화재안전분야에

인공지능

알고리즘적용 사례 고찰

글 | 홍성호 한국화재보험협회 융합방재연구팀 책임연구원, 공학박사

1. 머리말

인공지능(Artificial Intelligence, AI)이란 인간이 지닌 지적 능력의 일부 또는 전체를인공적으로 구현한 것을 말한다. 일반적으로 범용 컴퓨터를 통해 소프트웨어적으로 구현하지만 어떤 것은 인간의 신경계를 모방한(Neural Network) 특수한 회로를 칩으로 만들어 구현한 것도 있다. 인공지능이라는 용어는 1950년대 미국 다트머스 컨퍼런스에서 존매카시가 이 용어를 처음 사용하였다.

인공지능은 자의식을 가진 강인공지능과 주어진 조건하에서 지시를 따르는 약인공지능 으로 구분한다. 한동안 매스컴을 뜨겁게 달구었던 구글의 알파고도 약인공지능이다. 구글의 알파고에 의해 대중에게 인공지능이 알려졌지만, 사실 인공지능은 이미 우리 생활전반에 널리 퍼져 있다. 예를 들어, 자연언어처리 분야에서는 자동번역기와 같은 시스템이 실용화되어 있고, 여러 전문적인 작업들(의사의 진단, 화합물의 구조 추정, 손해배상 보험료의 판정 등)이 필요한 분야는 전문가 시스템이라는 인공지능 분야가 접목되어 활용되고 있다. 특히, 진단이나 판단과 같은 것이 필요한 분야에서는 이미 인공지능 알고리즘이 접목되어 널리 사용되고 있다. 범용 컴퓨터를 통해 구현하는 인공지능은 입력값→연산처리→출력값과 같은 과정을 갖는 알고리즘 형태로 구성된다. 물론, 화재안전분야도 많은 연구자들이 인공지능 이론이나 알고리즘을 적용하여 입력된 영상을 분석하여 정확하게 화재를 판단하는 알고리즘 등의 연구를 한창 진행하고 있다.

이 글에서는 기존에 수행되었던 연구들을 인용하여 화재안전분야에 인공지능 알고리즘이 적용된 사례를 소개하고자 한다. 이 글에서 소개하고자 하는 인공지능 알고리즘에 적용된 사례는 전기화재를 진단 또는 예측하는 분야와 화재감지분야이다.

2. 전기화재 원인예측 적용 사례

가. 추론기법 고찰

추론 방식은 크게 규칙기반 추론 또는 지식기반 추론 (Rule-Based Reasoning : RBR, Knowledge-Based Reasoning) 방식과 사례기반 추론(Case-Based Reasoning : CBR)등이 있다.

규칙기반 추론은 해의 유의성이 높고 탐색 과정이 논리적인 반면에 지식의 추출과 추가·확장이 어렵고 불확실한 자료의 표현과 처리가 곤란하다. 사례기반 추론은 지식의 획득과 증가 과정이 용이하고, 복잡하고 불확실한 문제에 대해서도 해를 제공할 수 있으나 해의 유의성이 떨어지고 논리적이지 못하다. 일반적으로 어떤 추론방식이 좋은가에 대한것의 명확한 답은 없다.

이 글에서는 지식기반 추론과 사례기반 추론의 장점을 조합한 혼합추론 방식을 사용한 방법을 소개한다.

나. 지식기반 추론 기법의 추론모형

전문가시스템에서 지식을 표현하는 방법에 는 규칙, 의미망, 프레임을 이용한 방법이 있다. 규칙은 가장 널리 알려진 지식표현 방법중의 하나이다. 이는 IF 문장과 THEN 문장으로 연결된 형태를 취하며, IF구문의 조건이 만족되거나 발생한 상태이면 THEN 구문이 수행되거나 논리적으로 참이 되는 형태이다. 이를 생성규칙(Production Rule)이라고도 한다.

