· 미국 아케이드 게임업체, 가정용 전자오락 게임기 9월 발매 ... 있도록...

1859호2018.8.15.

「주간기술동향」은 과학기술정보통신부「ICT 동향분석 및 정책지원」

과제의 일환으로 정보통신기술진흥센터(IITP)에서 발간하고 있습니다.

「주간기술동향」은 인터넷(http://www.itfind.or.kr)을 통해 서비스를 이

용할 수 있으며, 본 고의 내용은 필자의 주관적인 의견으로 IITP의 공식

적인 입장이 아님을 밝힙니다.

정보통신기술진흥센터의「주간기술동향」저작물은 공공누리 “출처표시-

상업적 이용금지” 조건에 따라 이용할 수 있습니다.

※ 공공누리의 제2유형에 따라 상업적 이용은 금지하나, “별도의 이용 허락”

을 받을 경우에는 가능하오니 이용하실 때 공공누리 출처표시 지침을

참조하시기 바랍니다.(http://www.kogl.or.kr/info/license.do 참고)

예시) “본 저작물은 ‘OOO(기관명)’에서 ‘OO년’ 작성하여 공공누리 제O유형

으로 개방한 ‘저작물명(작성자:OOO)’을 이용하였으며, 해당 저작물은

‘OOO(기관명), OOO(홈페이지 주소)’에서 무료로 다운받으실 수 있습

니다.”

ICT 신기술 최신 ICT 이슈

1859호

기획시리즈 2

농업 분야 인공지능을 위한 데이터 구축

[정휘웅·조용빈/리노스 부설연구소·농촌진흥청]

Ⅰ. 서론

Ⅱ. 농업 인공지능 해외사례와 활용 방안

Ⅲ. 농업 분야 인공지능을 위한 기반 데이터 구축

IV. 향후 개발되어야 할 기술들

Ⅴ. 결론 및 시사점

ICT 신기술 15

전력 IT와 태양광

[이승훈/가천대학교]

Ⅰ. 서론

Ⅱ. 태양광 발전의 기술적 진화

Ⅲ. 결론

최신 ICT 이슈 27

Ⅰ. 구글 ‘콜센터 AI’ 서비스 발표, 상담원과 AI의 협업 솔루션임을 강조

Ⅱ. 스마트 스피커 시장에서 앞서가는 아마존, 제2라운드는 ‘디스플레이’ 탑재 스피커

Ⅲ. 미국 아케이드 게임업체, 가정용 전자오락 게임기 9월 발매

Ⅳ. 고전적 의류 산업에 부는 ICT 기술 활용 트렌드

2 www.iitp.kr

주간기술동향 2018. 8. 15.

*

정휘웅 조용빈*

리노스 부설연구소 수석연구원

농촌진흥청 팀장*

인공지능 시대가 도래하였으나 개인정보보호 및 보안 문제로 데이터 활용에 어려움이 많

다. 그러나 개인정보보호나 보안 등에서 상대적으로 자유로운 분야가 농업이다. 해외에서

는 농업이 인공지능을 만나서 극적인 변화를 보이며 농업이 안고 있는 많은 난제를 해결하

는 사례가 나타나고 있다. 국내외에서 이 분야에 여러 스타트업이 탄생하고 있으며 인공지

능과 관련된 새로운 기술들이 속속 농업에 적용되고 있다. 그러나 인공지능을 적용하기

위해서는 SW 기술과 함께 이를 뒷받침할 수 있는 구조적으로 안정되고 적정한 수량을 보장

하는 정보가 제공되어야 한다. 본 고에서는 농업 분야 인공지능을 뒷받침하기 위해서는

어떤 데이터가 어떠한 규모로 구축되어야 하며 어떤 절차를 거쳐 정제되어야 할지에 대해

제안하고자 한다.

