1. 서 론

사물인터넷(Internet of things, IoT), 클라우드 컴퓨팅(Cloud computing), 모바일 디바이스 등 정보통신기술의 발전으로 인해 현대 사회에서는 많은 양의 데이터가 실시간으로 생산, 수집, 공유되고 있다. 이러한 빅데이터(Big data)는 대용량(Volume), 빠른 속도(Velocity), 정확성(Veracity), 다양성(Variety)과 같은 특징을 가진다(EXCELACOM, 2016). 기존의 일반적인 데이터베이스 관리 도구로는 빅데이터를 효과적으로 분석하기 어려우므로, 이를 효과적으로 분석할 수 있는 기술들이 최근 주목을 받고 있다(TechTarget, 2018a).

빅데이터 분석을 위한 방법의 하나로서 딥러닝(Deep learning) 등 머신러닝(Machine learning) 기술이 급속도로 발전하고 있다(Miyake and Moricawa, 2017). 특히, 의료, 제조, 금융, 자동차, 도시 등의 분야에서는 머신러닝 기술의 구체적인 적용사례들을 찾아볼 수 있다(CC&I RESEARCH, 2019, IFEZ, 2019, KTNexR, 2019, ECMiner, 2017, GATENEWS, 2017). 또한, 해외에서는 광업 분야에 머신러닝 기술을 도입하기 위한 다양한 프로젝트들이 시작되고 있다(Emerj, 2019, CIM MAGAZINE, 2018, Goldspot Discoveries, 2018, Mining Magazine, 2018). 그러나 국내에서는 광업 분야에 머신러닝 기술을 도입한 사례를 현재까지 찾아보기 어렵고, 이를 위한 기초연구도 매우 부족한 실정이다. 머신러닝 기술을 국내 광산 현장에 효과적으로 도입하기 위해서는 기존의 활용사례들을 조사하고, 분석할 필요가 있다.

본 논문에서는 머신러닝 기술의 국내 광업 분야 도입을 위한 기초연구로서 머신러닝 기술이 타 산업 분야에서 어떻게 활용되고 있는지 조사하고, 최근 해외에서 시도되고 있는 광업 분야 머신러닝 프로젝트들을 분석하였다.

2. 머신러닝 기술의 분류 및 특징

머신러닝은 컴퓨터가 사용자의 의도에 의해 축적된 데이터로부터 스스로 학습하는 기술이며, 인공지능(Artificial intelligence) 기술의 하나로서 1980년대부터 개발되기 시작했다. 머신러닝에서 사용되는 학습 방법은 크게 지도 학습(Supervised learning), 비지도 학습(Unsupervised leaning), 강화 학습(Reinforcement learning)으로 구분할 수 있다(Fig. 1). 지도 학습은 결과를 알고 있는 훈련 데이터로부터 예측을 위한 함수를 유추하는 학습 방법이다. 즉, 결과를 아는 데이터로부터 예측 모델을 학습시킨 후 이 모델을 새로운 데이터의 분석을 위해 적용하는 기술이다. 비지도 학습은 정해진 정답 없이 축적된 데이터를 이용해 컴퓨터가 군집화 작업을 수행하는 기술이다. 비지도 학습 방법은 결과를 모르는 상황에서 최선의 예측을 수행할 때 유용하게 활용될 수 있다. 강화 학습은 시뮬레이션을 통한 반복 학습을 통해 컴퓨터에 피드백을 주어 사용자가 원하는 목적에 맞게 행동하도록 만드는 방식이다. 가장 적절한 행동 과정을 학습하기 위해선 행동의 결과를 스스로 인식해야 한다는 점에서 비지도 학습이라고 볼 수 있다(Jung, 2018).

머신러닝에 사용되는 알고리즘에는 결정트리(Decision tree), 클러스터링(Clustering), 인공신경망(Artificial neural network) 등이 있다. 이 중 인공신경망은 서로 연결된 여러 신경 세포들이 신호를 나누어서 주고받는 신경망 구조와 비슷한 방식으로 동작한다. 정보를 가지고 있는 데이터가 입력층(Input layer)에 입력되면 중간층(Hidden layer)에서 나누어 연산을 수행하며 그 결과를 다시 출력층(Output layer)에서 모아 최종적인 결과를 산출한다. 최근 주목받고 있는 딥러닝은 머신러닝 기술의 하나로서 인공신경망을 심화시킨 알고리즘이다(Jung, 2018). Fig. 2는 인공지능, 머신러닝, 딥러닝의 관계를 보여준다.

