[해외DS] 딥마인드의 바다거북 보호 챌린지

딥마인드, 아프리카 데이터 과학 커뮤니티 진디와 바다거북 개체 식별 위한 AI 개발 대회 열어 바다거북 얼굴의 고유한 비늘 패턴에 주목, 기존 방법 단점 보완해 우승자는 케냐 출신 스텔라 키마니, 딥마인드 “즉시 투입 가능할 정도로 유용”하다 평가해

pabii research

[해외DS]는 해외 유수의 데이터 사이언스 전문지들에서 전하는 업계 전문가들의 의견을 담았습니다. 저희 데이터 사이언스 경영 연구소(MDSA R&D)에서 영어 원문 공개 조건으로 콘텐츠 제휴가 진행 중입니다.

사진=AI 비즈니스

최근 구글의 자회사 딥마인드와 아프리카의 데이터 과학 커뮤니티 진디(Zindi)가 바다거북을 식별하는 머신 러닝 시스템을 구축하는 대회 ‘거북이 리콜 챌린지(The Turtle Recall Challenges)’를 공동으로 개최했습니다. 많은 AI 개발자들이 참여해 바다거북 개체 재식별 작업의 신뢰성과 속도를 높여 이들을 보호하는 데 도움이 되는 시스템을 개발하고자 노력했다고 합니다. 대회에서 우승한 팀이 개발한 프로그램은 2023년부터 실제로 현장에 배치될 예정입니다.

개체 식별 작업은 야생동물 연구에서 굉장히 중요합니다. 해당 개체 하나의 행동뿐 아니라 그 개체가 속한 집단, 종에 대한 정보를 얻는 통로가 되기 때문입니다. 특히 바다거북 같은 멸종 위기 동물을 연구할 땐 개체 식별 작업을 통해 개체의 수나 서식지에 대한 정보를 얻을 수 있습니다.

일반적으로 바다거북과 같은 수생 동물을 식별하는 작업에서는 물리적인 태그를 사용합니다. 하지만 수생 동물이 활동하면서 이 태그가 떨어져 행방불명이 되거나 바닷물에 침식될 가능성이 있습니다.

딥마인드와 진디는 바다거북의 얼굴에 존재하는 비늘 패턴에 주목했습니다. 이 패턴은 종종 고유성을 띠며, 수십 년 동안 사라지지 않고 동일하게 유지된다고 합니다. 사람으로 치면 얼굴에 지문이 있는 격입니다.

참고로 진디는 예전에 케냐에 기반을 둔 자선 단체인 ‘로컬 오션 컨서베이션(Local Ocean Conservation)’과 함께 다른 바다거북 프로젝트를 진행한 바 있는데, 딥마인드는 이 프로젝트 덕분에 거북이의 얼굴에 레이블이 지정된 이미지 데이터 셋을 구축해 시스템 개발에 활용할 수 있었습니다.

라벨링된 거북이 얼굴 이미지 데이터 예/사진=AI 비즈니스

거북이 리콜 챌린지는 5개월 동안 진행됐습니다. 대회에 참가한 AI 개발팀은 바다거북의 정체성을 가능한 한 정확하게 예측할 수 있는 모델을 개발해야 했습니다.

딥마인드에 따르면 다른 대형 ML 컨퍼런스에 그렇게 많이 참여하지 않았던 국가, 예를 들면 가나와 베냉 같은 국가를 비롯해 총 13개 아프리카 국가의 AI 개발자들이 이번 대회에 참여했습니다.

딥마인드의 터틀 리콜 팀은 “전반적으로 저희는 대회의 전반적인 수준에 감명받았고, 이 도전적인 작업을 위한 기술의 혁신에 깊은 인상을 받았습니다.”라고 전했습니다.

대회 우승자는 케냐 출신의 스텔라 키마니(Stella Kimani)입니다. 키마니가 만든 모델의 정확도는 무려 98%에 달했다고 하네요. 키마니는 상금으로 미화 5000달러를 받았습니다.

대회가 끝난 뒤 딥마인드 관계자는 “진디의 알고리즘은 현장에서 거북이를 식별하는 작업에 즉시 투입 가능할 정도로 유용했다”며 시스템의 정확도 수준을 높게 평가했습니다. 진디의 블로그에도 우승자가 만든 시스템이 바다거북을 식별하는 데 도움이 될 뿐만 아니라 모든 해양 생물의 보존에도 도움이 될 것이라는 게시물이 올라왔습니다.

한편 딥마인드는 바다거북이 해초를 뜯어먹어 생태계를 가꾸고 수많은 물고기와 갑각류에게 서식지를 제공하기 때문에 중요하다고 설명했습니다.

또한 “우리 주변의 생태계를 보호하는 건 지구의 미래와 모든 살아있는 시민을 보호하기 위해 굉장히 중요한 일”이라며 “다행히 새로운 AI 시스템 덕분에 범지구적 생태계 보존 노력이 진전을 보이게 됐고, 복잡한 문제를 대규모로 해결하는 것도 보다 쉬워졌다”고 덧붙였습니다.


Concrete is widely used in construction, but it has a large carbon footprint and is a key contributor to climate change. There is a more sustainable replacement called ‘foamed concrete,’ but finding the optimal mixture of ingredients to make it is complex, takes time and is costly.

Now a team of scientists is applying machine learning to predict the compressive qualities of concretes before manufacture, saving time, cost and reducing waste, according to a paper published in in Cement and Concrete Composites.

Foamed concrete, also known as lightweight cellular concrete or low-density foamed concrete, is made of cement, foaming agents, aggregate, and water. Its light cellular structure uses a binding mortar to support air voids, which ultimately reduces the weight of the building materials. It is already being used in the U.K., Canada and Korea.

The material has excellent physical, mechanical, and physiochemical properties for construction. The type of foaming agent, granulometry of aggregates and cement minerology are variables that can be optimized. Water quality, mixture proportions, and the uniformity and type of pores are other important characteristics. Furthermore, the curing method plays a role in the end product.

AI-based models have the capability to optimize the mixture of foamed concrete materials for high strength-to-weight ratio for structural product performance. It can also find the best formula for energy consumption, thermal conductivity, and fire resistance.

Currently, scientists use empirical models based on complex complications to factor in characteristics, such as the relationship between compressive strength and material properties. The paper focused on using machine learning to forecast the compressive properties of concretes before production. Machine learning can help predict structural behavior.

The researchers used three machine learning algorithms with nonlinear capabilities: GBT, GEP, and ANN. The GBT model performed the best with the highest validation data. Sand to cement ratios and water to cement ratios were analyzed using parametric analysis.

The research showed a high correlation between compressive strength and foamed concrete density. The algorithms demonstrated an accurate prediction of the compressive strength of foamed concrete, proving how machine learning can accurately optimize foamed concrete for the construction industry.

The team suggested future studies could involve varying the foaming agent dosages in the machine learning algorithms to find an improved formula for foamed concrete.

Similar Posts