I. 서론

농업 분야는 개인정보가 없으며 수집이 쉽고 활용도가 매우 넓으므로 최근 인공지능을 적

용하기 위한 연구가 가장 활발하게 이루어지고 있다. 이미 잡초 제거, 농장의 온도 측정을

통해 적정 위치에 물을 주거나 농작물의 상태를 측정하고 제한된 범위에 농약을 쓰는 등 농업

생산력을 높이면서도 환경오염이나 비용을 최소화하는 기술들이 속속 등장하고 있다[1]. 이

기반에는 농업 인공지능시스템들이 활용되고 있으며 학습된 수많은 농업 데이터들이 활용되

고 있다. 그러나 이러한 학습 과정을 지원하기 위해서는 방대한 분량의 정제된 기반 자료와

이를 통해 얻고자 하는 답을 미리 정해둔 정교한 데이터 세트가 필요하다. 바둑과 같이 결과를

* 본 내용은 정휘웅 연구원(☎ 02-3489-6875, [email protected])에게 문의하시기 바랍니다.

** 본 내용은 필자의 주관적인 의견이며 IITP의 공식적인 입장이 아님을 밝힙니다.

농업 분야 인공지능을 위한 데이터 구축

기획시리즈 – 인공지능

정보통신기술진흥센터 3

명확하게 정의할 수 있는 게임의 세계는 미리 답을 정할 이유가 없어 비지도 학습 등이 통용될

수 있으나, 농업이나 기타 산업 분야에서는 최적화된 답을 기계가 정의할 수 없으므로 사람의

힘을 빌려 각 결과에 적합한 데이터 세트를 만들어두어야 한다.

예를 들어, 농업 분야에서 특정 작물에 대한 인공지능 최적화를 하는 경우, 그 최종 결과물

목표가 최소 생산비용인지, 최고 품질인지, 최다 생산량인지 등에 대한 인간의 희망사항을

인공지능이 결정할 수는 없으므로 이 각각의 환경에 대한 데이터 세트가 어느 정도 마련되어

있어야 한다. 각 학습 단계에서 추출된 최적화된 값들은 인간이 최종적으로 판단할 수밖에

없다. 이런 관점에서 농업 분야에 인공지능을 적용하기 위해서는 매우 방대한 분량의 데이터

베이스를 마련해야 한다.

이러한 필요성을 정부에서도 인지하여 한국정보화진흥원을 통해 다양한 인공지능 학습 데

이터를 공개하고 있다. 과학기술정보통신부에서도 국내 인공지능 관련 기업들이 활용할 수

있도록 AI 오픈 이노베이션 허브를 개방하였다. 정부는 보도자료를 통해 “AI 허브는 인공지능

의 응용 서비스 개발에 필수적인 양질의 인공지능 학습용 데이터, 인공지능 오픈 API(응용

프로그램 인터페이스), 고성능 컴퓨팅 파워 등을 국내 중소·벤처기업이 자유롭게 활용할 수

있도록 인공지능 개발 환경을 지원하는 기반이다[2]”라고 밝혔다. 이처럼 인공지능이 여러

분야로 활발하게 확장이 이루어지고 있음에도 불구하고 아직은 지식산업에 집중되고 있으며

현장에서 직접 데이터를 수집해야 하는 농업과 같은 분야에 대한 데이터는 아직 많이 확보되

지 않은 실정이다.

본 고에서는 농업 분야 인공지능시스템 구축이 아닌, 그 근간이 되는 인공지능 학습과

활용 데이터를 어떻게 구축할 것인지에 대해서 살펴보도록 하겠다. II장에서는 인공지능이

농업에 활용되는 해외사례와 함께 인공지능이 어떻게 활용될 수 있는지를 알아보고, 이를

통해서 어떤 형태의 데이터가 필요한지를 살펴보겠다. III장에서는 인공지능 학습을 위한 데

이터를 구축하기 위해서 데이터를 어떻게 수집하고 정제하고 분류 및 관리해야 하는지를

알아보겠다. IV장에서는 인공지능 학습 데이터를 구축하기 위해 어떤 환경을 마련해야 하며

데이터들을 어떻게 관리하고 공개할 것인지에 대해 논의하고, V장에서는 결론과 시사점을

논의하겠다.

4 www.iitp.kr

주간기술동향 2018. 8. 15.

II. 농업 인공지능 해외사례와 활용 방안

1. 해외사례 분석

미국을 비롯한 선진국은 기후 변화, 인구 증가 및 식량 안보 관점에서 생산성을 높이고

환경을 보호하기 위해 농업 로봇, 작물 및 토양 모니터링, 예측 분석의 세 분야에서 인공지능

을 적극적으로 도입하고 있다. 기존에는 통계나 기계의 단순한 반복 작업으로 처리되던 분야

에 인공지능이 도입되어 보다 지능적인 작업이 가능해지고 있다.

