인공지능과 정밀농업

인공지능과 정밀농업

인공지능이라는 기술을 농업에 어떻게 적용할 것인가?

사실 농업이라는 산업 자체가 수치화되고 기록되기 어려운 산업입니다.

그동안 농산물을 재배하는 경우 종자를 준비하고 파종해서 재배하고 수확하기까지 농작업의 전반적인 데이터를 수치화되고 기록하는 것은 쉬운 일이 아니었습니다.

어렵게 농작업 전반에 대한 데이터를 수치화하고 기록해도 정상적으로 활용하기가 어렵습니다.

데이터와 기록이 의미를 가지려면 제시된 데이터에 따라 수행했을 때 같은 결과가 나와야 하는데 농업은 시간과 공간에 따라 매번 다른 결과가 나오기 때문에 데이터와 기록이 의미를 가지기 어렵습니다.

농부가 가진 땅마다 토질이 다르고  농부가 가진 기술이 달라서 재배하는 작물이 같아도 수확할 때는 천차만별의 결과를 얻습니다. 

같은 땅에서 같은 작물을 오래 지어온 농부는 나름대로 자신만의 노하우를 축적합니다만 그것을 동일 작물을 키우는 모든 농부가 적용한다고 똑같은 결과를 얻기 어렵습니다.

동일 작물을 키우더라도 토질이 다르고 지역의 환경이 다르고 재배하는 사람의 숙련도가 다르게 때문입니다.

최근 여러 가지 한계점 때문에 누구에게나 적용할 수 있는 범용적인 기술로 만들기 어려웠던 이 개별적인 농부의 노하우를  기술로 만드는 작업이 진행되고 있습니다.

IoT기술을 포함한 다양한 첨단기술을 활용해 그동안 측정할 수 없었던 농작업 과정을 데이터로 측정해 축적하고 분석해 토질의 변화나 기후의 변화 등 모든 재배환경 변화에 따른 최적의 재배방법을 찾아 농작물을 재배하려고 합니다.

우리는 그것을 스마트 파밍(Smart Farming)이라고 합니다.

이런 스마트 파밍의 작물재배의 최적화에서 수집된 데이터를 분석하고 최적의 재배방법을 찾는 방법으로 인공지능이 많이 활용되고 있습니다.     

먼저 인공지능에 대해 알아볼까요?

요즘 여러 산업분야에서 인공지능이라는 단어가 많이 언급되고 있습니다.

미래에 가장 유망한 기술 중의 하나로 꼽히며 세상에 존재하는 모든 문제를 해결해 줄 것처럼 곳곳에 인공지능이라는 단어가 등장합니다.

우리는 이런 인공지능을 어떻게 이해하면 될까요?

많은 분들이 지능지수검사 즉 IQ검사를 해 본 적이 있을 겁니다.

여러분이 만약 어떤 사람의 IQ검사 결과를 알고 그 사람의 IQ지수가 높다. 낮다는 것을 알게 되면 바로 그 사람의 기억하고, 배우고, 추론해서 문제를 해결하는 능력이 좋다 나쁘다를 판단하게 될 것입니다.

IQ지수 즉 지능지수라는 것은 무엇인가를 기억하고 배우고 추론해서 문제를 해결하는 능력을 수치화한 것이라고 할 수 있습니다.

지능지수가 높다고 한다면 결국 기억하고, 학습해서, 추론하고, 문제해결하는 능력이 높다는 것입니다.

지능 즉 Intelligence라는 것은 사람이 가진 기억, 학습, 추론, 문제해결을 하는 능력을 말하는 것이고 인공지능 즉 Artificial Intelligence라는 것은 이런 사람이 가지는 지능을 컴퓨터 S/W로 구현한 것이라고 할 수 있습니다.

정리해 보면 인공지능이라는 것은 인간의 지능 즉 기억하고, 학습하고, 추론하고, 문제해결하는 능력을 수학적으로 모델링을 해서 컴퓨터 S/W구현하는 기술입니다.

이중에 컴퓨터가 가장 큰 강점을 가지는 것이 기억하는 능력입니다.