Fig. 1.

Comparison of supervised learning, unsupervised learning and reinforcement learning methods (modified from Jung, 2018)

Fig. 2.

Relationship between artificial intelligence, machine learning and deep learning (modified from NVIDIA, 2016)

3. 머신러닝 기술의 타 분야 활용사례

3.1 의료 분야 활용사례

INFINITT(2019)는 의학영상 정보시스템 PACS(Picture Archiving and Communication System)에 머신러닝 기술을 접목하여 의사들의 의사결정에 도움을 주는 기술을 개발하였다(Fig. 3). PACS는 X선, CT, MRI 등에 촬영된 방사선 검사 결과를 디지털 이미지로 변환시켜 영상의학 전문가가 모니터를 통해 판독할 수 있도록 지원하는 시스템이다(TechTarget, 2018b). 이 시스템에서 머신러닝을 통해 영상의학 전문가의 영상 판독 사례들을 분석한 학습모델을 생성하면, 새로 획득한 영상에 대해 유사한 질환으로 유추되는 기존 영상을 검색할 수 있고, 작성한 판독문이 오류가 있는지 실시간 감지하여 자동으로 수정할 수 있다. 또한, 딥러닝을 통해 영상에 있는 질환을 진단하여 의사에게 확률이 높은 질환이 무엇인지 알려줄 수 있다. PACS에 머신러닝 기술을 접목한 결과 기존에 사람이 수작업으로 진행하던 영상판독 업무를 인공지능으로 대체하여 의료 분야의 생산성을 높일 수 있었다(INFINITT, 2019, GATENEWS, 2017, MEDIGATE, 2017).

Fig. 3.

PACS viewer for supporting medical image analysis (INFINITT, 2018)

3.2 제조 분야 활용사례

ECMiner는 빅데이터를 분석하는 데이터마이닝 소프트웨어인 ECMiner^TM와 실시간 모니터링 및 이상 진단을 위한 시스템인 ECMinerIMS^TM을 개발하였다. ECMinerIMS^TM은 데이터마이닝 기반 지능형 감시 시스템으로 실시간으로 품질을 예측하고, 공정을 감시하여 이상 발생 시 즉시 조치할 수 있도록 한다. 또한, 이 시스템을 ECMiner^TM에 탑재하여 실시간으로 데이터를 추출하고 분석함으로써 사용자의 의사결정에 도움을 줄 수 있다(Fig. 4).

기존의 시스템은 통계 공정 제어 방법론에 따라 변수를 개별적으로 감시하기 때문에 물리적 상관관계를 감지할 수 없었다. 따라서 이상이 발생하여도 별도의 조치 없이 제품이 계속 생산된다는 한계점이 있었다. 그러나 ECMiner에서 개발한 시스템은 다변량 통계공정제어 방법에 따라 물리적 상관관계가 고려된 모니터링을 수행하며 이상이 발생하면 즉시 원인을 규명하고, 운전 현황을 가시화할 수 있다(ECMiner, 2019, ECMiner, 2017).

Fig. 4.

Overview of the ECMiner^TM and ECMinerIMS^TM systems (modified from ECMiner, 2017)

포스코에서는 이 시스템을 일부 수정하여 포항 제철소 고로 내부온도를 유지하는 데 활용하였다. 철광석과 석탄을 녹여 쇳물을 만드는 고로의 내부온도는 항상 1500°C에 맞춰져야 하는데, 고로 내부를 보기 위해서는 1200°C의 열풍을 들여보내는 통로인 풍구로 사람이 직접 연소 상태를 확인해야 했다. 그러나 이 시스템을 이용하면서 고로 공정 상태에 대해 조업자의 조업방식을 학습하여 데이터마이닝과 머신러닝 알고리즘을 기반으로 고로 내부온도를 예측할 수 있었다. 또한, 고로의 작업 상황을 가시화하여 사용자가 의사결정을 하는 데 도움을 줄 수 있었다(ECMiner, 2018).

