마이크로소프트 HASTE 공개 — 위성영상으로 재난 건물 피해를 2분 만에 판정하는 오픈소스 AI 도구

핵심 메시지

• 마이크로소프트 AI for Good 랩이 재난 직후 건물 피해 판정을 돕는 오픈소스 도구 HASTE를 공개하고 사용법을 공개 세미나로 설명했다.
• 이 팀은 2023년부터 13개국 19건의 재난에 대응해 피해 지도를 만들어 왔고, 그 경험을 도구 형태로 정리했다.
• 핵심 아이디어는 '모든 재난에 두루 통하는 모델'을 만들지 않고, 재난이 터질 때마다 그 장면 전용 모델을 즉석에서 학습시키는 것이다.
• 2023년 하와이 라하이나 산불 대응은 4시간이 걸렸지만, 같은 작업을 HASTE로 재현하니 1분 32초 만에 비슷한 정확도가 나왔다.
• 가장 큰 병목은 알고리즘이 아니라 재난 직후 위성·항공 영상을 확보하는 일이라고 팀은 말했다.

쉽게 이해하기

마이크로소프트의 AI for Good 랩은 회사의 사업 조직에 속하지 않은 순수 자선 성격의 연구 조직이다. 랩을 이끄는 후안 레비스타는 금전 기부 대신 연구 인력의 시간을 기부하기로 한 것이 이 조직의 출발점이었다고 설명했다. 이들이 몇 해 전부터 매달려 온 일이 재난 직후의 건물 피해 판정이고, 이번에 그 과정을 도구로 묶어 오픈소스로 내놓은 것이 HASTE다.

작업의 목표는 단순하다. 재난이 지나간 뒤 촬영된 고해상도 위성·항공 영상에서 지역 내 모든 건물을 훑어 '피해 있음/없음'으로 분류하고, 그 결과를 현장 대응 기관에 넘기는 것이다. 다만 이 문제는 생각보다 까다롭다. 구름과 연무가 끼고, 위에서 곧바로 내려다본 영상이 아니라 건물 옆면이 보이는 각도로 찍히기도 하며, 시간대가 다른 영상이 이어 붙기도 한다. 재난마다 피해가 영상에 드러나는 모습도 전혀 다르다.

발표를 맡은 수석 연구원 케일럽 로빈슨은 그래서 '모든 재난에 일반화되는 하나의 모델'을 목표로 삼지 않았다고 말했다. 재난이 터진 그 순간이야말로 모델을 새로 손보거나 디버깅하기에 가장 나쁜 시점이기 때문이다. 대신 어떤 영상 조건에서도 높은 신뢰도로 결과를 뽑을 수 있는 작업 흐름을 만들었다. 사후 영상에 직접 라벨을 달고, 바로 그 영상으로 모델을 학습시키기 때문에 일반화 문제 자체가 생기지 않는다.

HASTE에는 두 갈래 방식이 담겨 있다. 첫 번째는 영상 위에 건물·잔해·구름 같은 영역을 폴리곤으로 그려 픽셀 단위 분류 모델을 학습시키는 방식으로, 정확하지만 GPU 학습에 한 시간가량이 걸린다. 두 번째는 최근 도입한 방식으로, 오픈스트리트맵이나 오버추어에서 받아 온 건물 외곽선마다 파운데이션 모델의 임베딩을 요약해 두고, 브라우저 안에서 로지스틱 회귀 같은 가벼운 분류기를 즉석에서 학습시킨다. 클릭 한 번에 모델이 다시 학습되고 화면의 모든 건물에 대한 예측이 갱신된다.

시연에서 로빈슨은 2023년 마우이 라하이나 산불 영상을 띄워 놓고 불탄 건물과 멀쩡한 건물을 드래그로 찍어 나갔다. 라벨 195개를 만든 시점에 5겹 교차검증으로 피해 클래스 정밀도 97%, 재현율 96%가 나왔다. 실제 하와이주가 공개한 라벨과 비교한 실험에서는 1분 32초 만에 정밀도 98%, 재현율 77%, F1 87%에 도달했다. 2023년 당시 같은 결과를 내는 데 4시간이 걸렸던 작업이다.

주요 인사이트

• 이 팀의 선택은 '더 큰 범용 모델'이 아니라 '현장에서 몇 분 만에 다시 학습되는 작은 모델'이다. 재난 대응처럼 시간이 곧 가치인 영역에서는 일반화 성능보다 반복 속도가 더 중요할 수 있음을 보여 준다.
• 정확도 검증을 두 층으로 나눈 점도 눈여겨볼 만하다. 라벨 기준 교차검증은 모델이 내 판단을 잘 따라오는지를 보는 것이고, 별도로 무작위 추출한 200개 건물을 직접 라벨링해 만드는 검증 리포트는 실제 성능을 추정하는 용도다. 로빈슨은 지상 실측 자료와의 비교도 따로 해야 한다고 못 박았다.
• 도구가 잘 듣지 않는 상황도 솔직하게 공개됐다. 미얀마와 아프가니스탄 지진처럼 피해가 넓게 흩어져 있고 재난 전 건물 외곽선 데이터가 부실하거나 아예 없는 지역에서는 오탐이 많았다. 건물 형태가 사각형이 아니어서가 아니라, 피해 사례 자체를 찾기 어려웠던 것이 원인이었다.
• 홍수는 별도의 과제로 남아 있다. 파트너들이 원하는 정보는 '피해 여부'가 아니라 침수 깊이인데, 이는 건물이 얼마나 상했는지를 가늠하는 지표이기 때문이다. HASTE는 분류 체계를 바꿔 침수 영역을 정의하는 방식으로 일부 대응할 수 있다.
• 기술보다 앞선 병목은 영상 확보다. 마이크로소프트는 자체 위성이 없어 플래닛랩스 같은 파트너의 재난 활성화 정책에 기대고 있으며, 플래닛 측은 최근 베네수엘라 지진처럼 개방 라이선스로 영상을 푸는 방향으로 옮겨 가고 있다고 밝혔다.

자주 묻는 질문

관련 AI 소식