지난 몇 세기에 걸쳐 전세계 고래의 개체수가 꾸준히 줄어들면서 인류는 이를 되돌리기 위해 중대한 조치에 나섰습니다.
가장 최근에 이뤄진 조치 중 하나가 북대서양 참고래와 선박 간 충돌을 최소화 하기 위해 캐나다 정부 주도로 진행된 AI 프로젝트 입니다. 이 참고래는 몸 길이가 50피트(약 15.24미터)에 달하며, 과거 포경선들이 사냥하기에 ‘참’ 알맞은 고래라고 부른 데에서 그 이름이 유래했습니다.
고래와 선박 간 충돌은 비교적 최근에 불거진 문제입니다. 기후 변화로 플랑크톤이 북쪽으로 이동하면서 북대서양 참고래도 새로운 해역으로 옮겨오면서 시작했습니다. 먹이를 쫓아가는 이 고래들은 기존 선박 항로와 겹치는 새로운 이주 경로와 맞닥트렸습니다. 그래서 현재 전세계 참고래 개체수가 500마리 정도 뿐이라, 선박과의 충돌로 멸종 위기에 놓인 이 고래들을 보호하는 작업이 시급한 과제로 급부상했습니다.
최근 몇 년간 캐나다 교통국은 참고래와 상선 간 충돌을 방지하기 위한 노력을 전개해 왔습니다. 참고래 이주 시기에 항로 상공에 해양 생물학자들이 탑승한 항공기를 띄운 것이죠.
생물학자들이 항로에서 참고래를 발견하면, 상선에 속도를 낮추라는 경고가 전달됩니다. 그러나 이는 상선 운항에 중대한 차질을 가져오는데, 비용 부담이 커지고, 운항 시간이 늘어나며 매출에 영향을 주기 때문입니다.
캐나다 교통국은 지난 8월 무인항공시스템(UAS)과 AI 소프트웨어를 사용해 상선 항로에 있는 고래를 탐지하는 새로운 변형 프로그램의 개념 증명을 실시했습니다.
선박, 항만, 국경 등을 모니터링하는 자율 드론 제작업체 플랭크 에어로시스템즈(Planck Aerosystems)는 UAS가 수집한 데이터 (캡처 이미지와 영상) 내에서 북대서양 참고래를 식별할 수 있는 AI 소프트웨어를 개발했습니다. 이 새로운 솔루션은 참고래와 캐나다 해운 경제 모두를 동시에 보호할 수 있는 가능성을 갖고 있습니다.
개무스 콜린스(Gaemus Collins) 플랭크 CTO는 “정부 차원의 의사결정은 엄청난 재정적 여파를 미칠 수 있다. 우리 소프트웨어는 생물학자들이 수천 개 이미지를 검색해 그 중 고래의 모습이 찍혀 있는 몇 가지를 추려낼 수 있도록 지원하기 위해 만들어졌다. 이를 통해 생물학자들은 사진에 찍힌 대상이 그냥 고래인지 참고래인지 최종 판단을 하게 되며, 이에 대해 캐나다 교통국에 피드백을 제공한다”고 말했습니다.
무인 드론으로 북대서양 참고래를 식별하는 딥 러닝 작업에 대한 자세한 내용을 확인해 보세요.
미션: 데이터세트를 구축하라
플랭크는 미국 국립 해양대기청(National Oceanic and Atmospheric Administration, NOAA)과 캘리포니아 남부 연안에서 이와 유사한 프로젝트를 진행하기 위해 논의했습니다. 컴퓨터 비전 도구가 항공 드론 이미지에서 고래를 자동으로 탐지하는 프로젝트입니다.
NOAA 관계자는 캐나다 교통국이 진행한 노력에 대해 알고 있었으며, 플랭크의 기술이 도움이 될 거란 생각으로 플랭크 측에 자체 프로젝트에 대해 소개했습니다.
플랭크의 첫 번째 임무는 딥 러닝 모델 훈련에 사용할 데이터세트를 만드는 것이었습니다.
개무스 콜린스 플랭크 CTO는 “NOAA는 임무에 대해서는 잘 설명해 주었지만, 알고리즘 훈련에 사용할 기존 임무 관련 데이터가 없었다. 이는 최대 난관이었다. 우리는 UAS 비행이 이미 진행된 후 매일 현장에서 감지 알고리즘을 재훈련 시킬 시스템을 만들어야 했다”고 말했습니다.
캐나다 교통국은 처음에 1080p 이미지를 플랭크에 제공했으며, 플랭크는 엔비디아의 소형 젯슨(Jetsot) TX2임베디드 AI 컴퓨팅 디바이스를 활용해 이를 처리했습니다. 그러나 1080p 이미지로는 고래 종이나 다른 특이 사항을 식별하기에 충분한 해상도가 나오지 않는다는 점을 발견했습니다 (이 프로젝트의 또 다른 목표는 향후 고래 종별 추적이 가능하도록 충분한 이미지를 수집해 두는 것이었습니다).
캐나다 교통국은 24-메가픽셀 이미지로 전환했습니다. 플랭크는 이를 대형 이미지 파일에 대한 추론 작업을 진행하기에 충분한 RAM을 제공하는 엔비디아 쿼드로(Quadro) P5000 GPU를 활용해 처리했습니다. CUDA 9와 cuDNN 7.1은 모든 시스템 내 GPU 가속 훈련과 추론을 지원했습니다.
훈련은 플랭크 측이 원하는 만큼 엔비디아 테슬라(Tesla) v100 GPU를 할당할 수 있는 클라우드 기반 구글 컴퓨팅 엔진에서 이뤄졌습니다.
플랭크는 다크넷(darknet)이라 불리는 딥 러닝 라이브러리를 활용했으며, 플랭크의 객체 탐지 알고리즘을 훈련하고 배포하는데 사용되었습니다. 이후 텐서RT(TensorRT)를 폴더에 추가해 알고리즘 추론 시간을 단축했습니다.
얻은 교훈 그리고 앞으로의 행보
개무스 콜린스 CTO는 이번 프로젝트를 통해 얻은 가장 큰 교훈은 이러한 시도에는 상당한 고강도 컴퓨팅 작업이 필요하더라는 점이며, 캐나다 교통국에도 그러한 피드백을 전달했습니다. 간단히 말해 너무 많은 속도를 내기란 불가능하며, 결국 컴퓨팅 요구사항이 하드웨어에 부담을 주게 된다는 것이죠.
그는 “이 문제에 초고성능 GPU를 투입한다고 해도, 소프트웨어 최적화는 여전히 해 볼 가치가 있다”고 말합니다.
그는 플랭크가 이와 유사한 환경 프로그램에 대해 다른 정부기관과 협력할 기회가 더 있길 바란다고 말했습니다. 플랭크는 이미 캐나다 해양수산부와 이 기술을 사용해 물범과 바다 사자를 탐지하고 추적하는 프로젝트에 대한 논의를 진행했습니다.
그러나 그는 지금까지 플랭크가 이뤄온 성과에 자부심을 표했으며, 전세계 고래 보호에 이를 사용할 수 있길 바란다고 말했습니다.
“우리는 이 프로젝트를 해양 포유류 탐지와 식별을 자동화 하는데 딥 러닝 도구를 사용할 수 있음을 검증해냈다. 고래와의 충돌이 정기적으로 발생하는 세계 여러 지역에 널리 이 시스템이 배치되길 바란다”고 콜린스 CTO는 말했습니다.