- 농업 로봇: 인간 작업자보다 작물을 더 많이 더 빠른 속도로 수확하는 등의 필수 농업

작업을 처리하는 자율 로봇을 개발하고 있다. 예를 들어, 제초 로봇의 경우 적재적소에만

제초제를 사용하여 환경오염을 줄이고 비용도 줄이고 있다. 오늘날 250종 이상의 잡초가

제초제에 대한 저항성이 있는 것으로 알려져 있으며 이에 따른 연간 생산 손실은 약 430

억 달러로 추산되고 있다[3]. 미 Blue River Technology는 시각인지시스템을 통해 잡초에

정확히 제초제를 살포하는 See Spray 로봇을 통해 제초제 살포량을 80% 줄이고 비용은

90% 이상 줄였다고 밝혔다[4].

- 작물 및 토양 모니터링: 컴퓨터 시각인지(vision) 및 심층 학습 알고리즘을 활용하여 농민

이나 무인항공기가 촬영한 데이터를 소프트웨어로 처리하여 작물 및 토양의 건강을 측정

하고 모니터링하는 기술이다. 독일의 PEAT사는 Plantix라는 프로그램을 통해 토양의 잠재

적 결함과 영양결핍을 찾을 수 있다고 주장한다. 또한, 잎사귀를 촬영한 데이터를 국가별

로 수집된 다양한 데이터와 비교하여 해충이나 질병을 사전에 감별하는 기술을 개발하고

있다고 주장한다[5].

- 예측 분석: 기상 변화와 같이 작물 수확량에 대한 다양한 환경 영향을 추적하고 예측하기

위해 복합적 정보에 따른 기계 학습 모델이 개발되고 있다. 미국의 aWhere사는 질병 및

해충의 존재를 날씨 정보에서 예측하는 서비스를 제공한다. 이 사이트에서는 일기예보의

경우 농업에 적합하게 지역적으로 매우 자세히 분류되어 제공되고 있으며, 해당 정보를

통해 농부, 작물 컨설턴트, 연구원이 협력하여 농업에 대한 고품질 정보를 생성하고 분석

하는 서비스를 제공하고 있다. 이를 위해서 약 10억 가지 이상의 농경 데이터에 대한

액세스를 제공하고 있으며, 여기에는 온도, 강수량, 풍속, 태양 복사 에너지 등이 포함되

어 있다[6].



2. AI가 농업에 도움을 줄 수 있는 곳

이처럼 해외에서는 인공지능의 도움을 통해 다양한 분야에 대한 농업 혁신을 추진하고 있

다. 인공지능은 수집된 데이터를 적절히 분석하여 다음과 같은 분야에서 인간이 처리하기 어

렵거나 시간이 많이 필요한 반복적인 작업에 해법을 제공할 수 있다.

- 작물과 병해충 감별: 작물별 병해충의 종류는 매우 다양하며 그 진행 양상도 다르다. 잎의

특성에 따라 병에 대한 정보를 추적하는 방법이 많이 개발되고 있으나 그 질병 수가 문제

이다[7]. 농촌진흥청의 국가농작물병해충관리시스템에도 사과의 경우 질병 32건, 해충

45건의 정보가 기록되어 있다. 이러한 것은 총 18종의 과수, 33종의 채소, 27종의 화훼,

25건의 특용작물 등 100종이 넘는 작물의 질병 수를 생각해본다면 그 경우의 수는 천문학

적으로 늘어날 수 있다. 이 각각의 질병을 감별하는 것은 인간의 힘으로는 부족하며 인공

지능 기술이 접목될 때에 제대로 된 감별과 신속한 대응이 가능할 것이다. 해외의 경우

잎의 수맥 형태를 통해 작물의 유전학적 근원을 추적할 수 있는 기술도 개발되었다[8].