의미망(Semantic Net)은 인간의 연관 기억의 심리학적 모형을 근거로 하고 있다. 의미망은 특정 객체나 개념을 표현하기 위한 노드(Node)와 노드간의 관계를 표현하기 위한 호(Arc)로 구성되는 네트워크 구조로서, 1960년대 주로 자연어처리의 모형화에 응용되어 왔다. 노드는 객체(Object), 개념(Concept), 사건 등을 표현하고 호는 노드간의 관계를 나타낸다. 방향을 나타내는 화살표가 있는데, 추상적으로 낮은 개념에서 상위의 개념으로 향한다. 호에는 호가 연결하는 두 개 노드 사이의 관계의 성질을 표현하는 라벨(label)이 붙는다. 의미망을 이용하면 개념의 정의나 개념간의 관계 등을 표현하기가 좋다. 많이 사용되는 호의 종류에는 is-a호와 has-part호가 있다. is-a호는 하나의 개념이 다른 개념의 부분집합(subset), 하위유형(subtype) 또는 특수화(specialization)된 것일 때 사용되는데, [그림 1]은 이러한 is-a호로 표현된 의미망이다.

| 그림 1 | Is-a호로 표현된 의미망

1차흔은 용흔이며, 단락흔은 1차흔의 하나이다. is-a 관계는 이행성(Transitivity)이 있으므로 위에서 명시적으로 나타나 있지 않더라도 단락흔은 용흔이다라는 뜻을 유추할 수 있다. has-part는 하나의 개념이 다른 개념의 일부를 구성하는 구성물일 경우 사용될 수 있다. [그림 2]는 이러한 has-part의 사용 예를 보여주고 있다.

| 그림 2 | Has-part호로 표현되는 의미망

의미망에서는 이행성으로 인해 똑같은 노드를 중복적으로 나타내지 않아도 표현되기 때문에 표현의 중복을 피할 수 있어 궁극적으로 지식의 양을 줄일 수 있다.

의미망은 노드의 구조가 너무 간단하여 복잡한 표현의 경우 의미망의 노드수가 늘어나 검색 시간이 길어진다는 단점이 있다. 이에 비해 프레임(frame)은 노드의 구조를 보다 체계화한 것으로 볼 수 있다. 프레임이란 “어떤 대상 객체에 대한 여러 개의 상황정보들을 하나의 구조화된 틀로서 표현할 수 있는 자료구조”이다. 프레임에는 대상의 특성에 대한 기술적인 정보뿐만 아니라 프레임에서의 정보 추출 방식까지도 규정되어 있다. 프레임을 이용한 표현도 궁극적으로는 의미망과 흡사하고 하나의 프레임 구조는 대상 하나 하나의 특성들을 나타내는 여러 개의 슬롯(slot)으로서 구성된다.

이 글에서는 규칙의 형태, 즉 IF문장과 THEN 문장으로 연결되어 있는 형태인 규칙으로 각 지식베이스의 항목들이 표현되었고, 노드(Node)간의 관계를 표현하기 위해 네트워크 구조인 의미망(Semantic Net)으로서 규칙 항목들 간의 관계를 설정되었다.

규칙형 지식베이스에서 추론방식은 가장 기본적인 방식인 Modus Ponens를 사용하였는데 이는 A→B와 같은 규칙이 있고, 또 그전제가 되는 A가 사실일 때 결론 B를 내리는 것을 말한다. 또한 AND/OR 그래프의 형태로 규칙들을 구조화하였고 원인에서 결과를 탐색할 때 쓰이는 정방향 추론(Forward Chaining) 기법이 적용되었다.

다. 사례기반 추론 기법의 추론모형

사례기반 추론에서는 사례의 인덱싱이 추론의 성능을 좌우하는데 인덱싱 방법에는 특성 간 비교를 통한 최다 일치 사례 선별법, 귀납적 알고리즘 사용법, 지식베이스 항목 이용법이 있다. <표 1>은 사례기반 추론 시 고려해야 할 사항들을 나타낸다.

< 표 1 > 사례기반 추론 시 고려해야 할 사항

항 목	내 용
표 현	사례를 어떻게 표현할 것인가?
색 인	사례를 어떻게 효과적으로 저장할 것인가?
조 회	새로운 문제에 알맞은 과거의 사례를 어떻게 찾아올 것인가?
적 응	과거의 해를 주어진 문제에 어떻게 적응시킬 것인가?
학 습	새로운 해를 어떻게 사례로 저장할 것인가?