인공지능으로 어떤 문제를 해결할 때 컴퓨터는 특정 문제를 해결하기 위해 필요한 정보를 사람이 다 기억할 수없을 만큼 많이 수집하고 분류해서 저장할 수 있고 이것을 빅데이터라고 합니다.

이런 빅데이터를 바탕으로 컴퓨터의 빠른 연산속도를 이용해 과거로부터 반복적으로 나타나는 입력과 출력의 일정한 규칙 즉 패턴을 찾아 학습을 하고, 이것을 이용해 복잡한 문제를 분석하고 해결하는 모델을 찾고, 이 모델을 활용해 새로운 입력이 주어졌을 때 결과를 추론하도록 한 프로그램이 바로 인공지능입니다.       

앞서 언급한 것과 같이 인공지능이라는 것은 사람의 지능을 모방하는 것이라고 할 수 있습니다.

물론 모방을 한다고 해서 사람과 같이 생각한다는 것은 아닙니다.

어떻게 보면 우리가 개나 고양이를 훈련시킬 때 어떤 행동이나 소리에 대해 우리가 원하는 행동을 하면 보상을 주며 반복 훈련을 시키는 것과 같습니다.

인공지능은 [그림]에서 보시는 함수식을 만드는 것이라고 할 수 있습니다.

우리가 수학적 모델이라는 것이 이 수식으로 요약될 수 있습니다.

이런 수학적 모델을 만드는 방법이 앞서 언급한 것과 같이 반복적으로 나타나는 입력과 출력의 일정한 규칙 즉 패턴을 찾기 위해 어떤 특정한 입력변수가 주어질 때 어떤 결과가 나왔는지에 대한 데이터를 대량으로 축적해서 분석해서 만들게 됩니다.

그리고 이렇게 만들어진 함수식 즉 수학적 모델에 어떤 특정한 입력변수가 주어졌을 때 어떤 결과가 나올지를 예측하는 것이 인공지능이라고 할 수 있습니다.

물론 인공지능이라고 하면 지금 보시는 함수식과 같이 단순히 하나의 입력변수로 결과가 나타나는 간단한 것은 거의 없고 다양한 입력변수를 고려해서 각각의 변수가 가지는 영향력이 결과에 어느 정도 영향을 끼치는지 찾아내고 결과를 예측하도록 하는 것이 대부분입니다.

 다양한 입력변수의 값과 결과를 대량으로 축적해서 반복적으로 학습하는 것을 우리는 기계학습 즉 머신러닝이라고 합니다.     

인공지능을 인간 지능을 모방하여 컴퓨터가 인간처럼 학습하고 추론하는 S/W로 정리를 했습니다만 세부적으로 포함할 수 있는 범위가 상당히 광범위합니다.

우리가 현실적으로 접하는 인공지능이라고 칭해지는 것들은 포괄적으로 인공지능이라고 이야기하지만 컴퓨터가 가지는 장점인 데이터의 저장능력과 빠른 연산능력을 바탕으로 설정된 수학적 모델링에 따라 분석과 예측하는 것이 대부분입니다.

인간과 같이 스스로 문제를 정의하고 문제를 해결하기 위해 정보를 수집하고 해결하며 스스로 학습하고 발전하는 인공지능은 아직 없습니다.

물론 최근 특정한 분야를 스스로 학습해 발전하는 형태의 인공지능이 만들어졌다고 이야기하는 사람들이 있습니다.

그중에 하나가 기계학습 즉 Machine Learning입니다.

사실 스스로 학습을 한다고 이야기를 합니다만 사람과 같이 자기가 알아서 학습한다기보다 사람이 입력한 데이터를 기반으로 반복적인 학습을 통해 추론과 문제해결 모델링을 스스로 발전시킨다 정도가 정확할 것 같습니다.

인간과 같이 스스로 학습한다고 이야기할 수 있는 것은 딥러닝(Deep Learning)입니다.

이것은 게임으로 치면 게임의 규칙만 주고 컴퓨터가 스스로 게임을 하며 데이터를 학습해서 그것을 기반으로 추론과 문제해결 모델링을 스스로 발전시켜 나가는 것입니다.