- 초기 감염 측정: 특정 밭이나 일부 작물에 인간의 눈으로 확인 가능한 수준의 감염이

일어나는 경우 이미 그 구역의 작물 대부분에 병해충이 번져 피해를 복구하기 어려운

경우가 매우 많이 발생한다. 외부의 요인에 대한 분석을 통해 초기 감염의 징후를 알아내

고 이를 신속하게 농업 종사자들에게 알려줄 수 있다면 피해를 크게 줄일 수 있을 것이

다. Kamlesh(2018)의 최근 연구는 초분광카메라와 뉴럴 네트워크(NN)를 통한 학습 알고리

즘을 이용하여 질병의 사전 징후를 발견할 수 있다고 주장한다[9].

- 작물 발육상황 감지: 작물의 발육상태를 감지함으로써 수확 시기를 자동으로 확인할 수도

있으며, 로봇이 판매에 적합한 크기와 생육 상태를 확인하여 자동으로 수확할 수도 있다.

특히, 색상으로 발육 상태를 측정할 수 있는 벼 등의 작물에서는 드론에 의한 항공촬영

등으로 발육 상태 등을 측정할 수 있다. 미국의 애그리보틱스(Agribotix)와 프리시전호크

(PrecisionHawk)사는 드론이나 센서를 통한 작물 상태 분석 기술을 보유하고 있으며, 이를

통해 비료나 농약 살포를 최소화할 수 있다[10]. 잎의 크기에 대한 학습 과정을 통해 현재

어느 정도의 발육상태를 보여주고 있는지도 측정할 수 있다[11].

작물과 병해충 감별 기술에 의해 농장에서 실제 작물과 잡초를 쉽게 구분할 수 있으며,

병해충에 감염되었는지를 쉽게 찾을 수 있을 것이다. 또한, 초기 감염 측정 기술을 통하게

되면 한 농장에서 발생하는 여러 영역의 정보를 수집한 뒤 특정 징후를 찾는 환경적 요인들을

찾고 선제적으로 대응하는 것이 가능해질 것이다. 농약 살포 드론의 움직임에도 최적화된 정

6 www.iitp.kr

주간기술동향 2018. 8. 15.

보를 제공할 것이다. 그리고 작물 발육상황을 감지하는 기술은 자동화된 작물 수확시기나 농

약이나 용수 공급 등에 대한 여러 지능화된 정보들을 제공할 수 있으며, 수확 시기에 적절하게

인력을 투입하여 생산 단가를 낮출 수 있을 것이다.

이처럼 농업 분야가 인공지능에 더 적합한 이유는 특히 측정 센서가 광범위할 뿐만 아니라,

상대적으로 센서의 비용이 저렴하고 환경 구축이 쉽기 때문이다. 게다가 의료, 소셜네트워크

등 사람과 직접적 관련이 있는 분야가 아니므로 개인정보 보호법 이슈로부터 벗어날 수 있다.

이런 관점에서 농업에서는 데이터를 빠르게 축적할 경우 더 많은 기술적 진보를 이룩할 수

있을 것이다. 만약, 이러한 데이터를 좀 더 효과적이고 구조적으로 구축할 수 있다면 인공지능

의 발전 속도는 더욱 가속될 것이다.

III. 농업 분야 인공지능을 위한 기반 데이터 구축

1. 사진데이터의 구축과 데이터 인프라 구축

가장 많이 활용될 수 있는 분야는 사진으로 촬영된 정보의 학습이 될 것이다. 그러나 농촌진

<자료> 국가농작물병해충 관리시스템, https://goo.gl/VEZSYn

[그림 1] 사과 관련 병의 사례



흥청의 기초 데이터는 배경이 다르며, 해상도도 매우 낮아서 인공지능의 학습 환경에 활용되

기에는 어려움이 많다. 현재 국내에서 농업 관련 병해충이나 생육과 관련된 정보를 가장 많이

보유하고 있는 곳은 농촌진흥청이다. 누구나 가져다 쓸 수 있도록 OpenAPI도 제공하고 있으나

데이터의 특성이 인공지능 학습에 적합하지 않고 그 양이 충분하지 않으며 메타데이터의 수

도 부족한 편이다.