지식 베이스 이용법은 지식에 의해 어떠한 특성이 가장 유사한 사례를 도출하는데 중 요한지를 결정하는 방법이다. 이 글에서는 현재 이용 가능한 사례 데이터가 빈약하고 앞으로 지식베이스의 완성도도 지원할 수 있다 는 측면에서 사례의 유사성을 설명할 수 있는 지식베이스 항목 이용법을 선택되었다. 또한 지식의 삭제 및 변경이 가능하도록 비단조 추론(Non-monotonic)방식을 적용되었다.

라. 전기화재 원인예측 시스템

(1) 프로그램의 구성 및 알고리즘

규칙기반 추론은 지식베이스와 추론엔진으로 구성된 D.A.Waterman의 구조가 응용되었다. 기존의 연구들에서는 해당 화인으로 발생한 화재의 결과 잔존하게 되는 화흔과, 각 화인에 따른 화재 현장의 특징, 해당 화인으로 인한 화재의 발생 가능성을 의미하게 되는 전기설비의 사용 상태 및 이력 등으로 화재조사를 행하는데 이들은 모두 각 화인과 직·간접적인 관련이 있기에 지식 베이스에 포함 할 수는 있으나 각자가 가지는 해당 화인과의 긴밀도는 차이가 있다. 이러한 긴밀도의 차이를 감안하여 적정하게 부합도 점수를 분류한다. <표 2>는 부합도 점수 분류 예이다.

< 표 2 > 부합도 점수 분류

부합도 점수	분 류 내 용
5점	특정 화인으로 화재를 발생시킨 실험결과 잔존하게 되는 화흔
4점	화재결과 잔존된 화흔 중 절대적으로 특정 화인에 한해서만 발생한다고 볼 수 없는 것
3점	특정 화인에 의한 화재 발생시 일반적으로 관찰 가능한 화재현장의 특징
2점	화재 현장의 특징 중 특정 화인과의 관련성이 상대적으로 떨어지는 것
1점	특정 화인에 의한 화재로 성장 가능한 위험 상황
0점	특정 화인과 직접적인 관련은 없으나 타 항목과 조합될시 화인의 진단을 조력하는 항목

사례기반 추론을 위한 색인 항목의 구성은 화재 현장에서 쉽게 취득이 가능하고 화재 발생과 직접적으로 관련이 있어야 한다는 것을 원칙으로 세우고 규칙과 전기 계통의 이전 사용 조건을 중심으로 일선 소방서에서 작성한 화재 발생 시의 보고서를 참조하여 구성되었다.

| 그림 3 | 사례기반 추론 과정

사례베이스는 화재사례의 입력과 검색의 편의를 위해 속성값(feature-value)방식인 프레임 형식으로 사례를 표현하여 구성하였다. 사례기반 추론과정은 [그림 3]과 같다. 사례조회는 중요 색인항목을 우선 탐색하여 탐색 사례의 수를 줄여나가는 차별망 (DiscriminationNet-works) 방법과 수치적 절차에 바탕을 둔 최근치 알고리즘(Nearest Neighbour algorithm)을 같이 적용하는 것이 일반적이다.

(2) 프로그램 구현

상술한 추론 모형을 구현하기 위해선 단순한 데이터의 저장 및 접근 방법에 의한 참조 기능 뿐만 아니라 저장된 정보로부터 새로운 사실을 추론하여 의사 결정에 이용할 수 있는 프로그램이 필요하다. 또한 규칙기반과 사례기반 추론의 병용과 사용자 중심 인터페이스의 구성이 가능해야 한다. 이러한 것을 만족시키기 위해서는 연산 프로그램이 필요하다.

전기화재 원인예측을 위한 프로그램은 규칙기반 추론 결과와 사례기반 추론 결과의 비교 와 지식베이스 항목을 통한 조회로써 해의 적응 및 수정이 가능토록 해야 한다.

| 그림 4 | 해의 적응, 수정 및 학습과정

[그림 4]는 해의 적응, 수정 및 학습과정에 대한 과정을 나타낸 것이다. [그림 4]에서 보듯이 해가 적절하다고 판단되면 사례베이스에 포함시키는 학습 과정을 같이 보인다.

