AI/로봇·드론/VR·AR

Nikkei Computer_2022.11.24 케이스 스터디 (p54~57)

AI가 토마토 수확량을 5주 후까지 예측
가고메, 안정적 공급으로 변동 없는 거래 상담 실현 추진

가고메가 토마토 수확량을 5주 후까지 예측하는 AI 모델을 개발했다. 100개 이상의 항목으로 이뤄진 채소밭에 대한 십 수년 분의 주간 리포트를 심층학습에 활용했다. 이를 통해 숙련자도 어려운 장기 예측이 가능해, 소매점에 토마토를 안정적으로 공급할 수 있을 것으로 전망하고 있다.

“(농협에 작물을 도매하는) 일반 농가는 이번 주 또는 다음 주의 수확량을 예측하는 것만으로 충분한 경우가 많다. 하지만 가고메는 토마토 생산뿐만 아니라 영업도 담당하고 있다. 소매점 등과의 거래 방침을 결정하는 데 있어서 약 한 달 후 토마토를 어느 정도 수확할 수 있을지에 대한 예측이 가능하다는 것에 의의가 있다”. 가고메 이노베이션본부 농자원개발부의 이마모리(今森) 신선토마토개발그룹 주임은 이렇게 말한다.

가고메는 5주 후의 토마토 수확량을 예측하는 AI(인공지능) 모델을 개발해 올 4월부터 국내 5개 채소밭에서 재배하는 토마토의 수확량 예측에 활용하기 시작했다. 이 수확량 예측 AI 개발에는 가고메와 계약한 각지의 채소밭에서 매주 작성되고 있는 리포트를 학습 및 검증용 데이터로 활용했다. 

주간 리포트는 가고메가 지정하고 있기 때문에 각 채소밭에서 공통된 포맷을 사용하며, 채소밭 담당자가 토마토 종류 별로 기온과 습도, 물을 주는 양 등을 기록하고 있다.

-- 기후변동으로 경험이 더이상 도움 안돼 --
가고메가 수량 예측을 시작한 것은 2017년 10월. 산업기술종합연구소와 공동으로 시작했다. 가고메는 토마토 생산뿐만 아니라 판매도 담당하는 기업으로, 경영 관점에서 계획 생산 및 계획 출하가 요구된다. 여기서 수량 예측은 그 실현에 불가결한 요소이다. 수량을 잘못 예측하면 영업 기회 손실이나 폐기 등으로 이어진다.

지금까지는 채소밭의 출하 담당자가 경험이나 감을 통해 토마토 수확량을 예측해왔다. 하지만 토마토의 수확량은 기후나 재배 방법 등 여러 요인들이 영향을 미친다. 경험이나 감으로는 최대 일주일까지 예측이 가능하며, 한 달 이상 후의 수확량을 정확히 예측하기는 어렵다.

또한 최근에는 예측이 더욱 어려워졌다고 한다. 각 채소밭의 예측 데이터를 정리하고 있는 가고메 어그리 프레시의 생산조달부 토마토조달그룹에 소속된 이와키리(岩切) 씨는 “최근 기후 변동이 뚜렷해지고 있어 지금까지의 경험칙을 반영하기 어려운 케이스가 많아졌다”라고 말한다. 이 때문에 예측 정확도를 높일 목적으로 AI를 이용한 예측 모델 개발을 추진하게 된 것이다.

-- 처음에는 기상예보 개발에 착수 --
가고메의 수량 예측의 정확도를 높이는 프로젝트는 기상예보 시스템 개발에서 시작되었다. 2017년 10월 산업기술종합연구소와 프로젝트를 시작해 2018년 1월, 기상예보시스템 개발에 착수했다. 

기상청이 보유하고 있는 과거의 날씨 기록을 토대로 시스템 개발을 진행했지만, “강수량과 기온 등의 요소들 중 몇 가지는 2, 3일 후의 예측조차 제대로 세울 수 없었다”(이마모리 주임)라고 한다. 그 결과, 2019년 7월 독자적인 기상예보시스템 개발은 단념했다.