3.3 금융 분야 활용사례

신한DS는 빅데이터와 머신러닝 기술을 활용하여 이상 행위 탐지시스템(Fraud Detect System, FDS)을 개발하였다. FDS는 데이터 수집 및 분석, 모니터링·판단, 대응으로 구성된 프로세스를 통하여 이용자 혹은 기업의 금전적 손실, 정보 유출 등의 이상 행위를 탐지하고 차단하기 위한 시스템이다(Lim, 2017). FDS는 내부 사용자의 네트워크 시스템과 업무 시스템, 개인정보 처리 시스템 등의 로그 및 기준 정보를 실시간으로 수집하여 사용자가 보안 상태를 분석하고 사후 처리할 수 있는 기능을 제공한다. 보안 상태를 분석할 때 탐지 정보 및 추출 조건을 조합하여 시나리오 탐지 조건을 설정하며, 개인정보 이용 패턴의 범위를 벗어나는 상황에 대해 300여 개의 머신러닝 알고리즘을 이용하여 분석할 수 있다. 정상업무에 대한 사용자의 업무 패턴 프로파일링 정보에 기반을 두어 보안 위험 지표를 산출하는 기준을 차등 적용하여 내부에 이상 징후가 있는지 실시간으로 현황을 확인할 수 있다. 이를 통해 신한생명의 보안사고 모니터링 및 임직원들의 경각심을 일으켜 보안 위험을 최소화할 수 있었다. 또한, 정보 유출에 따른 대응비용도 줄이고, 추가적인 관리 비용도 절감할 수 있었다(ShinhanCardBlog, 2017).

3.4 자동차 분야 활용사례

자율주행차는 운전자의 주행 조작 없이 스스로 주변 환경을 인지하고, 위험을 판단하여 움직이는 자동차를 의미하며 현재 시점에서는 시험주행 단계에 있다. 국내외에서 자율주행차에 대한 개발과 시장진입을 추진하고 있지만, 완전 자율주행을 위해서는 차량과 이동통신 네트워크 기술을 결합한 차량 플랫폼 기반의 초연결성 서비스가 구축되어야 한다. 향후 이러한 서비스의 실현을 위해서는 자동차로부터 얻은 데이터를 요구사항에 맞게 분석할 필요가 있다(Digital trend, 2017).

현재 국내에서는 KT NexR에서 현대기아자동차의 차량 제어 센서 데이터를 분석하는 프로젝트가 진행되었다. 차량에 부착된 IoT 센서 데이터는 시간당 수십 MB 단위의 비정형 형태로 발생한다. 이 데이터는 기존의 관계형 데이터베이스로 수용하기엔 부적합하고, 대량의 로그를 수용하기엔 기술적, 비용적 한계가 있었다. 따라서 이러한 비정형 데이터 분석을 위해서 KT NexR은 NDAP(NexR Data Analytics Platform)을 기반으로 빅데이터 플랫폼을 구축하였다. 이 플랫폼은 효율적인 비용으로 Scale-out 구조의 확장성을 보장하는 Hadoop의 주요 핵심 기능들을 표준화하여 엔터프라이즈 환경에 최적화된 성능을 제공한다. 또한, 오픈소스 R과 Hive를 이용하여 차량 결함을 탐지할 수 있는 예측 모형을 개발하였다. 이를 통해 차제 기울기 및 차량의 운행상태를 분석할 수 있고, 결함이 발생하기 전에 리콜 비용을 절감할 수 있다. 차량의 연비 및 소모품 내구력과 관련된 요인과 개인의 운행 패턴을 분석할 수 있으므로 고객 개인화 서비스가 가능하다(KTNexR, 2019).

3.5 도시 분야 활용사례

스마트 시티는 사물인터넷 센서로 얻은 빅데이터 정보를 분석해 각종 도시문제를 해결하고 시민의 삶의 질을 높이는 서비스를 제공한다. IFEZ와 인천스마트시티에서는 인천광역시에 위치한 세 개의 지구를 통합관리 및 운영할 수 있는 스마트 시티를 만들었다. 송도, 청라, 영종에 설치된 IoT 센서를 통해 얻은 데이터에 기반을 두어 시설들을 통합 관리할 수 있는 Smart City 운영센터를 만들어 시민들에게 24시간 스마트교통, 스마트방범, 스마트방재, 스마트 환경 서비스를 제공하고 있다(Fig. 5). 총 18,744개의 장비와 시설물의 실시간 자료를 수집하고 양질의 정형, 비정형 데이터를 저장 및 관리하고 있다. 교통 분야에서는 시간대별 교통량을 분석하거나, 방법 분야에서는 문제 차량을 발견하면 주변 CCTV를 통해 해당 차량을 감시한다. 또한, 치안사고 발생지역을 중심으로 모니터링을 수행함으로써 시민의 편의를 제공하고 정책 의사결정 데이터의 기초자료를 제공할 수 있다(IFEZ, 2019).

