국방 군수분야 설명가능 인공지능 도입 방안
『국방논단』 1892호(한국국방연구원 발행)
이은아 ealee@kida.re.kr
김용민 ymkim@kida.re.kr
한국국방연구원 국방자원연구센터
인공지능 기술은 일반적으로 복잡한 알고리즘을 기반으로 하여 분석의 근거를 제시하기 어렵다는 한계로 인해, 중요한 의사결정을 다루는 국방 분야에 활용되기에 제한적이었다. 그러나 인공지능 분석 결과의 타당성을 사용자 수준에서 이해할 수 있도록 제시하는 설명가능 인공지능(XAI: Explainable Artificial Inteligence)의 등장으로, 국방 군수분야의 인공지능 활용 가능성이 증대되고 있다.
본고에서는 XAI의 개념 및 필요성과 함께, XAI 모델을 국방 군수분야에 적용할 수 있는 예시를 소개하고, 우리 군이 이를 효율적으로 도입하기 위한 시사점 및 발전방향을 다음과 같이 제안하였다. 첫째, 우리 군도 적극적으로 XAI 기술을 도입해야 한다. 둘째, 인공지능 기술의 평가 기준으로 설명가능성을 고려하여야 한다. 셋째, 국방 분야에 특화된 XAI 플랫폼 개발이 필요하다.
인공지능(AI: Artificial Intelligence)은 시대적 흐름이다. 인공지능은 학습, 추론, 지각 능력 등 인간의 지능적인 행동을 컴퓨터가 수행하도록 구현하는 컴퓨터 공학 분야로, 이 시대의 가장 핫한 키워드가 인공지능이라는데 이의를 제기할 사람은 없을 것이다.
국방 군수분야는 가장 빠르게 인공지능의 활용성을 기대할 수 있는 분야이다. 최근 다양한 정보체계의 개발 및 무기체계 센서데이터 수집 확대 등으로 군수데이터의 양이 크게 증가하였으며, 활용할 수 있는 데이터는 더욱 확대될 전망이다. 이러한 방대한 양의 데이터로부터 적절한 특징을 추출하고 높은 정확도로 의사결정에 활용하기 위해 인공지능 기술 적용의 필요성은 더욱 증대되고 있다. 또한 보급, 정비 등의 군수분야는 상대적으로 윤리적 문제에서 자유로우며, 한정된 영역에서 명확하게 정의된 문제를 해결하는 낮은 단계의 AI 기술을 필요로 하기 때문이기도 하다.
한편, 인공지능 기술은 복잡한 알고리즘을 기반으로 사용자에게 의사결정, 추천, 예측 등의 정보를 제공하지만, 내부 의사결정과정이 불투명하여 “블랙박스”라 불리며 최종 의사결정 결과의 근거 및 도출과정의 타당성 등을 제공하지 못하는 한계가 존재한다. 국방 분야는 속도나 효율성보다 신뢰성이 더 중요시되기 때문에 인공지능 기술의 적용은 주저되고 있다.
이러한 인공지능 모델의 한계를 극복하기 위한 기술로 인공지능 시스템의 최종 결과를 이해하고 설명 가능하도록 정보를 제공하는 XAI(Explainable Artificial Intelligence)를 주목할 필요가 있다. 본고에서는 XAI의 개념과 연구동향을 간략히 소개하고, 어떤 이유들로 XAI를 활용하고 있는지 살펴본 다음, 국방 군수분야를 중심으로 활용 가능한 XAI 모델의 예시와 함께, 우리 군의 효율적 XAI 기술 도입을 위한 시사점 및 발전방향을 제시하고자 한다.
XAI는 사용자에게 시스템의 의사결정에 대한 설명을 제공하고, 사용자가 인공지능 시스템의 전반적인 강점 및 약점을 이해하도록 도와주는 기술이다. 인공지능 시스템 결과에 대한 사용자 및 사회의 수용과 신뢰가 우려되면서 XAI 기술이 주요 연구 분야로 주목받고 있다.
예를 들어, 여러 사진으로부터 고양이 이미지를 찾아내는 인공지능 시스템에서, 기존에는 단순히 고양이인지 아닌지 판별 결과만을 도출하지만, XAI 시스템은 그 근거까지 제시한다. 즉, 귀의 모양을 근거로 해당 이미지가 고양이라는 결론을 내렸다고 설명한다 (<그림 1 참조>).