물론 아직은 적용에 제한요인이 많아서 바둑이나 게임과 같이 규칙이 정해진 한정된 분야에만 적용이 되고 있습니다.      

인공지능을 농업에 적용한다는 것은 좁은 의미에서 농산물을 생산하는 과정에서 측정할 수 있는 데이터를 수집하고 분석해서 최적의 농산물을 생산할 수 있는 방법을 만드는 것이라고 이야기할 수 있습니다.

작물을 재배하는 경우라면 농부가 종자를 파종하고 재배해서 수확하는 전 과정에 측정할 수 있는 데이터를 측정하고 기록해 저장하고, 저장된 데이터를 학습하고 추론하여 최적의 작물재배방법을 만드는 것과 같은 일을 컴퓨터 S/W로 보조 또는 대체한다는 것을 농업에 인공지능을 적용하는 것이라고 할 수 있습니다.     

[그림]에서 보시는 것은 채소가 자라는 모습을 카메라로 찍어서 이미지로 데이터화시키고, 이 데이터를 기반으로 학습하고 추론해서 현재 얼마만큼 성장했는지를 판단하고 어떤 문제가 없는지를 찾아내는 사례입니다.

원래는 농부가 자신의 지식과 경험으로 판단하던 부분을 컴퓨터 S/W가 대체를 하는 것이죠.

[그림]에 나오는 사례는 독일의 인팜이라는 실내농장 업체의 유튜브에서 가져왔습니다만 이미 이런 기술을 해외에는 다양하고 사용되고 있습니다.     

인공지능이라고 하면 우리는 어떤 연구소에서 박사님이나 대단한 전문가들이 모여서 개발하는 것으로 생각할 수 있습니다. 그러나 앞서 언급한 것과 같이 인공지능이라는 것은 개나 고양이를 훈련시키는 것과 같이 입력변수와 출력변수를 정해서 대량의 데이터만 만들면 큰 어려움 없이 적용할 수 있는 길이 많이 열려 있습니다.     

[그림]에서 보시는 것은 일본의 오이선별에 인공지능을 적용한 사례입니다.

이 사례는 오이농사를 짓는 부모님이 오이선별로 고생하는 것을 본 아들이 공개된 프로그램으로 인공지능을 기반으로 한 오이선별 프로그램을 만들고 그것이 적용된 선별기를 만든 것입니다.

[그림]의 상단에 보시는 것은 일본에 있는 노부부의 오이농장입니다.

이 오이농장은 오이를 수확하면 [그림]에서 보시는 것처럼 크기, 모양, 색상 그리고 기타 특성을 기준으로 2L에서 C까지 9단계로 분류합니다.

이 오이분류를 위해서는 상당한 지식과 경험이 필요하고 그래서 다른 사람으로 대체할 수 없는 분야입니다.

이것이 오이농사에서 노부부를 힘들게 하는 큰 원인 중 하나였습니다.

물론 기존의 자동분류기가 있기는 하지만 대부분 중량이나 길이 정도의 분류가 가능하고 그것조차도 상당히 비싼 편이었습니다.

이것을 해결하기 위해 노부부의 아들인 마코토 코이케 씨가 시도한 것이 이미지를 데이터로 한 머신러닝이었습니다.

마코토 코이케 씨는 먼저 부모님이 분류해 놓은 9단계의 오이들을 단계별로 수백 장씩 사진을 찍어 7,000장 이상의 만들었습니다.

학습에 필요한 데이터를 만든 것이죠.

오이사진이 입력변수라면 9단계의 분류가 출력변수가 되는 것으로 해서 학습데이터가 만들어지는 것이죠.

그리고 구글 오픈소스 텐서플로로 3개월간 7000장 이상의 오이사진을 머신러닝으로 학습시켰습니다.

7,000장 이상의 사진으로 학습한 인공지능이 오이를 분류할 수 있도록 라즈베리파이 등을 활용해 스스로 분류장치를 만들었습니다.     

[그림]에서 보시는 사진이 마코토 고이케시가 만든 오이를 분류하기 위한 인공지능이 적용된 분류장치입니다.