기상예보를 통한 접근법과 함께 2019년 1월에는 각 채소밭에서 작성되는 주간 리포트에 주목했다. 이마모리 주임은 “우리는 십 수 년 분의 (주간 리포트) 데이터를 축적해왔다”라고 말한다. 이 데이터를 통해 새로운 데이터를 수집하지 않고도 예측 모델 개발에 착수할 수 있었다고 한다.

수량 예측의 정밀도를 향상시키기 위해 활용할 데이터는 정해졌지만, 예측 방법에 대해서는 처음부터 AI로 좁혀졌던 것은 아니었다. 주간 리포트의 데이터를 기반으로 “문헌으로 공개되고 있는 기존의 수리 모델 적용 및 통계 해석과 병행해 기계학습을 사용한 AI 개발을 추진했다”(이마모리 주임). 

접근 방법 중 가장 정확도가 높았던 것이 AI. 그래서 가고메는 2020년 1월, AI를 활용한 시스템 개발 컨설턴트 등을 추진하는 에이조스(AIZOTH)와 손잡고 연구개발을 시작했다.

-- 100개 이상의 항목을 특징량으로 --
주간 리포트의 항목은 기온이나 습도, 물 주는 양, 실제 수확량 등 100개 이상의 항목으로 구성되어 있다. 이것들이 예측에 사용되는 특징량이다. AI 모델 개발로 방향을 전환한 후 이마모리 주임은 예측에 사용하는 특징량을 구하기 위해서 수동으로 특징량을 추출, AI 모델을 개발하는 기계학습과 자동으로 추출하는 심층학습을 검토했다고 한다.

개발 방법을 비교하기 위해 심층학습을 포함한 여러 알고리즘으로 AI 모델을 개발했다. 개발한 모델의 정밀도를 비교한 결과, “특징량을 수동으로 추출하는 것보다 모든 특징량을 AI 모델에 학습시키는 것이 예측 정밀도가 높았다”(이마모리 주임)라는 사실을 알게 되어 심층학습을 채택했다고 한다.

2020년 4월, 후쿠시마(福島) 현 이와키 시에 있는 가고메 직속의 ‘이와키오나하마(いわき小名浜) 채소밭’에서 개발한 모델의 실증시험을 시작했다. 이 채소밭에는 도쿄돔 약 2개 분량의 국내 최대 규모의 대형 온실이 구비. 약 35만 그루의 토마토를 재배하고 있는 곳이다. 이어서 2021년 1월에 가고메 어그리 프레시가 계약한 여러 채소밭에 실증 도입하고, 올 4월부터 총 5개 채소밭에서 실전 운용을 시작했다.

AI 모델 개발의 흐름과 알고리즘은 모든 채소밭에서 공통이다. 하지만, 모델 개발에 사용되는 데이터는 공통이 아니며, 각 채소밭에서 작성한 주간 리포트의 데이터를 바탕으로 채소밭마다 모델을 개발하고 있다. “채소밭은 국내 여러 지역에 있다. 각 채소밭의 데이터를 하나로 묶어 범용화한 모델을 만드는 것보다, 채소밭마다 특화시킨 모델을 만드는 것이 정밀도가 높다는 것을 실제로 만들어 확인했다”(이마모리 주임).

AI 모델 개발을 주도한 이마모리 주임은 원래 밭에 나가 새로운 토마토 품종을 개발하는 일을 담당했던 농업학 연구자로, AI 개발 경험은 없었다. 수량 예측의 정확도를 향상시키기 위해 가정 먼저 기상예보를 통해 접근한 것도 “농업학자의 사고방식”(이마모리 주임)이 근저에 있었기 때문이라고 한다. 

“산업기술종합연구소와 공동으로 프로젝트를 추진하고 나서 처음으로 가고메가 축적하고 있던 십 수 년 분의 주간 리포트의 가치를 알게 되었다”(이마모리 주임)라고 당시를 회상했다.

