딥 러닝을 통한 안전한 길을 열다

Google 스트리트 뷰와 같은 이미지는 플로리다 대학교 인공 지능 조교수 왕 차오펑(Chaofeng Wang)의 손에서 새로운 용도로 활용되고 있습니다.

 

그는 도시 건물 평가를 자동화하기 위한 연구 프로젝트에서 딥 러닝과 함께 이를 사용하고 있습니다. 이 프로젝트는 의사 결정자가 건물 구조를 강화하거나 재해 후 복구를 수행하는 데 필요한 정보를 제공하여 정부가 자연 재해 피해를 완화하도록 돕는 것을 목표로 합니다.

 

지진 등 자연재해가 발생하면 지자체는 팀을 파견해 건물 상태를 점검하고 평가한다. 수동으로 수행하면 도시의 전체 재고를 처리하는 데 최대 몇 달이 걸릴 수 있습니다.

 

Street View to the Rescue

 

Wang의 프로젝트는 AI를 사용하여 평가 프로세스를 가속화하여 필요한 시간을 몇 시간으로 단축합니다. AI 모델은 벽 재료, 구조 유형, 건물 연령과 같은 요소를 기반으로 평가 지침을 제공하는 연방재난관리청(FEMA) P-154 표준을 기반으로 건물에 점수를 할당하기 위해 Google 스트리트 뷰 및 지방 정부에서 가져온 이미지를 사용하여 훈련되었습니다. 그리고 더. Wang은 또한 복원력 있는 주택을 위한 세계은행 글로벌 프로그램 과 협력하여 모델 개선에 사용된 이미지를 수집하고 주석을 수행했습니다.

 

수집된 이미지는 데이터 저장소에 저장됩니다. AI 모델은 저장소를 읽고 이미지에 대한 추론을 수행합니다. 이 프로세스는 NVIDIA DGX A100 시스템으로 가속화됩니다.

 

Wang은 “NVIDIA GPU가 없었다면 이 일을 할 수 없었을 것입니다.”라고 말했습니다. "프로세스를 크게 가속화하여 시기적절한 결과를 보장합니다."

 

Wang은 플로리다 대학의 슈퍼컴퓨터인 HiPerGator 에서 DGX A100 노드를 사용했습니다 . HiPerGator는 학계에서 세계에서 가장 빠른 AI 슈퍼컴퓨터 중 하나로 700페타플롭스의 AI 성능을 제공하며 NVIDIA 창립자이자 University of Florida의 졸업생인 Chris Malachowsky와 NVIDIA의 하드웨어, 소프트웨어, 교육 및 서비스의 지원을 받아 구축되었습니다.

 

AI 모델의 출력은 웹 포털에 제공되는 데이터베이스로 컴파일되어 안전 평가 점수, 건물 유형, 지붕 또는 벽 재료 등의 정보를 지도 기반 형식으로 표시합니다.

 

Wang의 작업은 NVIDIA Applied Research Accelerator 프로그램 의 자금 지원을 받았습니다. 이 프로그램은 상업 및 정부 기관에서 채택한 NVIDIA 가속 애플리케이션의 배포를 통해 실제 세계에 영향을 미칠 수 있는 연구 프로젝트를 지원합니다.

 

A Helping Eye

Wang은 포털이 사용 사례에 따라 다양한 요구 사항을 충족할 수 있다고 말합니다. 자연재해에 대비하기 위해 정부는 스트리트 뷰 이미지만으로 예측을 사용할 수 있습니다.

 

"이것은 정적 이미지입니다. 한 가지 예로 몇 년마다 업데이트되는 Google 스트리트 뷰 이미지가 있습니다."라고 그는 말했습니다. "하지만 정보를 수집하고 특정 통계에 대한 일반적인 이해를 얻는 데는 충분합니다."

 

그러나 이러한 이미지를 이용할 수 없거나 자주 업데이트되지 않는 농촌 지역이나 개발도상국의 경우 정부가 직접 이미지를 수집할 수 있습니다. NVIDIA GPU를 기반으로 건물 평가를 적시에 제공하면 분석 속도를 높이는 데 도움이 될 수 있습니다.

 

Wang은 또한 그의 연구가 충분히 개선되면 도시 계획 및 보험 산업에도 파급력을 일으킬 수 있다고 제안합니다.

 

이 프로젝트는 현재 멕시코의 몇몇 지방 정부에서 테스트 중이며 일부 아프리카, 아시아 및 남미 국가에서 관심을 끌고 있습니다. 현재 상태에서는 FEMA P-154 표준에 따라 평가 점수에서 85% 이상의 정확도를 달성할 수 있습니다.

 

Survey of the Land

Wang이 언급한 한 가지 과제는 국가마다 도시 풍경이 다양하다는 것입니다. 지역마다 고유한 문화 및 건축 스타일이 있습니다. 크고 다양한 이미지 풀에 대해 훈련받지 않은 AI 모델은 벽 재료 분석을 수행할 때 페인트 색상과 같은 요인으로 인해 중단될 수 있습니다. 또 다른 과제는 도시 밀도 변화입니다.

 

Wang은 “이것은 현재 AI 기술의 매우 일반적인 한계입니다.”라고 말했습니다. “유용성을 갖추기 위해서는 현실 세계의 분포를 표현할 만큼 충분한 훈련 데이터가 필요하므로 일반화 문제를 해결하기 위해 데이터 수집 프로세스에 노력을 기울이고 있습니다.”

 

이러한 문제를 극복하기 위해 Wang은 더 많은 도시에 대한 모델을 훈련하고 테스트하는 것을 목표로 합니다. 지금까지 그는 여러 나라의 약 8개 도시를 테스트했습니다.

 

“모델을 교육하려면 더 자세하고 고품질의 주석을 생성해야 합니다.”라고 그는 말했습니다. “이것이 앞으로 모델을 개선하여 더 광범위하게 사용할 수 있는 방법입니다.”

 

Wang의 목표는 프로젝트를 보다 일반적인 산업 사용을 위한 서비스로 배포할 수 있는 수준으로 만드는 것입니다.

 

“우리는 건물과 가구를 추정하고 분석하여 다른 제품과 원활하게 통합할 수 있는 애플리케이션 프로그래밍 인터페이스를 만들고 있습니다.”라고 그는 말했습니다. “우리는 또한 모든 정부 기관과 조직이 사용할 수 있는 사용자 친화적인 애플리케이션을 구축하고 있습니다.”

 

출처: Nvidia