이상과 같이 전기화재 예측을 위한 알고리즘 구성원리를 고찰하였다. 이러한 알고리즘을 다양한 컴퓨터 언어를 이용하여 이용자가 보다 쉽게 전기화재 원인예측이 가능하도록 구현하게 되면 인공지능을 이용한 전기화재 원인을 예측하는 시스템이 되는 것이다.

3. 화재감지시스템 적용 사례

최근의 화재감지시스템 개발 동향은 오동작 또는 비화재보를 감소시킬 수 있는 시스템을 개발하는데 초점이 있다. 워낙 화재감지시스템의 오동작 또는 비화재보가 많이 발생하기 때문에 인간처럼 화재를 감지할 수 있는 방법들이 다양하게 고안되고 있다. 이러한 방법중에 이 글에서 소개하고자 하는 것은 인공지능 이론의 한 분야인 퍼지로직을 적용한 화재감지시스템이다.

퍼지로직을 이용한 판단 알고리즘을 구현하는 것은 퍼지추론시스템을 이용하는 것이다. 퍼지추론시스템은 [그림 5]와 같이 3단계로구성된다.

| 그림 5 | 퍼지추론시스템

3단계는 하나의 명확한 값(Crisp Value)으로 측정된 입력변수의 값을 적절한 퍼지값으로 바꾸는 퍼지화(Fuzzification), 조건부와 결론부의 조건문으로 이루어지는 퍼지추론규칙(Fuzzy Inference Rules), 출력부 전제집 합에서 정의된 퍼지값을 명확한 비퍼지값으로 변환시켜주는 비퍼지화(Difuzzification)이다.

가. 퍼지화

퍼지로직을 응용하므로 하나의 명확한 값으로 측정된 입력값을 적절한 퍼지값 또는 퍼지 집합으로 바꾸어야 하는데, 이러한 작업을 퍼지화라고 한다.

나. 퍼지추론규칙

퍼지추론규칙은 일반적으로“if-then”형식의 언어적 규칙으로 표현된다. 퍼지 규칙을 구성하는데 있어서 우선되는 작업은 적절하게 입·출력 변수를 선정하는 것이다. 이것은 퍼지시스템의 동작특성을 특징지어 주는데 매우 중요한 관건이 된다. 퍼지 규칙은 다음과 같은 형식의 퍼지 조건문들로 이루어진다.

IF (특정 조건들이 만족된다면),
THEN (특정 결과들이 유추될 것이다.)

퍼지추론규칙에 따라 추론하는 방법에는 여러 가지가 있는데 대표적인 것으로 Mamdani Method, Takagi-Sugeno Method 및 Larson의 Product연산 등이 있다.

| 그림 6 | 멤버쉽 함수 예시

| 그림 7 | Mamdani Min-max Method

| 그림 8 | Takagi-Sugeno Method

다. 비퍼지화

퍼지 추론결과는 출력부 전체집합에 정의된 퍼지집합으로 출력된다. 이러한 출력부 전 체집합에서 정의된 퍼지집합 또는 퍼지조작량을 명확한 비퍼지조작량으로 변환시켜주는 작업을 비퍼지화 또는 일점화라 한다.

4. 맺음말

이 글에서는 화재안전분야에 인공지능 알고리즘이 적용된 사례를 고찰하였다. 전기화재 원인을 예측하는 분야에서는 2가지 추론모형을 접목한 혼합 추론모형에 의해 보다 정확하게 전기화재 원인을 예측할 수 있는 모델 을 제시하였다. 화재감지시스템 분야에 적용된 퍼지이론은 입력에 대하여 명확하게 정의 내리기 어려운 경우 적용하는 유용한 방법이 라 할 수 있다. 향후, 화재안전분야에 다양한 인공지능 알고리즘 등을 적용하여 보다 정확한 진단이나 판단 등을 수행하는 연구가 필요하다.

방재정보

방재 관련 기술정보를 전해드립니다.