Fig. 5.

Smart City System architecture (modified from IFEZ, 2019)

4. 머신러닝 기술의 광업 분야 활용사례

4.1 Goldcorp과 IBM의 Red Lake 광산 프로젝트

Goldcorp는 캐나다의 Ontario주에 있는 Red Lake 광산에서 추가적인 금 매장량 확보를 위해 IBM과 공동 프로젝트를 수행하였다(MINING, 2017). Red Lake 광산의 금 매장량은 2020년에 고갈될 것으로 예상되었고, 이 광산을 지속적으로 운영하기 위해서 추가적인 탐사가 필요했다. Goldcorp의 지질학자들은 IBM의 Watson 인공지능 슈퍼컴퓨터로 탐사자료를 해석하여 신규 광체를 발견할 수 있고, 광산 개발 계획의 효율성을 높일 수 있었다. Watson은 머신러닝 기술로 수 백 만개의 코어 샘플과 3D 모델, 지도, 지질 빅데이터를 학습하여 탐사자료 해석을 수행하였다. 현재에도 Goldcorp는 Red Lake 광산의 80년 이상 축적된 데이터를 Watson의 데이터베이스에 업로드하고, Watson 머신러닝 기술을 활용하여 효율적인 탐사를 수행하고 있다(CIM MAGAZINE, 2018).

4.2 Komatsu와 NVIDIA의 중장비 솔루션 개발 프로젝트

건설 및 광업 분야 중장비 제조업체인 Komatsu는 NVIDIA와 중장비용 머신러닝 솔루션 개발을 위한 공동 프로젝트를 수행하였다(Forbes, 2017). 이 프로젝트에서는 머신러닝 기술로 광산 현장에서 작업자와 장비를 인식하기 위해 NVIDIA의 Jetson 플랫폼이 사용되었다. 머신러닝 기술을 이용하여 360도를 볼 수 있는 서라운드 카메라를 통해 사람과 중장비를 인식하고 실시간으로 분석할 수 있었다(Fig. 6). 또한, 중장비에 설치된 센서 데이터와 드론을 통해 얻은 현장의 사진측량 결과를 사용하여 장비의 좌표계를 설정할 수 있었다. 이러한 기술을 현장에 적용하면 비효율적으로 운행되는 장비를 찾거나 장비의 충돌을 방지할 수 있다는 장점이 있다.

Fig. 6.

Real-time monitoring and analysis of construction and mining sites using vision sensors mounted on equipments and artificial intelligence (EQUIPMENTWORLD, 2017)

4.3 Newtrax와 IVADO의 지하광산 머신러닝 프로젝트

지하광산의 안전 및 운영관리 시스템 서비스를 제공하는 회사인 Newtrax는 캐나다의 인공지능 연구기관인 IVADO와 함께 지하광산에서 머신러닝 기술을 적용하는 파일럿 프로젝트를 수행하고 있다(Mining Magazine, 2018). Mobile Equipment Telemetry 솔루션을 통해 광산장비에 설치된 센서들로부터 빅데이터를 수집하고, 머신러닝으로 빅데이터를 분석하여 광산장비의 고장 및 유지관리 시기를 예측하는 기술을 개발하고 있다. 이 프로젝트의 궁극적인 목적은 지하광산 운영자에게 빅데이터의 가치를 재고시키는 것이다(Newtrax, 2018).

4.4 Goldspot Discoveries의 머신러닝 프로젝트

Goldspot Discoveries는 머신러닝 기술을 이용하여 광물자원 탐사 대상지 선정을 수행하고 있다. 시추자료, 지화학 탐사자료, 지구물리 탐사자료, 인공위성 사진 등 광체 부존지 추정을 위해 필요한 데이터들을 머신러닝 알고리즘을 이용하여 학습하고, 그 결과에 따라 탐사 대상지를 선정하는 기술을 개발하였다(Fig. 7). 이 기술은 캐나다 퀘백에 위치한 Abitibi 지역에 적용되었으며, 전체 탐사 데이터의 4%에 해당하는 노두 데이터만으로 금 부존 지역의 86%를 찾을 수 있었다(Emerj, 2019, Goldspot Discoveries, 2018).

