2018.02.01

"자동 이미지 태그로 밀렵 방지"··· 동물보호단체의 '오토ML' 활용법

Tom Macaulay | Computerworld UK
야생동물보호단체인 ZSL(Zoological Society of London)이 야생에서 카메라로 촬영한 수 백만 장의 이미지를 자동으로 분석하기 위해 구글의 클라우드 오토ML(Cloud AutoML) 플랫폼을 선택했다. 다양한 야생동물의 움직임과 잠재적 밀렵꾼을 파악하는 작업이 더 수월해질 것으로 기대된다.



그러나 문제가 있었다. 동작 감지 카메라는 열감지기를 이용해 야생동물 또는 인간이 지나갈 때를 식별해 광범위한 데이터를 생성하는데, 이 데이터에 신속하게 태그(Tag)하는 것이 어려웠다. 이 작업에 일반적으로 최대 9개월이 소요되는데, 이미 야생동물의 움직임도, ZSL의 전략도 바뀐 이후였다. ZSL의 환경 보호 기술 책임자 소피 맥스웰은 "야생동물을 보호하거나 밀렵을 막으려면 이보다 신속하게 정보를 확보해야 했다"라고 말했다.

그래서 대안으로 도입한 것이 구글의 클라우드 오토ML이다. 인공 지능과 머신 러닝(Machine Learning) 알고리즘을 이용해 9개월치 작업을 순식간에 처리한다. 이 플랫폼은 ZSL처럼 머신 러닝 전문성이 많지 않은 조직이 고급 머신 러닝 기법과 툴을 이용해 자체적으로 고급 사용자 정의 모델을 구축하는 데 도움이 된다.

왜 오토ML인가?
구글의 툴을 사용하기 전에는 ZSL의 환경 보호 활동가가 수 십만 개의 이미지를 수동으로 태그해야 했다. 많은 노력과 시간이 소요됐다. 그러나 이제는 클라우드 오토ML이 이 모든 것을 자동으로 처리한다. ZSL의 맞춤 모델을 사용하고 이 단체가 보유한 광범위한 데이터 세트로 훈련할 수 있어 다른 비슷한 제품보다 더 뛰어난 성능을 보여준다.

맥스웰은 시범 운영 결과를 상세하게 공개하지는 않았지만 초기 이미지 분석을 통해 잠재력을 확인했다. 그는 "클라우드 오토ML은 특히 종의 부분 집합을 인식하는 까다로운 작업에서 뛰어난 성과를 보였다. 다른 이미지 인식 솔루션들보다 훨씬 좋앗다. 사용자 정의 종 세트와 사용자 정의 위치를 기반으로 사용자 정의 모델을 수행할 수 있기 때문이다. 단순히 더 나을 뿐 아니라 기존의 데이터 세트에 대해 훈련시킨 후 해당 그룹에서 영양과 임팔라 또는 오릭스 등 종을 정의할 수 있다"라고 말했다.

ZSL의 장기 목표는 환경 보호 활동가가 이를 활용해 구체적인 종과 인간을 식별할 수 있는 이미지 인식 모델을 만드는 것이다. 특히 자체 인스턴트 디텍트(Instant Detect) 모니터링 솔루션용 카메라 칩에 이 인식 모델을 내장한다는 구상이다. 그러면 잠재적인 밀렵꾼 이미지를 찾자 마자 실시간으로 공원 관리원에게 전송할 수 있다.

이 기술의 잠재력은 상당하다. 맥스웰은 "앞으로 이 모든 데이터를 축적해 생태계의 건전성을 확인할 수 있다. 이 모든 모니터링 데이터를 수집, 분석하고 축적해 오염부터 종까지 실제로 무슨 일이 일어나고 있는지 실시간으로 확인하는 것도 가능할 것이다. 현재는 데이터가 필요하기 때문에 갈 길이 멀지만 방향은 명확하다"라고 말했다.