야채나 과실 등의 수량 예측에서 화상인식 AI를 채택하는 케이스도 있지만, 화상인식은 이번 프로젝트에서 가고메가 추진하는 목표와는 맞지 않았다고 한다. 이마모리 주임은 화상인식을 이용한 예측에 대해 “토마토는 색이 빨갛게 된 후 일주일 이내에 수확해야 하기 때문에 그 주의 수확량을 예측하는 목적으로는 유용하다”라고 말했다. 

하지만, “수확 5주 전의 토마토는 전혀 색이 들지 않고 작으며, 이후의 기후 등의 영향을 고려하면 화상인식 AI을 이용한 장기 예측은 어렵다”(이마모리 주임)라고 한다.

-- 가고메 영업담당이 거래 상담에 활용 --
가고메가 개발한 AI 모델에 예측에 필요한 데이터를 입력하는 것은 각 채소밭에서 수확량을 예측해온 출하 담당자이다. 담당자가 수확량 예측 AI를 이용해 산출한 각 채소밭의 예측 결과를 가고메그룹에서 농산물 조달을 담당하는 가고메 어그리 프레시가 집약해 가고메 영업 담당자에게 전달. 데이터를 바탕으로 영업 담당자가 슈퍼마켓 담당자, 바이어 등과 거래 상담을 한다.

수확량 예측 AI를 활용할 때에는 채소밭 담당자가 전용 앱에 주간 리포트 데이터 등을 수동으로 입력한다. “앱 입력에 걸리는 시간은 5분 정도”(이마모리 주임)로, 지금까지는 PC 등의 단말기로 주간 리포트를 작성해왔다는 것을 고려하면 부담은 크지 않다고 한다. 이를 통해 “큰 업무 부담을 없이 출하 담당자가 스스로 도출한 예측 결과와 AI에 의한 예측 결과를 비교할 수 있게 되었다”(아오모리 주임).

예측 정밀도를 높이기 위해 AI를 개발했지만, 예를 들어, 설비 변경이나 재해 등 학습에 사용한 주간 리포트에 포함되지 않은 조건에 대해서는 AI가 고려할 수 없다. 또한 이상기후가 발생할 경우 예측이 빗나가는 케이스도 있다.

이 때문에 가고메는 AI 모델과 업무 담당자가 협업해 지속적으로 모델을 개선하는 '인간 참가형 기계학습(Human in the Loop Machine Learning)'라는 개념을 도입했다. 구체적으로는 “각 채소밭에서 지금까지 수동으로 수량 예측을 해 온 출하 담당자가 매주 리포트에 포함되어 있지 않은 상황들을 고려해 AI의 예측 결과를 수정한다”(이와키리 씨).

주간 리포트에 반영되지 않는 자연재해나 질병 유행 등을 바탕으로 업무 지식이 풍부한 담당자가 AI의 수량 예측 결과를 수정하는 것이다. 수정하는 이유도 함께 기록해, 향후 학습용 데이터로서 축적하고 있다.

-- 도입 채소밭 확대 추진 --
가고메는 수확량 예측 AI 모델 도입을 확대해나갈 방침을 세우고, 11월 시점에 새롭게 2개의 채소밭에 도입할 계획이라고 한다. 이마모리 주임은 “주간 리포트의 데이터가 충분히 갖추어져 있는 채소밭부터 추진해나갈 방침이다”라고 말한다.

지속적인 AI 모델 개선이 향후, 토마토 공급 체제의 안정화로 이어질 것으로 가고메는 전망하고 있다. 지속적인 수량 예측 모델 운용으로 예측과 결과 데이터가 축적되면 예측이 맞거나 빗나가기 쉬운 조건들을 주간 리포트 데이터를 통해 알 수 있게 될 가능성도 있다.

“데이터에서 역산해 ‘이러한 관리를 하면 생산량 달성이 어렵지 않을 것이다’라고 탐색하는 대응로 발전시켜나갈 계획이다”(이마모리 주임)라고 한다.

-- 끝 --

Copyright © 2020 [Nikkei Computer] / Nikkei Business Publications, Inc. All rights reserved.