가끔 집에 혼자 있을 때 갑작스럽게 들리는 냉장고 소리에 당황해 본 적은 없으세요? 순간 깜짝 놀라기도 하지만 혹시나 냉장고에 무슨 문제가 발생한 게 아닐까 하는 걱정도 하게 됩니다. 보통 기계에서 소음이 발생하면 왠지 고장 난 것 같아 불안해지거든요. 그럴 때 수리 기사님을 부르면, 어떤 소리를 들었는지 여쭤보시고 정상적인 소리인지 혹은 어떤 장비나 부품에 이상이 발생했고, 어떤 조처를 해야 하는지 말씀해 주십니다.
이처럼 특정 환경에 오래 노출되어 ‘소리’와 관련된 여러 경험이 쌓이면, 사람들은 쉽게 정상적인 소리와 비정상적인 소리를 구별할 수 있게 되거나 특정 소리가 가진 특장점에 대한 지식을 갖게 됩니다. 마치 한 분야의 달인처럼 말이에요. 소리에는 여러분의 생각보다 꽤 많은 정보가 담겨 있거든요.
[ 
Anomaly Detection?]
일반적인 때와 다른 특이한 경우가 발생했을 때 이를 알아차리는 것을 ‘이상 탐지(Anomaly Detection)’라고 합니다. 특이한 경우라고 하면 정상 범주를 벗어난 이상적인 행태를 의미하며, 더욱 단순히는 불량, 가짜, 노이즈, 오류 등이라고 말할 수 있습니다. 가령 갑자기 서버 트래픽이 미친 듯이 증가하게 된다면 DDoS와 같은 공격일 수도 있고, 금융에서도 가령 30분 전에는 서울에 있는 편의점에서 결제가 이뤄졌는데 갑자기 30분 후에 서울이 아닌 국내 지역 혹은 해외에서 비정상적인 금액의 결제가 이뤄졌다면 이상 거래임을 의심해볼 수 있습니다. 혹은 차의 엔진 소리만 듣고 이상 여부를 아는 달인들도 있고요. 현실의 많은 분야에서 정상과 비정상을 구별해내야 하는 상황들이 발생하고 있기에, 금융, 의학, 보안, 제조업 등 다양한 분야에서 anomaly detection은 사용되고 있습니다.
우리에게 조금 더 와닿는 경험으로 한 번 anomaly detection을 비유해보겠습니다. 연인과 알콩달콩한 연애를 하시는 분들이라면, 직접 이 질문을 해보신 적도 있을 거고 혹은 들어본 적도 있으실 거예요. 바로 ‘나 뭐 달라진 거 없어?’ 입니다. 사실 이 질문에 대답하는 건 굉장히 어려운 일입니다. 왜냐하면 ‘달라진 거’는 여러 기준에서 발생할 수 있는데, 그 기준은 달라진 부분이 속한 분야에 대한 정보가 없다면 쉽게 알 수 없는 내용이기 때문입니다. 이 질문의 요지는 일반적으로 평소에 비해서 무엇이 달라졌냐? 에 대한 답을 잘 해야 한다는 것인데, ‘평소에 비해서’ 라는 부연 설명은 결국 무언가 다른데 어딘지 모를 곳이 한 끗 달라졌다는 것입니다. 머리 모양이라든지 안경의 유무 등은 쉽게 알아차릴 수 있지만, 가령 평소와 다른 색상의 화장품 혹은 어제와 다른 벨트 모양 등 세세한 부분이 달라졌을 때는 단번에 알아차리기 어렵습니다.
그래서 anomaly detection의 가장 어려운 부분은 모든 상황에 있어 정상적인 상태를 파악하고, 여러 기준점에 부합해 관찰하며 모든 기준에 대응할 수 있어야 한다는 것입니다. 우리가 흔히 사용하는 classification 기술과 기술적으로 가장 다른 부분이 여기서 드러납니다. Classification에서는 ‘U와 V를 구분하라!’ 라는 정답지가 존재하는 반면, anomaly detection은 ‘기존의 데이터 분포와 많이 다른 부분을 찾아줘!’ 라는 조금 다른 관점에서 데이터를 분석한다고 볼 수 있거든요.
[Anomaly detection은 왜 중요할까요?]
(출처: 트위터 (@wannataltwe))
Anomaly detection이 중요한 이유는 실생활에서 발생할 수 있는 위험 상황에 대한 피해를 방지할 방안이기 때문입니다. 이상 탐지는 실시간으로 정상적인 활동에서 벗어난 패턴이나 행동을 식별할 수 있기에, 금융권에서는 부정행위나 사기 탐지, IT 업계에서는 시스템에서 발생할 수 있는 장애를 막을 수 있고, 제조업에서는 불량 공정으로 이어질 수 있는 상황을 미리 방지할 수 있습니다. 프로덕트를 생산해내는 생산자뿐만 아니라 사용하는 사용자의 사용성에도 큰 영향을 미칠 수 있기에 이상 탐지는 필수적입니다.