야생에서의 기술
클라우드 오토ML은 ZSL의 기술 스택 중 일부분이다. 이 구조 단체의 환경 보호 프로젝트는 알려진 밀렵꾼을 추적하는 안면 인식 소프트웨어 등 새롭고 합리적인 기술을 다수 포함하고 있다. 단체의 기술 부서는 아프리카부터 북극까지 야생 서식지에서 근무하는 약 300명으로 구성된 환경 보호 프로그램팀을 지원하고 있다.

이런 환경 보호 활동가는 예산 제약 때문에 레거시 시스템에서 구식 소프트웨어를 사용해야 하는 경우가 많다. 또한 보조금을 통해 재정 지원을 받는 단체가 소수의 환경 보호 활동가를 위해 개발했기 때문에 상업적인 가치는 거의 없다. 그러나 이런 제약에도 불구하고 ZSL은 GPS 동물 추적 시스템과 밀렵꾼 분석 툴 등 일련의 기술 혁신 성과를 쌓고 있다. 기술팀은 이 툴을 자체적으로 개발하고 ZSL의 필요에 적합한 기존 기술을 조달해 왔다.

8명으로 구성된 이 팀에는 프로젝트 관리자, 기술 전문가, 소프트웨어 및 기계 엔지니어가 있지만, 기술의 대부분은 구글 같은 협력사가 개발한다. 구글은 2017년 초부터 클라우드 오토ML 플랫폼을 개발하기 위해 ZSL과 협업했다.

ZSL은 플랫폼을 교육하기 위해 구글에 약 150만 개의 태그된 이미지를 제공했다. 이 단체는 현재 지역, 환경, 종 등 환경 보호 세부사항에 관한 데이터를 제공해 용도에 맞는 사용자 정의 모델을 훈련하고 있다.

맥스웰은 "이 모든 것이 클라우드에 구축되면 손쉽게 API를 통해 연결한 후 미분류 데이터에 대한 작업을 처리할 수 있다. 아프리카, 코스타리카 등 우리가 일하는 곳에서 다양한 지역과 종에 맞는 사용자 정의 모델을 구축해 과학자와 연구원이 데이터를 업로드하면 해당 데이터에 대한 예측 작업을 수행하는 것이 최종적인 목표다"라고 말했다.

이런 통찰은 음향 모니터링 및 지상 센서와 함께 야생 동물과 위협 여부를 파악하는데 도움이 된다. 이 정보는 공원 관리원이 관리하는 넓은 면적 중 적절한 곳에 직원을 파견해 인력 활용을 극대화하는 데도 도움이 된다.


연구실에서 야생까지
단 기술 배치가 개발보다 어려울 수 있다. 인도양의 어선에 관한 알림을 해안 관련 정부기관에 전송하거나 사하라 사막 이남 아프리카 덤불에서 발견된 밀렵꾼에 대한 알림을 현장 공원 관리원 스테이션으로 전송하는 것은 쉽지 않다. 이런 원거리 환경에서는 연결성 또는 전력이 열악하기 쉽고 기기 운영에 필요한 전력이 있더라도 코끼리 같은 인근 야생동물이 장비를 파괴할 수도 있다.

극단적인 환경 조건과도 싸워야 한다. 맥스웰은 "이들 시스템은 북극의 영하 온도부터 습도가 높은 우림 또는 타는 듯한 더위, 야간의 저온 환경까지 극단적인 조건에 견뎌야 한다. 이런 제약 때문에 상업 기술이 거의 없는 상황이다. 따라서 모든 환경 보호 활동가가 접근할 수 있고 대중화된 개방된 기술을 적절한 가격에 확보하는 것이 중요하다. 오토ML은 자동 태그 속도와 사용 편의성, 비용 측면에서 이점이 있다. 이제는 ZSL 환경 보호 프로젝트의 필수 툴이 됐다"라고 말했다. ciokr@idg.co.kr

2018.02.01

"자동 이미지 태그로 밀렵 방지"··· 동물보호단체의 '오토ML' 활용법

Tom Macaulay | Computerworld UK
야생동물보호단체인 ZSL(Zoological Society of London)이 야생에서 카메라로 촬영한 수 백만 장의 이미지를 자동으로 분석하기 위해 구글의 클라우드 오토ML(Cloud AutoML) 플랫폼을 선택했다. 다양한 야생동물의 움직임과 잠재적 밀렵꾼을 파악하는 작업이 더 수월해질 것으로 기대된다.



