일본산업뉴스요약

Start Up Innovation / Science
AI, 쓰레기 처리의 ‘눈’이 된다
Ridge-i와 에바라환경플랜트 개발

인공지능(AI) 개발 스타트업 기업인 Ridge-i(도쿄)는 에바라(荏原)환경플랜트와 공동으로 쓰레기 처리 시설의 크레인 조종을 자동화하는 시스템을 개발했다. AI가 크레인 조종자의 눈이 되어 쓰레기의 종류를 판단. 이를 바탕으로 사람이 크레인을 제어하는 시스템이다. 이미 1월부터 지자체의 쓰레기 처리 공장에서 실제 운용이 시작되고 있다.

처음에는 “AI를 이용해 오퍼레이터의 부담을 줄일 수 없을까라는 막연한 희망에서 시작되었다”(Ridge-i의 야나기하라(柳原) 사장).

-- 우선 업무를 분석 --
Ridge-i 는 시스템 개발을 위해 우선 업무 분석부터 추진했다. 시스템의 전체 이미지를 먼저 그린 다음 각각의 요소간 관계를 압축해 “어디에 AI를 응용하면 되는지를 모색했다. 실제로 과제에 AI를 활용하는데 수 개월이 걸렸다”(야나기하라 사장).

예를 들어 크레인 조종자의 수, 어떤 작업에 어느 정도의 시간이 걸리는지 등을 상세하게 파악해 쓰레기의 상태에 따른 크레인 운전 방법을 모색했다. AI의 도입에는 이와 같은 사전 작업이 중요하다. “모든 작업을 AI로 대체하는 것은 무리다. 사전에 작업들을 완벽하게 정리해 두는 것이 프로젝트의 성공으로 이어진다”(야나기하라 사장).

크레인 조종은 집하장에 모인 쓰레기를 크레인으로 소각로에 던져 넣는 것뿐인 작업 같지만 실제로는 쓰레기를 안정적으로 소각하기 위한 흐름이 있다. 투입하는 쓰레기를 선별하거나 소각 및 기기에 악영향을 주는 쓰레기는 제거해야 한다. 쓰레기 봉투에 힘을 가해 안에 있는 쓰레기를 분해하는 등의 작업도 요구된다.

이번 프로젝트에서 쓰레기 처리 과정에서 AI를 활용한 것은 쓰레기의 상태를 식별하는 크레인 조종사의 ‘눈’이 되는 부분이다. 구체적으로는 어떤 쓰레기인지를 AI를 이용해 식별하는 것이다. 쓰레기의 종류에 따라 크레인 조종이 달라진다. “심층 학습(딥러닝)은 본래 눈의 신경 회로를 모방한 연구에서 고안된 기술이다. AI가 영상을 식별하는 능력은 높다. 기존의 영상 분석 기술로는 불가능한 과제에 유효하다”(야나기하라 사장).

하지만 쓰레기 종류를 식별하는데 필요한 학습 데이터가 없다는 문제점이 있었다. “본래 쓰레기 처리 과정 영상을 촬영한 적이 없다”(야나기하라 사장). 여기서부터 시행착오가 시작되었다. 예를 들어 카메라를 몇 대 설치해야 좋은지, 카메라는 어느 방향으로 설치해야 하는지, 카메라의 촬영 범위는 중복되어야 하는지 등을 알기 위해 많은 시행착오를 거쳤다.

실제로 눈에 잘 띄지 않는 차이에도 주의를 기울였다. 쓰레기 처리의 경우, 비가 내린 날에 반입된 쓰레기도 있고 요일에 따라 종류가 다른 케이스도 있다. “이러한 요소가 결정적 원인이 되는 경우도 있어 노하우 습득에 주력했다”(야나기하라 사장).

-- 영상 학습으로 수십 개 종류 구별 --
이번 프로젝트에서는 촬영 범위를 결정한 후 영상에서 학습용 데이터를 작성했다. 이것은 ‘어노테이션(Annotation)’라고 하는 작업이다. 심층 학습은 표본인 ‘교사 데이터’를 만들어 AI에게 학습시키지 않으면 안 된다. 예를 들어 이번 프로젝트에서는 AI가 영상을 통해 ‘오니(汚泥)’, ‘잘려 진 가지’, ‘쓰레기 봉투’ 등 쓰레기를 수 십 개 종류로 식별할 수 있도록 했다.

학습 데이터의 어느 부분이 식별 대상인지 ‘라벨’을 다는 것, 이것이 어노테이션이다. 야나기하라 사장은 이 작업이 “프로젝트의 성패에 직결되었다”라고 지적한다. 사전에 설정되어 있는 라벨에 새롭게 다른 라벨을 추가하기 위해서는 학습 데이터 전체를 개정해 다시 처음부터 학습시켜야 할 필요가 있다는 점이 심층 학습의 걸림돌이 되고 있다.

-- 개발에 2년 가까이 걸려 --
또한 이번 프로젝트에서는 학습 데이터로서 수 대의 고해상도 카메라 영상을 그대로 입력했다. 일반적으로 영상 분석에서 심층 학습을 이용할 때에는 영상을 분할 처리하는 경우가 많다. 일괄적으로 영상을 취급할 경우 메모리 양이 늘어나기 때문이다. 하지만 이번 프로젝트에서는 영상을 분할한 결과 정밀도가 저하되었다. 쓰레기의 형태가 일률적이지 않아 분할할 경우 하나의 쓰레기가 복수의 영역에 포함되어 버리기 때문이다.

이 때문에 분할 대신 고해상도의 영상을 1화소마다 어느 라벨에 해당하는지를 산출해 나가는 방법을 선택했다. 1장의 학습 데이터를 작성하는데 하루가 걸리는 적도 있었다고 한다. 일부는 외주를 주었다. 그 결과 “외주 업체에게 구체적으로 지시하지 않으면 안 되기 때문에 결과적으로 라벨을 붙이는 작업의 기준이 명문화되어 비즈니스 여건이 명확해 졌다”(야나기하라 사장). 전체적인 시스템 개발에는 2년 가까이 걸렸다.

“적절한 라벨을 제안하는 등 공동으로 개발한 에바라환경플랜트가 정확하게 AI를 이해해 많은 도움을 주었다”(야나기하라 사장).

모든 업종에서 기술 혁명 및 업무의 효율화 수단으로서 기대를 모으고 있는 AI. 확실한 성과를 내기 위해서는 도입 전의 기술뿐만 아니라 검증 등이 꼭 필요하다. 이번 프로젝트는 간토(関東)권의 시설에서 채택되었다. Ridge-i 는 시스템을 전국으로 확대해 나갈 방침이다.

 -- 끝 --