사람은 자연스럽게 직·간접 경험을 통해 본인의 감을 발달시켜 나갑니다. 가령 우리가 ‘싸하다’라고 느낄 때, 싸하다는 그냥 감각이 아닌 우리가 살아온 인생 경험에 대한 빅데이터라는 말이 있습니다. 평소와 다른 상황에 부닥쳐있을 때, 논리적으로 설명할 수는 없지만, 그동안 경험했던 모든 데이터를 바탕으로 빨리 결정을 내려 행동해본 경험이 한 번씩은 있으실 거예요. 사람들이 보통 ‘경험(=체화된 패턴)’을 통해 이런 anomaly detection의 감을 익힌다면, AI 모델은 학습을 통해 여러 기준에 따른 변수를 미리 인지하고, 변수가 발생했을 때 어떤 일이 일어났는지 문제 요소를 사전에 파악해 비정상적인 상황에 대처합니다.
[Cochl의 anomaly detection]
이처럼 소리를 통해 여러 방식으로 이상 탐지를 할 수 있는데요, 기존에는 특히나 기계 장비의 결함에 있어서 사람의 ‘감’이나 ‘경험’이 불량을 탐지하는 주요 요소였다면 이제는 학습된 ‘AI 모델’을 통해서 더욱 높은 정확도를 바탕으로 이상 탐지를 해낼 수 있습니다. 그렇다면 Cochl은 왜 소리를 이용해 이상 탐지를 하게 되었을까요?
Cochl은 소리 인식과 관련된 기반 기술을 보유하고 있고, 이 기술을 바탕으로 API 혹은 SDK 형태로 사용자들이 기술을 사용할 수 있게끔 하고 있습니다. 범용적으로 여러 가지 소리를 인식할 수 있다는 것은 여러 소리가 가진 세세한 특성 차이(평소와 다른 색상의 화장품, 혹은 벨트의 디자인)을 높은 정확도로 구별할 만큼 유용한 특징들을 오디오에서 추출할 수 있다는 말입니다. 그렇기에 기존에 학습되지 않은 소리가 인식되더라도, 기존의 소리와 얼마나 다른지를 ‘정량적’으로 측정하는 것도 가능합니다.
Automotive 산업에서 적용할 수 있는 anomaly detection
가령 저희의 이상 탐지 기술을 이용하고 있는 ‘A사’의 사례를 소개해드리자면, A사는 자동차체 필요한 부품을 만드는 회사로 창문에서 이상 소음이 발생하는 불량품을 제거하는 것을 목표로 합니다. QA/QC (Quality Assurance / Quality Control)를 더욱 효율적으로 하기 위해 저희 기술을 도입했습니다. 기존에는 공장 내 방음실을 만들어 놓고, 사람이 들어가서 직접 듣는 방식으로 이상 여부를 점검했었지만 위 방식은 아래와 같은 문제점들이 있었습니다.
기존 이상 탐지 방식의 문제점
- 방음실 초기 구축 비용
- 지속해서 발생하는 인건비
_ 검수를 담당하는 인력의 인적 오류 및 의존도 (e.g, 숙련도와 피로 누적에 따른 검출률 차이, 히스토리 부재)
다만 Cochl의 기술을 도입한다면 인건비를 낮추고, 사람이 일하면서 발생하는 인적 오류를 줄일 수 있다는 장점이 있습니다. AI는 일관된 조건으로 같은 작업을 수행할 수 있기에 오검출률을 줄이고 사람의 개입을 줄여, 보다 사람이 더 생산적인 일을 할 수 있게끔 작업환경을 구성할 수도 있고요.
이전에는 사람이 숙련된 경험을 통해서 이런 이상을 감지할 수 있었다면, AI를 통해 더욱 쉽고, 빠르게 원인을 파악하고 오류를 찾아낼 수 있습니다. 물론 여전히 세상에는 AI가 따라잡지 못할, ‘사람’만이 할 수 있는 일들이 분명 존재하며 AI가 모든 인력을 대체할 수 있지는 않습니다. 하지만 AI는 짐을 덜어줄 수 있는 보조적인 도구로서 충분히 그 임무를 수행해 낼 수 있고요.
Cochl이 제공하는 이상 소음 탐지 기술이 궁금하시다면 편하게 contact@cochl.ai로 연락해주세요 읽어주셔서 감사합니다.
읽어주셔서 감사합니다.