둘째, 설명범위에 따라 하나의 샘플에 대한 예측결과만을 설명하는 방법인 국소적(local) 기법과 어떤 변수가 중요한지 등을 보여주며 모델 전반적인 부분을 이해하는데 중요한 해석을 제공하는 전역적(global) 기법이 있다.
셋째, 사용목적에 따라 특정 머신러닝 모델에서만 사용가능한 특수목적용(model-specific) 설명기법과 모델에 상관없이 적용 가능한 범용적(model-agnostic) 설명 기법으로 분류할 수 있다. 후자의 경우 해당 모델의 구조적 정보를 이용하지 않고, 입력과 출력 값의 변화를 분석하여 해석한다.
다음으로는 현재 국방 군수분야에서 우리 군이 인공지능 기술을 어떻게 활용하고 있는지 <표2>에서 정리하였다.
종합정비창의 스마트공장 전환 사업의 경우, 「3D 정비공정을 위한 산업용 로봇 적용」, 「단순·반복 작업 공정 자동화구축」, 「IoT 기반 정비시스템 최적화」, 「무인기술 적용 안전 인프라 구축」이라는 4개의 핵심 분야를 중심으로 추진되고 있다. 스마트 물류창고는 자율주행차량과 자동 적송장비 등을 도입해 원활한 물류 흐름을 보장할 것으로 기대되며, 군수통합정보체계와 연동하여 모든 군수품을 통합·관리함으로써 신속하고 정확한 군수지원을 목표로 하고 있다.
다음으로는 수리부속 수요예측에서 인공지능 기술을 적용할 경우 발생할 수 있는 문제점과 제한점을 다양한 사례를 통해 살펴보고, 각 사례에서 발생하는 어려움을 해결하고 완화하는 수단으로 설명가능 인공지능의 필요성을 제안한다.
일반화 성능이 높은 모델 개발을 위해
수리부속 수요발생 유무를 판단하는 인공지능 기반 분류 모델이 있다고 하자. 학습데이터셋에서는 수요발생 유무를 잘 구별해내며 높은 성능을 보였으나, 모델이 실제 미래 예측 시 사용되는 과정에서 수요가 발생하지 않는 품목을 수요가 발생한다고 계속 잘못 판단하는 상황을 가정해보자.
설명가능 기술을 통해 작동 중인 인공지능 모델이 어떤 영향변수에 집중해서 수요발생 유무를 판단하는지 확인해 본 결과, 모델이 수요발생과 품목 단가를 강하게 연관 짓고 있다는 점을 파악하였다. 즉, 모델 훈련 시 사용한 단가 10만 원 미만의 품목에서 우연찮게도 고장발생 품목이 많았던 것이다. 인공지능 모델의 훈련 과정에서 이러한 요소를 파악할 수 있다면, 개발자는 이 모델이 다른 조건에서 일반화되기 어려울 것이라는 것을 예측할 수 있다.
인공지능 구현에 주로 사용되는 ‘기계학습(Machine Learning)’ 방식은 시스템이 데이터를 기반으로 스스로 학습하며 고도화하는 것이 특징이다. 그렇기에 인공지능은 학습 데이터에 따른 편향, 의도하지 않은 판단 등의 잠재 위험이 존재한다.
결과에 대한 책임 판단 근거로 활용
수리부속 예산 및 조달 소요판단 시, 통계적 예측기법에 의해 제공되는 전산 추천치에 각 군 품목관리관들의 경험적 판단에 의한 조정을 반영하여 최종소요를 결정한다. 그러나 인공지능 모델을 도입하게 되면 예측결과의 이유를 알 수 없으므로 품목관리관의 정성적 판단을 더하여 소요를 조정하기란 쉽지 않다.
한 예로, 전년도에 지휘관의 명령에 의한 일시적 라이트 교체 수요가 발생하였고, 해당품목의 차년도 전산 추천예측치가 과거 10년간의 연평균 소요량 대비 비교적 과다 산정되었다고 하자. 실제 전자의 이유에 의해 최근의 수요 증가추세가 반영되었다면, 다시 발생하지 않을 수요이므로 우선적으로 품목관리관의 수요조정을 통해 과다 예측에 의한 초과재고를 방지할 수 있다.