그러나 문제가 있었다. 동작 감지 카메라는 열감지기를 이용해 야생동물 또는 인간이 지나갈 때를 식별해 광범위한 데이터를 생성하는데, 이 데이터에 신속하게 태그(Tag)하는 것이 어려웠다. 이 작업에 일반적으로 최대 9개월이 소요되는데, 이미 야생동물의 움직임도, ZSL의 전략도 바뀐 이후였다. ZSL의 환경 보호 기술 책임자 소피 맥스웰은 "야생동물을 보호하거나 밀렵을 막으려면 이보다 신속하게 정보를 확보해야 했다"라고 말했다.

그래서 대안으로 도입한 것이 구글의 클라우드 오토ML이다. 인공 지능과 머신 러닝(Machine Learning) 알고리즘을 이용해 9개월치 작업을 순식간에 처리한다. 이 플랫폼은 ZSL처럼 머신 러닝 전문성이 많지 않은 조직이 고급 머신 러닝 기법과 툴을 이용해 자체적으로 고급 사용자 정의 모델을 구축하는 데 도움이 된다.

왜 오토ML인가?
구글의 툴을 사용하기 전에는 ZSL의 환경 보호 활동가가 수 십만 개의 이미지를 수동으로 태그해야 했다. 많은 노력과 시간이 소요됐다. 그러나 이제는 클라우드 오토ML이 이 모든 것을 자동으로 처리한다. ZSL의 맞춤 모델을 사용하고 이 단체가 보유한 광범위한 데이터 세트로 훈련할 수 있어 다른 비슷한 제품보다 더 뛰어난 성능을 보여준다.

맥스웰은 시범 운영 결과를 상세하게 공개하지는 않았지만 초기 이미지 분석을 통해 잠재력을 확인했다. 그는 "클라우드 오토ML은 특히 종의 부분 집합을 인식하는 까다로운 작업에서 뛰어난 성과를 보였다. 다른 이미지 인식 솔루션들보다 훨씬 좋앗다. 사용자 정의 종 세트와 사용자 정의 위치를 기반으로 사용자 정의 모델을 수행할 수 있기 때문이다. 단순히 더 나을 뿐 아니라 기존의 데이터 세트에 대해 훈련시킨 후 해당 그룹에서 영양과 임팔라 또는 오릭스 등 종을 정의할 수 있다"라고 말했다.

ZSL의 장기 목표는 환경 보호 활동가가 이를 활용해 구체적인 종과 인간을 식별할 수 있는 이미지 인식 모델을 만드는 것이다. 특히 자체 인스턴트 디텍트(Instant Detect) 모니터링 솔루션용 카메라 칩에 이 인식 모델을 내장한다는 구상이다. 그러면 잠재적인 밀렵꾼 이미지를 찾자 마자 실시간으로 공원 관리원에게 전송할 수 있다.

이 기술의 잠재력은 상당하다. 맥스웰은 "앞으로 이 모든 데이터를 축적해 생태계의 건전성을 확인할 수 있다. 이 모든 모니터링 데이터를 수집, 분석하고 축적해 오염부터 종까지 실제로 무슨 일이 일어나고 있는지 실시간으로 확인하는 것도 가능할 것이다. 현재는 데이터가 필요하기 때문에 갈 길이 멀지만 방향은 명확하다"라고 말했다.