반면, 해외에서는 인공지능과 관련하여 활발하게 데이터들을 공개하며 협업하고 있다. 농

업 분야가 아닌 인공지능 분야에서 누구나 자유롭게 수집을 할 수 있는 데이터 세트로는

MNIST: handwritten digits, CIFAR10/CIFAR100, Caltech 101, Caltech 256, STL-10 dataset, The

Street View House Numbers(SVHN), NORB, Pascal VOC, Labelme, ImageNet, LSUN, MS COCO, COIL

20, COIL100, Google’s Open Images 등이 있다[12]. 인공지능은 많은 데이터가 필요한 특성

때문에 한 개인이 데이터를 독점하거나 만들기가 매우 어려우며 공동연구에 의한 개방형 형

태를 가져야 저변이 빠르게 확대될 수 있다. 각 데이터를 수집하고 운영하기 위해서 세계

연구자들은 자신들이 가진 데이터세트를 오픈하고 있으며 OpenAPI 방식뿐만 아니라 전체 데

이터 세트도 오픈하고 있다[13].

최근에 농업 관련 병해충 진단과 관련하여 Vijai(2017)[14], Chunlei(2013)[15], Tapio(2015)[16],

Jyotismita(2015)[17] 등 다양한 분야에서 연구가 이루어지고 있다. 가령 Vijai의 연구결과에서는

K-Means 알고리즘을 이용하여 잎사귀의 병해충 사례를 각각 나누고, 각 사례에서 15건의 학

습 데이터, 10건의 테스트 데이터를 통해 병해충에 대한 검증 여부를 테스트 하였으며 상대적

으로 유의미한 결과를 얻었다고 주장한다.

이를 토대로 하나의 단계 혹은 동일 질병에 대해서 각각 단계별로 적정 수준의 이미지를

수집하기 위해서는 각도, 광량 등에 따른 세부적인 정보가 함께 확보되어야 한다. 개별 질병

별로 15건의 이미지를 수집한다고 가정했을 때, 데이터별로 포함되어야 하는 메타데이터는

다음과 같이 분류할 수 있다.

- 작물의 종류: 어떤 작물인지에 대한 기본 어휘 정보이다. 학명을 기준으로 하여 영어 한국

어 등 다국어로 구성될 수 있다.

- 품종의 종류: 하나의 작물이라 하더라도 종류가 다르므로 어느 품종인지를 설명해야 한

다. 사과의 경우에도 수백 종류의 품종이 있으며 현재에도 계속 개량종이 등장하고 있다.

- 질병의 종류: 사과의 경우에도 수십 가지의 질병, 해충 등에 대한 정보들이 존재한다.

각 질병의 라이브러리 수만큼이나 학습 데이터가 축적되어 있어야 한다.

8 www.iitp.kr

주간기술동향 2018. 8. 15.

- 질병 진척 단계에 따른 이미지: 질병이 진척됨에 따라서 정도가 다를 수 있으므로 해당

현상에 대한 촬영이 필요하다. 해당 질병의 시기가 초기인지 중기인지 말기인지를 확인

해야 하며, 수집이 가능한 경우 각 단계에 대한 적합한 사진 정보들이 촬영되고 메타정보

에 기록되어야 한다.

- 촬영 해상도: 촬영 해상도에 따라서 고해상도, 중해상도, 저해상도로 구분해야 한다.

- 촬영 날짜와 시간: 날짜와 시간에 따라서 해당 시간에 채광량이 다를 수 있으므로 구분해

야 한다.

- 촬영장소: 잎이나 과일 하나만을 떼어서 하거나 실제 농장에서 촬영하는 방법으로 분리될

수 있어야 한다.

- 폭, 넓이, 크기: 아무런 정보 없이 촬영된 사진에서 잎이나 과실의 크기를 정확하게 측정

할 수는 없다. 만약, 주변에 측정 가능한 상대적인 크기가 있다면 좋겠지만 이 역시 정확

하지 않다. 이를 위해서는 그 크기를 측정할 수 있는 표준화된 측량정보가 제공되어야

할 것이다. 측정된 자 혹은 크기를 가늠할 수 있는 관련 정보가 함께 있어야 한다.

