용될 전망입니다. 인공지능은 기후학자의 자리를 대체하는 것이 아니라, 복잡한 지구 시스템을 이해하고 미래의 불확실성에 대비하는 강력한 도구로서 인류의 생존과 번영에 기여하는 동반자가 될 것입니다.

[강연] 딥러닝으로 엘니뇨 예측하기 _ by함유근 | 2020 가을 카오스강연 'Ai X' 4강

함유근

카오스재단카오스강연
  • 지구환경과학

BeeAI 활용 교육 영상(08) - [4단계] BeeAI에서 모델 서빙하기(1)

머신러닝 모델을 실제 서비스에 적용하는 서빙 방식은 크게 온디맨드 서빙과 스트림 서빙으로 구분됩니다. 온디맨드 서빙은 마이크로서비스 아키텍처 환경에서 필요한 시점에 쿼리를 던져 예측 결과를 받는 방식인 반면, 스트림 서빙은 입력되는 데이터를 연속적으로 처리하여 실시간으로 예측 결과를 내보냅니다. 실무에서는 실시간 데이터 흐름을 다루기 위해 스트림 투 스트림 엔진을 활용하며, 이는 데이터의 입력부터 예측, 결과 전송까지의 전 과정을 끊김 없이 수행하는 데 최적화되어 있습니다. 플랫폼을 활용한 스트림 서빙 워크플로에서는 HTTP 서버 리더가 특정 포트를 통해 외부 데이터를 수신하는 것으로 시작됩니다. 수신된 온도 스트림 데이터는 전처리 과정을 거쳐 예측 오퍼레이터로 전달되며, 여기서 학습된 머신러닝 모델이 실시간 예측을 수행합니다. 최종 결과는 Kafka 토픽으로 전송되어 다른 시스템에서 활용될 수 있게 구성됩니다. 이러한 구조는 Zookeeper나 Bootstrap 서버 설정과 연동되어 분산 환경에서도 안정적인 데이터 처리를 가능하게 합니다. 정확한 예측을 위해서는 정교한 데이터 전처리가 필수적입니다. 입력된 온도 데이터는 먼저 특정 범위로 변환되는 Min-Max 스케일링을 거치며, 이 과정에서 현실적으로 불가능한 이상치 데이터는 제거됩니다. 또한 Transpose 오퍼레이터를 통해 과거의 데이터들을 모아 가로 형태로 재구성함으로써 모델이 분석하기 적합한 형태로 가공합니다. 예측이 완료된 이후에는 다시 원래의 수치 범주로 역변환하는 과정을 거쳐 사용자가 직관적으로 이해할 수 있는 최종 예측값을 산출하게 됩니다. 딥러닝 모델의 저장 방식인 Checkpoint는 본래 학습 중 오류가 발생했을 때 마지막 지점부터 재개하기 위한 용도로 사용됩니다. 하지만 실제 서빙 환경에서는 변수 값이 고정된 추론 전용 모델이 필요하므로, 그래프 정보와 배열 값을 결합하여 상수화하는 과정이 수반됩니다. TensorFlow Serving에서 공식적으로 권장하는 SavedModel 형식은 그래프 정보와 변수 데이터를 포함하며, 학습용 메타 그래프를 제외한 핵심 추론 로직만을 남겨 효율적인 서비스 배포를 지원합니다. SavedModel의 핵심 요소는 입력과 출력의 규격을 정의하는 시그니처입니다. 어떤 형태의 데이터를 받아들여 무엇을 내보낼지를 명확히 명시해야 모델 서버가 이를 정확히 인식하고 처리할 수 있습니다. TensorFlow 코드를 작성할 때 추론에 필요한 함수만을 모듈화하고 시그니처를 등록하면, 복잡한 트레이닝 그래프를 제거한 경량화된 모델을 생성할 수 있습니다. 이는 모델의 용량을 줄일 뿐만 아니라 서빙 시 발생할 수 있는 리소스 낭비를 최소화하는 데 기여합니다. 모델 서버는 저장소에 새롭게 올라오는 모델을 실시간으로 감시하며 버전 관리 정책에 따라 서비스를 갱신합니다. 가용성을 중시하는 정책에서는 서비스 중단 없이 신구 모델을 교체하는 방식을 취하며, 리소스가 제한적인 경우에는 기존 모델을 내린 후 신규 모델을 올리는 방식을 선택합니다. 또한 GPU 메모리 점유 방식을 설정하거나 특정 포트를 지정하여 모델을 로딩하는 등, 운영 환경의 특성에 맞춰 유동적으로 리소스를 관리할 수 있는 다양한 옵션이 제공됩니다. 기존에 잘 학습된 Pre-trained 모델을 활용하는 전이 학습은 개발 시간을 획기적으로 단축하는 방법입니다. Checkpoint나 Protocol Buffer 파일로부터 모델을 불러와 구조를 수정하고 자신만의 시그니처를 결합하면 새로운 SavedModel을 생성할 수 있습니다. 생성된 모델의 입력 형태나 Rank 등의 시그니처 정보는 CLI 도구를 통해 검증할 수 있으며, 이를 통해 예측 형식의 정확성을 확인합니다. 이러한 체계적인 검증 과정은 복잡한 시퀀스 데이터나 이미지 데이터를 다루는 모델의 신뢰성을 높여줍니다.

BeeAI 활용 교육 영상(08) - [4단계] BeeAI에서 모델 서빙하기(1)
한국전자통신연구원ETRI 클래스
  • 융합
  • 공학·기술