테스트이미지를 사용해 분류해 보면 95% 이상의 유효성을 나타내던 것이 실제 오이를 분류할 때는 약 70% 유효성을 나타냈다고 합니다.

컴퓨터 성능의 한계 때문에 이미지 수준이나 학습한 이미지량이 적어서 그렇다고 합니다.

마코토 코이케 씨는 다음버전은 구글의 클라우드머신러닝으로 이미지 수준도 높이고 학습량도 높여 높은 성능개선효과를 기대한다고 합니다.

마코토 코이케 씨의 사례와 같이 농업에 인공지능을 적용한다는 것은 꼭 어려운 것만은 아닙니다.

일본의 경우 멜론의 분류에서부터 추가적인 몇몇 사례도 있다고 합니다.

물론 상당한 노력이 필요한 일이고 어려운 일인 것은 맞습니다만 우리가 머릿속에 그리는 대단한 박사나 전문가가 아니라도 인공지능에 대한 기본을 이해하고 꾸준한 노력이 있다면 누구나 접근할 수 있다고 생각합니다.          

농업에 인공지능 적용은 다양한 형태로 이루어집니다.

앞서 언급한 이미지를 이용해 생육상태를 확인하는 인팜이나 이미지를 이용해 오이선별을 하는 일본 오이농가와  같이 다양한 형태로 이루어집니다. 

사실 농업에 인공지능을 적용한다는 것은 그 농업의 형태에 따라 그 어려움의 정도가 천차만별입니다.

학습하고 추론하는 것이 어려운 것이 아니라 의미 있는 데이터를 수집하는 것이 형태에 따라 쉽지 않은 부분이 많기 때문입니다.

우리가 농사를 지을 때 단순히 일사량이나 강수량, 온도, 습도와 같은 환경정보와 토양의 비옥도와 같은 정보를 수집하고, 드론을 뛰워 식물의 생육 영상을 수집한다고 해서 인공지능으로 식물의 라이프사이클 전반을 관리하고 예측할 수없습니다.

물론 아주 작은 일부분 들은 단편적으로 가능할 수 있습니다.

예를 들어 드론을 뛰워 식물의 영상을 확인하면 현재 식물 생육상태가 어떻고, 이렇게 자랄 경우 어느 정도의 수확이 예측된다와 같은 것은 가능하겠죠. 그러나 그런 예측은 계속 변화하는 날씨와 환경 들로 인해 계속 변화하고 결국 암묵지를 가진 농부의 노하우를 따라가기 어려울 경우가 많습니다.

소규모 농업위주인 우리나라에서는 투자된 비용에 비해 큰 성과를 얻을 수 없는 것이죠.

농업에 인공지능을 적용한다는 것은 결국 농산물을 생산하는 최적의 방법을 찾는 것이 목적이고, 이 목적을 달성하기 위해서는 농산물의 생산과정에 영향을 미치는 요인을 충분히 관리할 수 있어야 합니다.

내가 농산물을 생산에 필요한 여러 가지 요인 중에 관리할 수 없는 변수가 생기면 최적의 생산방법을 찾는 것도 어렵고, 최적의 생산 방법을 찾는다고 하더라도 그대로 생산하기 어렵습니다.

그렇게 되면 농업에 인공지능을 적용하는 큰 의미가 사라지게 됩니다.

결국 농업에 인공지능을 적용할 때 그 어려움의 정도를 결정하는 것은 농산물의 생산과정에 영향을 미치는 요인을 얼마만큼 내가 제어하고 통제할 수 있는가라고 할 수 있습니다.

내가 제어하고 통제할 수 있는 변수가 많으면 많을수록 농업에 인공지능을 적용하는 어려움이 줄어드는 것이죠.

이런 관점에서 보면 농업모델을 노지농업과 온실(GreenHouse) 그리고 실내농장(Indoor Vertical Farm)의 3가지로 나눌 때 농업에 인공지능의 적용 난이도는 식물공장이 가장 쉽고, 그다음이 온실, 가장 어려운 것은 노지농업이라고 할 수 있습니다.

노지농업이 온실 스마트팜보다 데이터를 축적하고 인공지능을 적용하기 어려운 것은 축적된 과거의 데이터(입력변수)와 동일한 데이터(입력변수)가 미래에  나타나기 어려울 정도로 경우의 수가 무한대에 가깝기 때문입니다.