- 실루엣 영역정보와 분광 촬영 정보: 흑과 백으로 구분된 실루엣 정보로 제공되는 잎 구분

정보 등은 인공지능시스템이 잎을 우선적으로 추적하는 등의 어려운 정보 탐색 과정을

거치지 않고 빠르게 현상을 파악하는데 도움을 줄 것이다. 아울러 분광 촬영 정보는 병해

충, 발육상태 등과 관련된 초기 데이터를 구축하고 관련된 정보를 제공하는 데 도움을

줄 수 있을 것이다. 이는 기본 사진 촬영 정보와 연계되어 함께 제공되어야 할 것이다.

국내에서 승인된 특허에서도 생육 진단 관련 시스템에서 필요로 하는 데이터는 이미지의

[적합한 이미지] [적합하지 않은 이미지]

<자료> 농촌진흥청 국립원예특작화학원 과수생육/품질관리시스템, https://goo.gl/3tLX84

[그림 2] 인공지능 학습 이미지



구분 사항(RGB, 열화상, 깊이), 측정 위치, 촬영 방향(정상, 측면, 파노라마 등)과 촬영 시기

등에 대한 메타정보를 반드시 지정하고 파일 이름 네이밍 규칙을 정의하여 제시하고 있다[18].

이러한 메타 데이터 세트를 기준으로 촬영되어야 하는 데이터의 수를 간단하게 계산한다면

다음과 같을 것이다. 예를 들어, 2개의 작물, 4개의 품종, 6개의 질병, 각 질병별 6개의 단계,

3가지의 촬영 해상도, 4개 날짜, 12시간, 3가지 날씨, 이에 대한 학습과 테스트 데이터(2가지

유형), 유형별 유효 학습 데이터 15개, 촬영 장소 2개를 고려한다면 총 7,464,960건의 이미지를

촬영해야 하며 각각에 대한 메타데이터가 입력되어야 한다. 여기에 실루엣 정보와 분광 관련

정보가 추가된다면 더 큰 분량의 정보들이 함께 저장되어야 한다.

그러나 촬영된 정보에 대해서 어떤 병

이며 단계가 어떤 상태인지는 전문가의

판별 작업이 함께 이루어져야 한다. 따

라서 이에 대한 병해충 정보 등에 대한

전문가 지식이 함께 입력되어야 한다.

일련의 정보들은 정제되고 절차를 지킨

세분화된 정보 체계에 따라 입력되고 관

리되어야 한다. 그리고 각 질병 단계에

대해서는 건강한 상태의 이미지가 함께

기록되어야 기계 학습을 통해 실질적인

병해충의 진행 단계를 확인할 수 있을

것이다. 이러한 이미지 추출을 위해서는

각 이미지 내에서 잎의 모양을 추출하

고, 이의 외부 형태를 유추하며, 생육 기준을 확인하고, 병변 영역을 확정하여 추출하고, 이를

통해 어떤 병해충인지를 라이브러리를 통해 비교하는 작업이 함께 진행되어야 한다. 만약,

현재 농촌진흥청에 저장된 모든 작물의 정보를 구축하고자 한다면 막대한 분량의 데이터를

수집해야 한다. 해외에서는 이미 이를 위한 조직적인 자료 수집 체계가 만들어져 있다[19].

2. 측정 데이터의 저장소

농업에서 인공지능시스템이 최적화된 값을 찾기 위해서는 최적화된 사례를 찾아서 모범

데이터 세트를 만들어야 하며, 아울러 최악의 결과를 낳은 데이터 세트 역시 만들어서 이

<자료> Vijai Singh, Ak.K. Misra, “Detection of plant leaf diseasesusing image segmentation and soft computing techniques,”Information processing in Agriculture 4, 41-49, 2017.

[그림 3] 인공지능 학습에 적합한 병변 이미지 수집 사례

10 www.iitp.kr

주간기술동향 2018. 8. 15.

들을 함께 고려해야 한다. 또한, 각각 기상상태, 온도상태, 습도상태 등에 대한 시계열 기반의

데이터 세트가 만들어져야 한다[20].

3. 전문 용어 및 의미망 데이터

사진을 아무리 많이 촬영하고 기계 학습으로 유사한 패턴을 찾아낸다고 하더라도 그 사진

의 의미가 무엇인지를 확인하기 위해서는 해당 사진에 대한 정보들이 명확하게 입력되어 있

어야 할 것이다. 그래야 농업 종사자들이 어떤 조처를 할 수 있고 앞으로 어떻게 상황이 흘러

갈 것인지에 대해서 예측하고 이에 대해 대응책을 세울 수 있을 것이다.

