노르웨이 연어 양식장에서 테스트된 자기지도 학습(self-supervised) AI 시스템은 증상이 나타나기 3~5일 전에 질병 징후를 포착하고, 최대 6시간 전의 산소 수치 저하를 94%의 정확도로 예측하며, 사료 낭비를 23% 줄였습니다. 이 획기적인 성과는 자동화를 저해해 온 방대한 수동 라벨링 데이터셋 없이도 양식업에서 조기 경보를 받을 수 있음을 보여줍니다.
양식업에 새로운 접근 방식이 필요한 이유
양식장은 끊임없이 변화하는 환경에 놓여 있습니다. 계절적 조수 변화, 온도 변동, 갑작스러운 화학적 변화는 센서 데이터 스트림을 노이즈가 많고 불완전하게 만듭니다. 물고기의 행동 자체도 몇 분 단위의 급격한 움직임부터 몇 달에 걸친 성장 주기까지 다양합니다. 질병이 발생하면 빠르게 확산되어 한 시즌의 수확물을 전멸시킬 수 있습니다. 모든 이상 징후에 대해 충분한 라벨링된 사례를 수집하는 것은 비현실적입니다. 질병 발생은 드물며, 모든 지느러미의 움직임이나 수질 측정값을 태깅하는 비용은 양식장의 수익 마진보다 더 클 수 있기 때문입니다.
자기지도 학습 솔루션
이 새로운 시스템은 데이터가 스스로 학습할 수 있도록 하는 2단계 아키텍처를 사용합니다.
1단계 – 시간적 인코더(Temporal encoder)
대조 학습(contrastive learning) 루틴을 통해 시간적으로 가까운 관측값들로부터 "양성(positive)" 쌍을 형성하고, 멀리 떨어진 관측값들로부터 "음성(negative)" 쌍을 형성합니다. 인코더는 내부 표현(internal representation)에서 양성 쌍은 가깝게 끌어당기고 음성 쌍은 멀리 밀어냄으로써, 사람이 제공한 라벨 없이도 반복되는 패턴을 추출합니다.
2단계 – 체화된 의사결정 에이전트(Embodied decision agent)
학습된 패턴은 산소 수치를 조절하거나, 사료 공급 일정을 변경하거나, 경보를 울릴 시점을 결정하는 에이전트에게 전달됩니다. 각 행동의 결과는 다시 인코더로 피드백되어, 연속적인 루프를 통해 패턴 라이브러리를 정교화합니다.
세 가지 기술적 난제 극복
- 데이터 누락 – 부유식 가두리 양식장의 센서는 종종 연결이 끊깁니다. 마스크 시간적 인코딩(masked temporal encoding) 기술은 모델이 데이터 공백을 무시하도록 학습시켜, 네트워크가 잘못된 신호에 집착하는 것을 방지합니다.
- 다양한 시간 척도 – 멀티스케일 인코더(multi-scale encoder)는 빠르게 변하는 비디오 프레임과 천천히 변하는 화학적 측정값을 함께 처리하여, 단기적인 급변(spike)과 장기적인 추세를 모두 포착합니다.
- 기존 지식의 망각 – 새로운 계절이 오면서 환경 조건이 바뀌더라도, 탄성 가중치 통합(elastic weight consolidation) 기술을 통해 이전에 학습된 패턴을 보존하는 동시에 모델이 적응할 수 있도록 하여 치명적 망각(catastrophic forgetting)을 방지합니다.
수치가 양식업자에게 의미하는 것
- 질병 조기 발견: 질병을 3~5일 전에 포착함으로써 운영자는 해당 가두리를 격리하고, 치료를 실시하며, 확산을 차단할 수 있는 시간을 확보할 수 있습니다.
- 산소 관리: 산소 고갈을 94%의 정확도로 예측함으로써 양식장은 선제적으로 물에 공기를 공급(aeration)할 수 있으며, 스트레스로 인한 폐사를 방지할 수 있습니다.
- 사료 효율성: 식욕 주기를 학습함으로써 사료 낭비를 거의 4분의 1가량 줄였으며, 이는 사료 비용 절감과 환경 유출수 감소로 이어졌습니다.
요약
자기지도 학습 AI는 노이즈가 많고 불완전한 센서 데이터 스트림을 실행 가능한 통찰력으로 전환하여, 모든 데이터 포인트를 라벨링하는 비용이 많이 드는 노동 없이도 질병 조기 경보, 정밀한 산소 예측, 상당한 사료 절감 효과를 제공합니다. 낮은 수익 마진과 환경 보호 사이에서 균형을 맞춰야 하는 양식업계에 있어, 이러한 능력은 양식장 운영 방식을 재편할 수 있습니다.