딥러닝 기반 대규모 인프라 고장 진단의 XAI 자동화: 드론과 AI의 만남

본 연구는 딥러닝 모델의 편향성 및 비인과적 단축 경로 문제를 해결하기 위해 XAI 기반 자동화 프레임워크를 제시합니다. 드론 이미지 기반 송전망 설비 모니터링에 적용하여 분류 정확도를 향상시키고 유지보수 작업량을 줄였으며, 기존 방법 대비 우수한 성능을 보였습니다.

인공지능(AI)이 대규모 인프라 시설의 안전과 효율성을 높이는 시대가 도래했습니다. 특히 딥러닝(DL) 모델은 이미지 분석을 통해 인프라 구성 요소의 상태를 정확하게 파악하는 데 탁월한 능력을 보여주고 있습니다. 하지만 이러한 모델은 때때로 편향된 판단을 내리거나, 원인과 결과의 관계가 아닌, 우연한 단서에 의존하는 '단축 경로'에 의존하는 문제점을 가지고 있습니다.

이러한 문제를 해결하기 위해 등장한 것이 바로 설명가능한 인공지능(XAI) 입니다. XAI는 AI의 의사결정 과정을 투명하게 보여주어 신뢰성을 높이고 편향성을 제거하는 데 도움을 줍니다. 하지만, XAI가 생성하는 설명들을 사람이 일일이 분석하는 것은 시간이 많이 걸리고 실수의 가능성도 높습니다.

그래서 등장한 것이 바로 이번 연구입니다. Giovanni Floreale, Piero Baraldi, Enrico Zio, Olga Fink 등의 연구자들은 XAI의 설명을 자동으로 처리하는 획기적인 프레임워크를 개발했습니다. 이 프레임워크는 사후 설명과 반지도 학습을 결합하여 정상적으로 분류된 이미지의 설명과 다른, 이례적인 설명들을 자동으로 식별합니다. 이는 모델의 비정상적인 동작을 나타내는 신호일 수 있습니다.

이 프레임워크는 드론으로 촬영한 송전망 설비(절연체 껍질) 이미지에 적용되었습니다. 두 가지 종류의 합성곱 신경망(CNN), GradCAM 설명, 그리고 심층 반지도 이상 탐지 기법이 활용되었습니다. 그 결과, 두 가지 결함 유형에 대한 평균 분류 정확도가 8% 향상되었고, 유지보수 담당자는 전체 이미지의 단 15%만 수동으로 재분류하면 됩니다.

연구진은 또한 충실도 측정 기반의 기존 방법과 비교 분석했습니다. 실험 결과, 새로운 프레임워크가 일관되게 더 높은 F1 점수를 달성했으며, 절연체 껍질에 인쇄된 ID 태그와 같은 비인과적 단축 경로로 인한 잘못된 분류까지도 성공적으로 식별했습니다.

결론적으로, 이 연구는 XAI와 자동화 기술을 결합하여 대규모 인프라 시설의 효율적인 유지보수 및 안전 관리에 새로운 가능성을 제시했습니다. 이는 단순히 기술의 발전을 넘어, 인간과 AI의 협력을 통해 더 안전하고 지속가능한 미래를 구축하는 중요한 발걸음입니다. 앞으로 이 기술이 더욱 발전하여 다양한 분야에 적용될 것을 기대하며, 더욱 안전하고 효율적인 사회를 만들어가는 데 기여할 것이라 확신합니다.