만약, 인공지능 엔진을 통해 사과의 품종을 알아맞히는 시스템을 개발한다고 가정해보면,

우리가 알고 있는 일반적인 용어의 사과는 부사 혹은 홍옥 정도가 있을 것이다. 그러나 실제로

농업 사전에서 찾아볼 수 있는 사과의 품종 명칭은 매우 다르다. 인공지능 엔진이 특정한

사과의 품종을 자동으로 알아내기 위해서는 숙기(숙성되는 시기) 정보와 함께 이에 대한 풍부

한 사진 정보를 포함하고 있어야 한다. 이 각각에 대한 분류가 명확하게 되어 있지 않으면

시스템은 이미지 사이의 유사성 정보만 수치로 제공할 뿐 그 정보와 연계된 의미 정보를 제공

할 수 없을 것이다.

예를 들어, 포도의 전체 품종 이름은 약 4,000 종류로 알려져 있으며 OIV라는 국제기구에

의해 통제되며 관리되고 있다[21]. 그러나 이 각각의 정보에는 숫자 일련번호만 부여되어 있으

며 표기법에 따른 표준도 만들어져 있지 않다. 이를 유통단계 표준 체계인 GS1과 연계할 수

없다. GS1의 경우에는 유통단계의 정보에 대해서는 자체적인 식별 체계를 마련해두고 있다

<자료> X. Li, S. Chen, L. Guo, “Technological innovation of agricultural information service in the age of Big Data,” J. Agric. Sci. Technol., 16, 2014, pp.10-15.

[그림 4] 농업 빅데이터의 지능적 처리 과정



[22]. 그리고 생산자에 대해서는 영국의 포도주 거래 기관인 LivEx에서는 거래를 위한 편의를

위해 식별 체계를 따로 구축하고 있다[23]. 즉, 동일한 데이터를 두고 국제기구들이 중복하여

정보를 만들고 있다. 이러한 것은 대단한 낭비일 뿐만 아니라 시스템의 구조를 복잡하게 만드

는 요인이 되기도 한다.

사과의 예를 들더라도 ‘홍로’, ‘스타크림슨’, ‘스퍼어리 브레이즈’ 등과 같은 사과 품종 이름

들의 정보가 라이브러리에 명확하게 기재가 되어 있고, 과실과 잎 정보들에 대해서 표준화된

정보 구조가 만들어져 있어야만 온전한 인공지능 기반 데이터 세트로서 역할을 할 것이다.

IV. 향후 개발되어야 할 기술들

1. 데이터 구축의 간소화 및 자동 인덱싱

앞서 살펴본 바와 같이 인공지능을 농업 분야에 적용하기 위해서는 매우 많은 분량의 데이

터가 구축되어야 한다. 그러나 이러한 데이터를 일일이 사람이 다니면서 구축하기에는 많은

시간과 노력이 요구된다. 이를 위해서 앞으로는 농업 데이터를 구축하기 위해서 간편하게 정

보를 구축하고 이에 대한 메타정보를 입력할 수 있는 환경이 마련되어야 한다. 특히, 표준화된

세트로 구성된 데이터를 구축하고 손으로 입력할 필요가 없는 데이터는 자동으로 구축하는

환경이 함께 마련되어야 한다. 예를 들어, 위스콘신 대학에서는 자동화된 데이터 추출 방법을

<자료> Zoe Migicovsky et. al., “Morphometrics Reveals Complex and Heritable Apple Leaf Shapes,” Frontiers in Plant Science, 2018, 2017. 2. 18.

[그림 5] 자동화된 인공지능 학습용 데이터 추출

12 www.iitp.kr

주간기술동향 2018. 8. 15.

통해 중력과 뿌리의 생장에 관한 연구를 수행하면서 120만 건의 사진 데이터와 메타 정보를

추출하는 연구를 수행하기도 하였다[24]. 또한, 이를 온라인을 통해 공개하기도 하였다.

