에너지 발전 및 분배에서의 해석 가능한 AI

목차

1. 소개
2. 가능한 AI에 대한 이해
3. 에너지 부문에서의 AI 활용 예시
4. 인간 참여의 중요성
5. AI 프로젝트 전체 수명 주기에서의 역할
6. 실제 사례 연구
   • 예시 1: 유지 보수를 위한 조건부 모니터링
   • 예시 2: 프로즈베이션 모델 평가
   • 예시 3: 석탄 발전소의 램프 프로시저 최적화
7. 결론

소개

안녕하세요! 이번 키노트에서는 AI와 설명 가능한 AI에 대해 이야기하고자 합니다. 제 이름은 토마스 뮬버거이며, 저는 데이터 시각화와 파워 발전 및 전력 공급 분야의 전문가로서 활동하고 있는 휘스퍼의 공동창립자이자 CTO입니다. 저희는 오스트리아의 연구 센터인 VRVS에서 VC 투자를 받아 설립된 스핀오프 기업으로, 시각적 분석 소프트웨어 분야에서 유명합니다.

저희가 다루게 될 주제인 설명 가능한 AI는 인간이 AI의 결과를 이해할 수 있는 형태의 인공지능을 의미합니다. 예를 들어, 설명 가능한 AI를 사용하면 인간이 AI가 특정 결정을 내리는 이유와 모델의 모습, 모델이 어떤 가정을 가지고 작동하는지, 그리고 모델이 언제 좋은 성능을 발휘하고 언제 나쁜 성능을 보이는지를 이해할 수 있습니다.

이 키노트에서는 설명 가능한 AI의 이점, 에너지 부문에서의 활용 예시, 그리고 인간의 참여가 AI 프로젝트 전체 수명 주기에서 얼마나 중요한지에 대해 알아보도록 하겠습니다. 그리고 마지막으로는 실제 사례 연구를 통해 설명 가능한 AI의 활용 사례를 살펴보도록 하겠습니다.

그럼 바로 시작해보겠습니다!

가능한 AI에 대한 이해

❗️알고리즘 결과를 이해할 수 있는 AI

가장 먼저, 설명 가능한 AI가 정확히 무엇인지 알아보겠습니다. 설명 가능한 AI란, 알고리즘의 결과를 인간이 이해할 수 있는 형태로 제공하는 인공지능을 의미합니다. 이를 통해 인간은 AI가 특정 결정을 내리는 이유를 이해할 수 있으며, 모델의 모습과 모델이 가지는 가정, 그리고 모델의 좋고 나쁨을 파악할 수 있습니다.

예를 들어, 이번에 보여드릴 간단한 예시인 의사 결정 트리를 통해 설명 가능한 AI의 개념을 이해해보도록 하겠습니다. 의사 결정 트리는 어떤 사람이 특정 카테고리에 속하는지를 예측하는 모델입니다. 이 모델의 의사 결정 규칙은 왜 모델이 특정 결정을 내리는지를 명확히 보여줍니다. 또한 해당 모델의 구조와 특정 결정의 확신 정도를 시각적으로 확인할 수 있습니다. 이처럼 투명성(transparency), 해석성(interpretability), 설명 가능성(explainability)은 설명 가능한 AI의 장점 중 일부입니다. 더불어 이와 비교해 딥 뉴럴 네트워크와 같은 복잡한 모델들은 이러한 장점을 갖지 못하는 경우가 많습니다.

이제 설명 가능한 AI에 대한 이해를 얻었으니, 에너지 부문에서의 실제 활용 사례를 살펴보도록 하겠습니다.

에너지 부문에서의 AI 활용 예시

❗️에너지 부문에서 AI 활용 가능성

이제 설명 가능한 AI가 에너지 부문에서 어떻게 활용될 수 있는지 살펴보도록 하겠습니다. 에너지 부문에는 다양한 예시가 있지만, 여기에서는 몇 가지 사례를 살펴보도록 하겠습니다.

예를 들어, 에너지 부문에서 사용되는 자원 중 하나인 천연가스 소비량의 예측이 있습니다. 이 예측은 도시의 천연가스 소비량(실제 소비량)을 예측(모델 예측)하는 것입니다. 설명 가능한 AI를 사용하지 않는다면, 이 예측은 블랙 박스(결과만 나오고 내부 동작은 알 수 없는 형태)로 받아들여지게 됩니다. 그러나 설명 가능한 AI를 활용한다면, 어떻게 이 모델이 작동하는지를 이해할 수 있습니다.