노지농업에서 축적되는 환경 데이터(입력변수)는 대부분 날씨들이고 날씨는 한 번도 똑같은 날씨가 없기 때문입니다.

노지는 내가 예측하고 관리할 수 있는 변수가 거의 없습니다.

땅에 심는 종자, 토양의 비옥도 등과 같은 몇 가지 변수 외 거의 모든 변수를 하늘에 맡겨야 하니 인공지능에게 무한대의 변수를 주는 것이나 같습니다.

이경우는 앞서 언급한 것과 같이 아주 짧은 시간을 분석해서 단편적인 결과를 얻는 것 외는 사실 분석의 의미가 없어질 수도 있습니다.

앞서 언급한 것과 같이 드론으로 영상을 촬영하고 재배결과를 예측하는 것과 같은 단편적인 결과를 연결하는 것만 가능하게 되는 것이죠.

물론 수십 년의 긴 시간에 대한 데이터가 축적이 된다면 어느 정도 의미가 있을지 모르지만 기후변화로 예측하기  힘든 현대에서는 더욱 어려운 일이 되고 있습니다.

온실 스마트팜은 그래도 내가 관리할 수 있는 변수가 많아서 어느 정도 관리가 가능합니다.

그러나 외부 환경의 영향을 전혀 받지 않을 수가 없기 때문에 태양빛이나 온도, 습도 등의 관리를 내가 예측하기 어렵고 주어진 환경에 대응하는 개념으로 관리가 되기 때문에 상당한 데이터가 축적되어야 의미 있는 결과를 얻을 수 있습니다.

의미 있는 결과를 얻기 위해서는 재배장소의 위치나 크기를 동일하게 하고 상당히 오랜 기간 동안 재배를 하며 데이터를 축적해야 의미가 있다는 것입니다. 

그런데 실내농장은 입력되는 모든 변수를 통제하고 관리할 수 있습니다. 

즉 입력 변수에 따른 출력 변수만 철저히 측정을 한다면 데이터 축적에 따라 다양한 의미 있는 결과를 얻을 수 있습니다.

결과적으로 식물을 재배하는데 인공지능을 적용한다는 것은 식물을 재배하는 환경변수를  얼마만큼 제어할 수 있느냐가 그 난이도를 결정합니다. 

그래서 식물공장의 난이도가 가장 낮고, 그다음이 온실 스마트팜, 가장 어려운 것이 노지농업이라고 생각합니다.

저는 농업에 인공지능을 적용을 한다면 적용의 난이도가 가장 낮은 식물공장부터 시작해서 식물성장의 고유특성을 데이터화하고 그 결과를 온실 스마트팜, 노지농업으로 확대하는 방식을 추천드리고 싶습니다.     

이렇게 농업에 인공지능을 적용하는 스마트파밍은 정밀농업과 관계가 있습니다.

정밀농업이라는 것은 말 그대로 ICT기술을 포함해서 다양한 기술을 적용해서 물, 비료, 노동력 등 농업에 투입되는 자원을 최소화하고 생산량을 극대화하는 방식입니다.

원래는  생산량의 극대화에 초점이 맞추어져 있었습니다만 최근에는 자연에 미치는 환경부담을 줄이기 위해 물, 비료, 노동력 등 농업에 투입되는 자원의 최소화에 초점이 맞추어지고 있습니다.

보시는 것처럼 작물재배를 위해 종자를 준비하고, 환경을 확인하고, 생육을 관리하고, 수확하는 모든 과정에서 발생하는 정보를 수집하고 분석해서 최소의 투자로 생산량을 극대화해야 하는 것이 정밀농업입니다.

작물재배의 전 과정에서 발생하는 데이터를 수집하고 분석해 최적의 재배방법을 도출하는 데 사용되는 것이 인공지능입니다.

농업의 생산성 뿐만이나라 농업이 환경에 미치는 영향을 줄이고, 오염을 줄이는 것도 결국 인공지능을 통한 정밀농업으로 가능한 일입니다.