Fig. 7.

Process to apply machine leaning in mineral exploration (Goldspot Discoveries, 2018)

4.5 PETRA Data Science

PETRA는 Newcrest Mining의 Lihir 광산 운영에 있어 머신러닝 기술을 사용하여 SAG 밀의 과부하를 방지하였다(Fig. 8). 이 기계에 과부하가 걸려 광산 운영이 중단될 경우 막대한 손실이 발생하기 때문에 머신러닝 기술을 통해 이익을 극대화한 사례에 해당한다(PETRA, 2017). 또한, PETRA는 FRAGx 알고리즘을 이용하여 3D 맵핑 포인트 데이터로 지반 공학 검사를 자동화하는 머신러닝 기술을 개발하고 있다. 이 알고리즘은 3D 맵핑 포인트를 사용하여 어둡고 습기가 많은 지하광산에서도 영향을 받지 않고, 콘크리트 바닥과 숏크리트 벽면을 평가하는 검사에 활용될 수 있다. 이 기술은 전문적인 지질공학 엔지니어만큼 정확하진 않지만, 대규모 영역을 신속하게 검사할 수 있다(Mining Magazine, 2016).

Fig. 8.

Ore fragmentation assessment using machine learning – FRAGx (PETRA, 2019)

5. 결 론

본 연구에서는 향후 국내 광업 분야에 머신러닝 기술을 도입할 때 참고할 수 있도록 국내 의료, 제조, 금융, 자동차, 도시 분야와 해외 광업 분야에서 머신러닝 기술이 활용된 사례를 조사/분석하였다. 의료 분야에서는 영상의학과에서 사용하는 PACS 의학영상 정보시스템 개발을 위해 머신러닝 기술을 활용하고 있었다. 제조 분야에서는 고로의 내부온도를 유지시키기 위한 실시간 모니터링 및 이상 진단 시스템에 머신러닝 기술이 도입되었으며, 금융 분야에서는 정보시스템의 보안 수준 개선을 위해 머신러닝 기술이 활용되고 있었다. 자동차 분야에서는 자율주행차 개발을 위해 빅데이터를 분석한 사례들이 다수 있었으며, 딥러닝 기술을 활용하는 방안들 또한 검토되고 있었다. 스마트시티 분야에서는 3개의 도시를 통합관리하는 운영시스템을 개발하여 시민들의 삶의 질을 향상할 수 있도록 교통량 분석이나 방범 위치를 확인하는 등에 머신러닝 기술을 활용하였다.

국내 광업 분야에서는 현재까지 머신러닝 기술이 활용되고 있는 사례는 발견할 수 없었다. 해외에서는 최근 들어 머신러닝 기술을 적용한 프로젝트들이 진행되고 있었다. 주로 장비를 제조하는 회사와 컴퓨터 관련 회사의 협력 연구가 이루어졌으며, 신규 광상 탐사에 활용되거나 광산 개발의 효율성 및 안전성을 확보하는데 머신러닝 기술이 활용되었다. IBM의 Watson 머신러닝 기술이나 NVIDIA의 Jetson AI 컴퓨팅 플랫폼과 같은 머신러닝 기술은 특정한 목적만을 위해 사용되는 기존의 알고리즘과 달리 다른 분야에서 사용되던 기술이 광산 장비에 적용될 수 있음을 알 수 있었다.

인공지능 기술은 한동안 정체기에 있었으나 정보통신 기술의 발전과 함께 급격하고 지속적인 발전이 이루어지고 있다. 또한, 컴퓨터가 스스로 학습하여 분석하는 머신러닝 기술은 빅데이터 분석의 필수 기술로서 각 분야에서 요구되는 솔루션에 맞게 활용되고 있다. 머신러닝 기술은 분야마다 필요한 목적에 맞게 개발되어야 프로젝트가 성공할 수 있다. 따라서 머신러닝 기술을 광업 분야에 도입할 때도 광산 현장의 요구사항에 부합하는 기술을 개발할 필요가 있을 것이다. 향후 국내의 광업 분야에서 장비의 안전성을 높이고, 효율적인 현장 관리를 위한 머신러닝 기술의 개발이 필요할 것이며, 이를 위한 지속적인 연구가 이루어져야 할 것이다.