이 모델은 4차원 회귀 모델로 구성되어 있으며, 온도, 풍속, 요일 및 시간(시간대로 표현)을 입력으로 사용합니다. 이 모델은 이러한 입력값에 대한 결과인 가스 소비량을 예측합니다. 시각화를 통해 입력값에 따른 모델의 예측 결과를 확인할 수 있으며, 예측 결과가 어떻게 변화하는지도 파악할 수 있습니다. 이런 정보는 모델에 대한 신뢰성 구축에 중요한 역할을 합니다. 또한, 모델을 실제 데이터와 함께 검증할 수 있으며, 데이터의 신뢰성을 평가하는 데 도움을 줍니다. 이러한 정보는 실제 투입되는 데이터의 품질과 일치 여부를 확인하기 위해 유용하게 활용될 수 있습니다.

이와 같이 에너지 부문에서도 설명 가능한 AI를 적절히 활용함으로써 다양한 이점을 얻을 수 있습니다. 그러나 설명 가능한 AI의 활용은 AI 프로젝트 전체 수명 주기 동안 인간의 참여가 중요하다는 것을 알아야 합니다.

인간 참여의 중요성

❗️AI 프로젝트 수명 주기 전반에 걸친 인간의 역할

AI 프로젝트가 성공적으로 완료되기 위해서는 인간의 참여가 매우 중요합니다. 설명 가능한 AI에 한정해서 말하자면, 인간들은 AI 프로젝트가 시작될 때부터 참여해야 합니다. 이들은 비즈니스 문제를 정의하고, 사용 가능한 데이터가 프로젝트 목표를 달성하기에 적합한지 평가할 수 있습니다. 이해와 준비는 프로젝트에서 매우 시간이 많이 소요되는 부분이므로, 인간의 참여가 필수입니다. 또한, 어떤 데이터가 실제로 사용 가능하고, 어떤 데이터는 더 이상 관련성이 없는지 평가하는 것도 인간만이 할 수 있습니다.

모델링 단계에서는 인간이 모델링의 응용 분야를 이해하고, 최적의 정확도를 얻거나 해석 가능한 모델을 선택하는 등의 상황에서 올바른 트레이드 오프를 수행할 수 있습니다. 평가 단계에서는 인간이 솔루션이 이미 충분히 좋은지 확인할 수 있습니다.

이와 같은 모든 단계에서 인간의 참여는 프로젝트의 성공에 핵심적인 역할을 합니다. 이제 몇 가지 실제 사례 연구를 통해 설명 가능한 AI의 활용 사례에 대해 알아보도록 하겠습니다.

실제 사례 연구

❗️예시 1: 유지 보수를 위한 조건부 모니터링

첫 번째 사례 연구로는 오스트리아 최대의 수력 발전원인 부네 회사의 설명 가능한 AI를 활용한 조건부 모니터링 예시가 있습니다. 이 사례 연구는 수력 터빈의 상태를 모니터링하여, 비정상적인 상황에서 조기 경고를 생성하는 것을 목표로 합니다. 터빈 내에는 유압 유량을 감지하기 위한 센서가 있습니다.

이 유압 유량에 대한 정상적인 허용 범위를 동적으로 설정하기 위해 설명 가능한 AI를 활용합니다. 이 작업은 직접 모델링하는 것이 불가능한 이유가 있습니다. 예를 들어, 정상적인 작동이 아닌 기간(유지 보수, 중단, 런업 등) 등에 모델링하고자 하는 것이 아닌 이상적인 상황이 포함된 데이터 4년치를 포함하는 상당 부분이 있습니다.

도메인 전문가가 이를 알고 있기 때문에, 이러한 부분을 주의 깊게 고려하여 모델링에 사용할 수 있는 데이터만을 선택할 수 있었습니다. 이렇게 선택된 데이터를 기반으로 설명 가능한 모델을 학습시킵니다. 선택된 입력 변수들을 통해 예측하고자 하는 유압 유량에 대한 예측 결과를 시각적으로 확인할 수 있으며, 변수가 바뀜에 따라 모델의 예측도 변화하는 것을 확인할 수 있습니다. 이런 정보는 도메인 전문가들에게 모델의 일치 여부를 평가하는 데 도움을 줍니다. 또한, 이 도구를 사용하여 '만약 분석' 또한 수행할 수 있습니다. 예를 들어, 온도를 0에서 10도로 조정한 경우, 다른 요인들의 영향도를 파악할 수 있습니다.