그러나 모델 알고리즘이 타 장비의 품목 교체주기를 반영해 판단한 소요라면, 품목관리관의 소요삭제 시 고장발생 수요에 대처하지 못해 전투준비태세 영향을 줄 수도 있는 상황이 발생할 수도 있다. 어떤 입력변수가 주요인자인지 등 그 이유에 대한 설명이 가능하다면, 전산상 반영하지 못하는 부분이 존재하여 예측이 잘못된 경우 품목관리관의 수요조정 근거로 활용할 수 있으며 추후 원인을 규명하여 향후 동일한 문제가 발생하지 않도록 개선할 수 있다.
모델 수정 및 개선을 위해
인공지능 모델은 매우 강력한 분석 기능에도 불구하고 모델이 블랙박스 상태에 머무른다면, 모델을 개선하거나 오류를 찾는 과정에서 많은 어려움이 존재하고 오랜 시간이 소요될 수밖에 없다. 앞서 언급한 특정 카테고리(단가가 10만 원인 품목 데이터)의 데이터가 더 필요한지 등 모델이 설명되지 않는다면 실패사례에 대한 가설을 세운 뒤 수차례의 수정 및 재훈련이 필연적으로 요구된다.
머신러닝, 딥러닝 등 최신 인공지능 기술이 학습 과정에서 많은 시간이 걸리는 점을 감안하면 분석 실패와 수정의 반복 과정은 매우 비효율적인 작업이다. XAI를 통해 모델의 결과가 어떻게 왜곡되었는지 확인할 수 있다면, 모델 개발자는 보다 효율적으로 모델을 수정하거나 개선할 수 있을 것이다. 또한 XAI는 의사결정에 가장 큰 영향을 주는 샘플을 찾아내고, 데이터셋에 어떤 문제가 있는지 샘플 데이터를 바탕으로 확인할 수 있으며, 분석 결과가 바람직한 경우에도 추가적으로 필요한 데이터 및 개선 방향을 탐색할 때에도 큰 도움이 된다. 또한, 잘못된 영향변수가 높은 가중치를 가진다면 해당 변수를 제거하거나 중요도를 감소하는 조치를 취할 수 있다.
의사결정 지원을 위해
머신러닝을 의사결정에 활용할 때, 일반적으로 의사결정자가 모델의 원리를 이해하고 있어야 한다. 그러나 최근의 딥러닝 모델은 수많은 파라미터들을 가지고 있기 때문에 점점 이해하기 어려워지고 있다.
대표적인 XAI기법인 민감도분석을 사용하면 다양한 시나리오에 의한 사용자의 의사결정 지원이 가능하다. 인공지능 모델의 결과를 역추적하여 입력 값의 어떤 부분이 모델의 결과 도출에 큰 영향을 미쳤는지를 설명하고, 모델에서 선형적인 작용을 하는 변수가 증가 혹은 감소하면 예측결과가 어떻게 변하는지 정량화하여 시뮬레이션 가능하다는 장점이 있다,
수리부속 수요 발생에 영향을 미치는 주요 요소를 파악하고 장비 운용실적, 창정비 주기, 장비수명, 신규장비 도입 및 도태시점, 외주정비 확대 등 다양한 정책 시나리오에 따른 수리부속 소요 및 예산과의 상관관계를 모니터링 하면서 의사결정을 내리는 것이 바람직하다.
이번에는 현재 인공지능 모델 적용이 시도되고 있는 군수분야의 일부 문제를 중심으로, XAI기법에 대한 응용 사례를 소개하고자 한다.
모델 전체의 주요 영향변수에 대한 전역적 설명 기법
게임 이론에 기반을 두는 SHAP(SHapley Additive exPlanations)는 모델 결과에 대한 기여도를 의미하는 Shapely value를 활용하는 XAI기법으로, 새로운 입력에 대해 Shapely value를 비교함으로써 어떤 변수가 모델에서 중요한 역할을 하는지 전체적인 관점에서 모델의 예측 결과를 설명한다. <그림 2>는 SHAP을 이용하여 수리부속 수요예측 결과를 설명한 예시이다. 중요도 내림차순으로 변수를 세로로 정렬하여 시각화하고, 가로 위치는 해당 값의 효과가 더 높거나 낮은 예측과 관계되어 있는지를 보여준다. 즉, 이 예시에서는 T-1년 수요량이 높은 고장 가능성을 유발한다는 것을 알 수 있다.
오늘의 뉴스
Hot Photo News
많이 본 기사
이 기사를 스크랩 하시겠습니까?