인공지능이 중국의 미사일 기지 찾는데 도움을 주고 있다고

정보기관은 테라바이트급의 위성 이미지에서 숨겨겨있는 알려지지 않은 핵시설, 또는 비밀 군사기지를 찾는 훈련된 분석가를 가지는데 제한이 된다. 구글과 페이스북의 인간의 얼굴과 고양이 이미지를 자동으로 필터링할 수 있게 하는 것과 같은 딥러닝 인공지능은 스파이들의 세계에서 매우 유용한 것으로 입증되었다. 이런 초기 사례는 미국 연구원들이 인간보다 수백배 빠르게 중국의 지대공 미사일 기지를 식별할 수 있도록 딥러닝 알고리즘을 훈련시켰다.

이 딥러닝 알고리즘은 중국 동남부의 거의 90,000 평방 킬로미터에 걸쳐 이미지 분석 경험이 없는 사람이 지대공 미사일 기지를 찾도록 도울수 있다는 것을 증명했다. 이런 - 엄청난 양의 데이터를 필터링하고 학습할 수 있는 인공 신경망 계층으로 된 - 뉴럴 네트워크 기반 AI(인공지능)은 미사일 기지를 찾는 인간 전문가의 90% 수준을 보였다. 아마도 더 깊은 인상을 남긴 딥 러닝 소프트웨어는 인간이 잠재적인 미사일 기지 위치를 찾는데 필요한 시간을 60시간에서 42분으로 줄이도록 도왔다.

미주리 대학교 전자공학 및 컴퓨터과학 교수이자 Geospatial Intelligence 센터 책임자인 Curt Davis 박사는 "이 알고리즘은 미사일 사이트라는 높은 확신이 있는 위치를 찾았고, 그리고 사람들이 그 결과를 정확하게 검토하고 알고리즘이 얼마나 많은 시간을 절약했는지 알아냈다."고 밝혔다. "나는 이전에 이전에 이런 학습을 한 적이 없다: 얼마나 많은 시간을 절약했고, 어떻게 궁극적으로 인간의 성과에 영향을 미쳤는가?"

10월 6일 Journal of Applied Remote Sensing에 기재된 미주리 대학교의 연구는 위성영상 분석가들이 거대한 데이터의 홍수에 익사하고 있다는 비유가 나오고 있는 시점에 나온 것이다. 선도적인 상업 위성영상 회사인 DigitalGlobe는 다른 상업 위성들과 정부 정찰 위성으로부터 오는 모든 이미지 데이터를 상관하지 않더라도매일 약 70 테라바이트의 로우데이터 위성 이미지를 만들어낸다.

Davis 박사와 그 동료들은 어떻게 - 위성 영상 분석을 위해 집중 훈련되고 개조된 - 상용 딥러닝 모델이 정보기관들과 국가안보 전문가에게 잠재적인 대상을 식별할 수 있음을 보여줬다. GoogleNet 그리고 Microsoft Research의 ResNet을 포함한 이런 딥러닝 모델들은 원래 기존의 사진 및 비디오 영상에서 객체를 감지하고 분류하기 위해 개발되었다. DAvis와 그의 동료들은 SAM 사이트에 대한 흑백 이미지만 사용할 수 있는 위성 영상 해석의 도전과 한계에 대해서 컬러와 흑백 이미지 모두 해석할 수 있도록 일부 딥러닝 모델을 교육하는 것과 같은 적용했다.

그들은 북한 영토 전체보다 작지 않은 중국 영토의 거대한 영역을 보여주는 위성 사진으로 이를 실시했다.

실제로, 분석가들은 북한의 무기 프로그램이 어떻게 진화하는지 추적하기 위해 위성 이미지에 크게 의존하고 있다. 인간 분석가들은 이미 상대적으로 작은 국가내이 대부분의 SAM 사이트들을 확인했을 것이다. 그러나 비슷한 딥러닝 툴들은 북한 또는 다른 국가들의 새로 드러난 SAM 사이트를 자동으로 표시하는데 도움이 될 수 있다. 기존과 새로운 SAM 사이트의 위치를 알면 다른 관심 장소로 이동할 수 있는데, 이들 국가들은 특정 지역에 배치한 종종 SAM 사이트로  인근의 취약한 자산을 공중 공격으로부터 방어하기 때문이다.

최근 연구는 딥러닝 AI를 영상 분석에 적용할 때의 어려움을 보여주고 있다. 한가지 중요한 문제는 위성 이미지의 특징을 정확하게 식별하기 위해 딥러닝 알고리즘을 학습하는데 필요한 손으로 표시된 예제를 포함하여 대규모 교육 데이터 세트가 상대적으로 부족하다는 것이다. 미주리대학교팀은 DigitalGlobe 위성 이미지가 찾은 세계 각지의 약 2,200개 SAM 사이트 위치에 대한 공개 데이터를 결합시켜 훈련 데이터를 만들어냈고, 그후 네가지 딥러닝 모델을 시험하여 가장 최고의 성능을 내는 하나를 찾았다.

연구원들은 AI를 훈련시키기 위해 약 90개의 확인된 중국의 SAM 사이트 자료를 가지고 있었다. 이런 순수한 훈련 데이터는 일반적으로 정확한 학습 성과를 산출하지 못한다. 그 문제를 해결하기 위해, Davis 교수와 그의 동료들은 90여개의 훈련 샘플을 오리지널 이미지들의 방향을 약간 바꾸는 방법으로 893,000개의 샘플로 변형했다.

이 연구에서 인상깊은 딥러닝 성과는 SAM 사이트가 상당히 커진 덕분인 것으로 보이며, 위성 이미지를 위에서 볼때 특유의 패턴을 가진다. Davis 박사는 딥러닝 알고리즘으로 이동식 미사일 발사대, 레이더 안테나, 이동식 레이더 시스템, 그리고 군용 차량과 같은 더 작은 객체를 분석할 경우 더 큰 도전에 직면할 것이라고 경고했는데, 이는 사용가능한  위성 영상 데이터에서 형상을 추출하는데 사용할 수 있는 픽셀 숫자가
적기 때문이다.

Davis 박사는 "특히 중국 연구와 같이 큰 지역 데이터에 대해서 시험할때, 이런 식의 뉴럴 네트워크가 이런 작은 규모의 물체에 대해서 잘 작동할지 의문이다."라고 했다.

불완전한 AI 툴조도 정보수집에 큰 도움이 될 수 있다. 예를들어, 국제 원자력기구(IAEA)는 거의 200개 가까운 국가들의 모든 신고된 핵시설을 모니터링하고 신고되지 않은 시설을 찾는 임무를 수행한다. 캘리포니아주 Monterey의 Middlebury Institute of International Studies의 동아시아 비확산 프로그램 수석연구원 Melissa Hanham은 딥러닝 툴은 IAEA와 다른 독립 기구들이 위성 이미지를 사용하여 원자력과 관련된 대량 살상무기 개발을 모니터링하는데 도움이 될 수 있다고 했다.

Hanham 연구원은 "우리는 많은 데이터를 가지고 있는 세상에 있고 작은 일에 대해서 완벽한 일을 하는 것보다는 많은 좋은 일을 하는 것이 좋은 일이다."라면서 "나는 내 직업의 지루하고 중복되는 모든 부분을 자동화하기를 고대하고 있다."고 했다.

* 문장이 어려워서 번역에 구멍이 많습니다. 틀린거 지적해주시면 환영합니다.

* https://milidom.net/news/304629

2016년 5월에 나온 이동식 미사일 발사차량 사냥 자동화에 인공지능을 연구하는 것에 대한 연장선상인듯하여 번역해봤습니다.