이 사례에서 보듯이, 설명 가능한 AI는 AI 모델 자체만으로는 이야기의 끝이 아니라는 것을 알 수 있습니다. 도메인 전문가가 선택한 데이터가 없었다면, 이런 모델링은 불가능한 일이었을 겁니다.

❗️예시 2: 프로즈베이션 모델 검증

두 번째 사례 연구는 에셋 관리자들에게 큰 도전이 되는 예측 모델의 검증과 진단에 대한 것입니다. 분산형 재생에너지, 고객 계량 및 인공지능의 가능성 등으로 인해 예측 모델의 수가 폭발적으로 증가하고 있습니다. 이러한 수많은 모델을 정기적으로 검증해야 하는 것은 큰 도전입니다.

이 사례에서는 예측 오류가 가장 높은 상위 모델을 찾고, 무엇이 문제가 되는지, 어떤 조치가 필요한지를 신속하게 파악하는 것이 목표입니다. 대량의 모델 중 문제가 되는 지표의 예측 오차를 확인하고, 이 오차에 대한 변수를 찾기 위한 알고리즘을 활용합니다. 이러한 방식으로, 예측 오류를 설명할 수 있는 변수를 찾아낼 수 있습니다. 이로써 모델을 개선할 수 있는 통찰력을 얻게 되고, 모델을 개선하는 데 도움이 됩니다. 블랙 박스인 모델이라도, 오류가 발생하는 이유를 투명하게 만들 수 있는 것은 모델 개선을 위한 중요한 정보입니다.

❗️예시 3: 석탄 발전소 램프 프로시저 최적화

세 번째 사례 연구는 에너지 밴드위스에서 진행된 데이터 이해와 준비를 중심으로 합니다. 이 예시는 석탄 발전소의 프로시저 최적화를 목표로 합니다. 램프업은 발전소 운영자가 발전량을 높이기 위해 생산량을 증가시키는 작업입니다. 이는 재생에너지 점유율 증가와 같은 동적인 그리드 상황에서 자주 필요한 작업입니다.

이 작업은 복잡하며 다양한 제한 조건과 규제가 있습니다. 최적화 과정은 많은 주의와 도메인 전문가의 수작업을 요합니다. 이 예시에서는 설명 가능한 알고리즘을 사용하여 이러한 과정을 보조하는 역할을 수행하였습니다. 원하는 램프업 예시를 선택하면 유사한 패턴을 자동으로 검색합니다. 검색된 패턴을 바탕으로 KPI를 계산하고, 해당 결과를 직접 확인할 수 있습니다. 이를 통해 전문가는 몇 시간 만에 최적화에 대한 아이디어를 도출할 수 있게 되었습니다. 이러한 방식을 통해 분기 보고서 작성에 걸리던 시간을 크게 절약할 수 있으며, 전문적인 리뷰를 자동화할 수 있습니다.

위의 예시들을 통해 설명 가능한 AI의 활용 사례를 살펴보았습니다. 이제 이번 키노트를 마치며 결론을 얘기해보도록 하겠습니다.

결론

이번 키노트에서는 설명 가능한 AI와 에너지 부문에서의 활용 사례에 대해 알아보았습니다. 설명 가능한 AI는 단순히 모델의 결과를 설명하는 것 이상의 역할을 합니다. AI 프로젝트 전체 수명 주기에서 인간의 참여가 얼마나 중요한지 알 수 있었습니다. 또한, 복잡한 문제를 해결하기 위해 충분한 경험과 도메인 지식이 필요한 경우에는 AI만으로는 문제를 해결할 수 없을 수 있습니다. 그러나 알고리즘을 프로젝트의 여러 단계에 적용함으로써 작업의 효율성을 높일 수 있는 것을 보았습니다.

그럼 이제 실제 사례 연구를 통해 설명 가능한 AI의 활용 사례를 더 자세히 알아보도록 하겠습니다. 만약 관심이 있다면 오후 워크샵에 참여해 주시기 바랍니다. 자세한 내용은 링크를 확인해주세요.

마지막으로, 오늘의 키노트에 대한 질문이 있다면 언제든지 환영하니 말씀해주세요. 감사합니다!