야생에서의 기술
클라우드 오토ML은 ZSL의 기술 스택 중 일부분이다. 이 구조 단체의 환경 보호 프로젝트는 알려진 밀렵꾼을 추적하는 안면 인식 소프트웨어 등 새롭고 합리적인 기술을 다수 포함하고 있다. 단체의 기술 부서는 아프리카부터 북극까지 야생 서식지에서 근무하는 약 300명으로 구성된 환경 보호 프로그램팀을 지원하고 있다.

이런 환경 보호 활동가는 예산 제약 때문에 레거시 시스템에서 구식 소프트웨어를 사용해야 하는 경우가 많다. 또한 보조금을 통해 재정 지원을 받는 단체가 소수의 환경 보호 활동가를 위해 개발했기 때문에 상업적인 가치는 거의 없다. 그러나 이런 제약에도 불구하고 ZSL은 GPS 동물 추적 시스템과 밀렵꾼 분석 툴 등 일련의 기술 혁신 성과를 쌓고 있다. 기술팀은 이 툴을 자체적으로 개발하고 ZSL의 필요에 적합한 기존 기술을 조달해 왔다.

8명으로 구성된 이 팀에는 프로젝트 관리자, 기술 전문가, 소프트웨어 및 기계 엔지니어가 있지만, 기술의 대부분은 구글 같은 협력사가 개발한다. 구글은 2017년 초부터 클라우드 오토ML 플랫폼을 개발하기 위해 ZSL과 협업했다.

ZSL은 플랫폼을 교육하기 위해 구글에 약 150만 개의 태그된 이미지를 제공했다. 이 단체는 현재 지역, 환경, 종 등 환경 보호 세부사항에 관한 데이터를 제공해 용도에 맞는 사용자 정의 모델을 훈련하고 있다.

맥스웰은 "이 모든 것이 클라우드에 구축되면 손쉽게 API를 통해 연결한 후 미분류 데이터에 대한 작업을 처리할 수 있다. 아프리카, 코스타리카 등 우리가 일하는 곳에서 다양한 지역과 종에 맞는 사용자 정의 모델을 구축해 과학자와 연구원이 데이터를 업로드하면 해당 데이터에 대한 예측 작업을 수행하는 것이 최종적인 목표다"라고 말했다.

이런 통찰은 음향 모니터링 및 지상 센서와 함께 야생 동물과 위협 여부를 파악하는데 도움이 된다. 이 정보는 공원 관리원이 관리하는 넓은 면적 중 적절한 곳에 직원을 파견해 인력 활용을 극대화하는 데도 도움이 된다.


연구실에서 야생까지
단 기술 배치가 개발보다 어려울 수 있다. 인도양의 어선에 관한 알림을 해안 관련 정부기관에 전송하거나 사하라 사막 이남 아프리카 덤불에서 발견된 밀렵꾼에 대한 알림을 현장 공원 관리원 스테이션으로 전송하는 것은 쉽지 않다. 이런 원거리 환경에서는 연결성 또는 전력이 열악하기 쉽고 기기 운영에 필요한 전력이 있더라도 코끼리 같은 인근 야생동물이 장비를 파괴할 수도 있다.

극단적인 환경 조건과도 싸워야 한다. 맥스웰은 "이들 시스템은 북극의 영하 온도부터 습도가 높은 우림 또는 타는 듯한 더위, 야간의 저온 환경까지 극단적인 조건에 견뎌야 한다. 이런 제약 때문에 상업 기술이 거의 없는 상황이다. 따라서 모든 환경 보호 활동가가 접근할 수 있고 대중화된 개방된 기술을 적절한 가격에 확보하는 것이 중요하다. 오토ML은 자동 태그 속도와 사용 편의성, 비용 측면에서 이점이 있다. 이제는 ZSL 환경 보호 프로젝트의 필수 툴이 됐다"라고 말했다. ciokr@idg.co.kr

X