엔비디아 GPU, 세계 빈곤지도를 만드는 데 일조하다
글로벌 임팩트 어워드에서는 사회, 인문, 환경 문제를 다루는 획기적인 작업에서
극심한 빈곤에 허덕이는 사람들의 대부분은 사하라 이남 아프리카와 남아시아에 거주하고 있다고 하는데요, 이 지역의 정확한 빈곤 데이터는 거의 확인이 어렵다고 합니다. 하지만 스탠포드 대학(Stanford University)의 한 연구팀이 위성 이미지를 통해서 보다 자세한 빈곤 데이터를 찾으려 노력하고 있다고 합니다.
이 연구팀은 식량안보 전문가인 데이비드 로벨(David Lobell)과 마샬 버크(Marshall Burke), 기계학습(Machine Learning) 전문가인 스테파노 어먼(Stefano Ermon), 그리고 두 명의 스탠포드 공대 학생들로 이뤄져 있으며 구글 어스(Google Earth) 이미지를 통계빈곤모형(Statistical Poverty Models)으로 전환시키는 공동 연구를 진행하고 있습니다.
“극심한 빈곤을 물리치치기 위해서는 무엇보다 문제의 개선 정도를 측정할 수 있는 기술이 필요합니다.”
스탠포드 대학의 컴퓨터공학과 조교수인 어먼(Ermon)은 기술적인 부분에서의 도움이 시급함을 먼저 이야기합니다.
좌측: 10km × 10km 블록 세밀단위의 예측빈곤가능성. 중앙: 지역레벨에서 종합된 예측빈곤수준.
우측: 비교를 위한 2005 조사결과서 (세계자원연구소 2009)
어먼 연구팀은 도로, 농장, 주택과 같은 이미지를 바탕으로 사하라 이남 아프리카의 빈곤 수준을 정확하게 예측할 수 있는 엔비디아 GPU 기반의 뉴럴 네트워크 훈련 시스템을 마련하였습니다. 그리고 이러한 연구를 인정받아, 스탠포드 대학 연구팀은 엔비디아 2016 글로벌 임팩트 어워드(NVIDIA’s 2016 Global Impact Award)의 최종 5 개 결선 진출팀의 대열에 오르게 되었죠.
어먼 조교수는 다음과 같이 이어서 말합니다.
“우리가 보유하고 있는 사하라 이남 아프리카 국가들에 대한 데이터는 20년도 넘은 구식 데이터입니다. 아직도 90년대 초 데이터를 통해 추정 작업을 하고 있는 것이죠. 추가적인 데이터 개선이 절실한 상황입니다.”
기존의 딥 러닝(Deep Learning) 솔루션에서 뉴럴 네트워크의 구축을 위해서는 트레이닝 데이터세트(Training Dataset)가 필요했습니다. 하지만 위성 이미지를 위한 트레이닝 데이터가 거의 없기 때문에 어먼 연구팀은 트랜스퍼 러닝(Transfer learning :하나의 작업을 배우면 다른 애플리케이션으로 응용 가능한 가능한 기계 스킬)을 이용하고 있습니다.
우선 지역의 낮과 밤의 모습을 보여주는 위성 이미지가 구글 어스와 구글 이미지와 함께 짝을 이뤄 전달됩니다. 기존의 빈곤 이미지 모형은 경제개발에 관한 측정을 위해 밤시간 빛의 강도를 사진에 이용한 반면, 새롭게 개발된 모형은 밤낮 모두의 이미지를 사용함으로써, 도로, 농장, 수역과 같은 미 표시 데이터세트로부터 빈곤과 연관성이 있는 유용한 낮 시간 관련 개체를 식별할 수 있습니다.
“우리는 보다 적은 수의 패러미터(Parameter)를 이용해서 보다 큰 이미지를 다룰 수 있는 완전나선형방식(fully convolutional architecture)을 찾았습니다. 그리고 우리는 엔비디아 GPU를 이용하여 완전나선형방식을 보다 빠르게 훈련시킬 수 있습니다.” 라고 어먼 조교수가 일컬었는데요.
우측: 좌측과 상응하는 이미지에 대한 필터활성화. Google Static Maps 발췌 이미지.
어먼 연구팀은 GeForce GTX TITAN X와 Tesla K40 GPUs 제품을 통해 이미지 분석에 박차를 가했는데요, GPU 가속 라이브러리에서 최종 모형을 시뮬레이션하는 데에는 단지 3일밖에 걸리지 않았습니다.
“정말 엄청난 도움이 됐습니다. GPU가 없었다면 불가능했을 거에요.”
어먼 연구팀은 최근에 우간다 빈곤지도작업 연구 접근법에 대한 자료를 발행했습니다. 팀의 전체 연구 과정(이미지의 다운로드로부터 네트워크 훈련과 예측을 위한 이용에 이르는)은 깃허브(GitHub)를 통해서 곧 만나보실 수 있습니다.
어먼 연구팀은 이제 나이지리아, 말라위, 르완다까지 위성 이미지의 작업 영역을 확장하고 있습니다. 연구팀은 우간다의 데이터에 대해 시스템을 훈련하고 있으며, 다른 나라의 빈곤 수준을 정확하게 예측하는 것도 가능합니다. 어먼 조교수는 해당 모형을 통해 아시아와 남미의 빈곤을 지도화하고, 시간의 흐름에 따른 빈곤의 변화를 분석하겠다는 목표를 밝히며 다음과 같이 인터뷰를 마무리했습니다.
“이제 우리는 비용이 적게 드는 데이터를 이용해서 초고해상도의 빈곤지도를 자동으로 만들 수 있는 플랫폼을 보유하게 됐습니다. 이제는 이미지만 있으면 되는 거죠. 이 측정 모형은 장기간에 걸친 새로운 빈곤지도의 가능성을 열어주었습니다. 우리는 시공간 흐름에 따라 대상(빈곤)이 변하는 방식을 이해할 수 있게 되었습니다. 그 어느 때보다도 말이죠.”
엔비디아 GPU 기반의 기술은, 뛰어난 데이터 처리 속도와 이미지 구현 능력으로 부족한 데이터에서 학습한 지식을 응용해 여러 지역의 빈곤 지수를 정확히 측정하여 빈곤 지도를 구현하는데 일조하였는데요. 전세계의 빈곤 문제는 물론 다양한 사회 문제의 해결에 활용되고 있는 엔비디아의 기술력, 앞으로도 많은 기대, 응원 부탁드려요~^^