이렇게 자동화를 통해 인공지능 학습에 영향을 줄 수 있는 데이터를 구축할 경우 향후 인공

지능이 활용할 수 있는 데이터를 보다 빨리 구축할 수 있을 것이다. 아울러 각 데이터를 국가

별, 질병별로 구분하여 구축할 경우 전 세계적으로 소요되는 데이터 구축 비용을 절감할 수

있을 것이다.

2. 표준화된 데이터 저장소와 오픈 데이터

지금까지 언급한 바와 같이 어느 한 국가나 기관, 개인의 노력만으로는 방대한 데이터를

구축하기에 매우 어렵기 때문에 다양한 분야의 연구자나 기관이 협력하여 연구 결과를 도출

해야 한다. 그러나 이를 위해서는 표준화된 데이터 저장소와 연계 방법이 제시되어야 한다.

예를 들어, 사과의 잎 모양과 유전학적 관계성을 연구한 Migicovsky의 연구(2018)에서는 각

잎사귀에 대한 실루엣 정보와 식별 정보는 명확하게 제공하고 있으나 해당 사과나무가 어떤

품종인지에 대해서는 정확하게 제공하지 못하고 있다[25]. 따라서 촬영 방법, 촬영 명명법,

촬영 조건에 대한 기준, 촬영에 필요로 하는 표준 키트 등이 마련된다면 인공지능 학습용

데이터를 구축하는데 더 큰 도움이 될 것이다.

이러한 기초를 마련함으로써 인공지능 학습이 나뭇잎과 배경을 구분하는 단계에서 시작하

지 않고 잎사귀의 형태 측정, 병변 영역의 쉬운 감지 등에 활용할 수 있게 될 것이다. 이를

위해 표준화된 데이터 저장소, 정보를 유통하기 위한 표준화된 지식체계, 각 체계 사이의 연계

점이 마련된다면 인공지능의 성능을 더욱 빠르게 개선할 수 있을 것이다. 최근 클라우드 컴퓨

팅 기술의 발달과 함께 대용량 정보 검색에 사용되는 공개 SW 기술들이 함께 활용될 경우

저장소의 설계는 더욱 쉬워질 것이다.

V. 결론 및 시사점

인공지능에 대해서 많은 이들이 환상을 갖고 있다. 그리고 인공지능에 의한 성공적인 결과

가 언론에서 대서특필되고 있어 사람들은 바로 눈앞에 인공지능의 시대가 다가온 것처럼 생

각한다. 그러나 이 시기 이전부터 많은 인공지능 연구자들이 기초 연구를 묵묵히 수행해 왔으

며, 학습 데이터를 단계적으로 쌓아온 결과 이제서야 이들이 상호 연계점을 가지게 되면서



빠른 속도로 연구 진행이 되고 있으며, 여전히 수많은 실패와 테스트 이후에 최적의 결과값

하나를 만들어내는 단계에 이르렀을 뿐이다. 인공지능은 어쩌면 인간이 할 수억 가지의 실패

를 미리 해보고 우리가 가서는 안 되는 길을 미리 안내해주는 선지자일지도 모른다. 이로

인해 인간이 실패 확률을 줄인다면 인공지능은 충분히 그 역할을 다한 것일 것이다.

농업 분야에서도 이제 생산성 혁신, 비용 혁신이 이루어질 것이며 그 근간에는 잘 정제된

데이터와 이를 공유하는 문화가 기반이 될 것이다. 개인정보보호법 등에 발목 잡혀 빠르게

진보하지 못하고 있는 안면인식, 보안, 소비자 성향 분석, 헬스케어 서비스 등의 분야와 비교

하면 농업 분야는 충분히 앞서 나아갈 기반과 시장, 기술력이 충분하다고 생각한다. 앞으로

우리나라가 인공지능의 기반 데이터를 많이 구축하고 이러한 기반 데이터 세트를 가장 많이

보유한 국가가 되어 인공지능의 선도 국가가 되었으면 하는 바람이다.

[ 참고문헌 ]

[1] Kumba Sennaar, “AI in Agriculture – present applications and Impact,” Techemergence, 2017.

[2] 한국정보화진흥원, “AI 이노베이션 허브”, 2017.[3] WSSA, “WSSA Calculates Billions in Potential Economic Losses from Uncontrolled Weeds,” 2016.

5. 14.

[4] BlueRiver Technology, 2015., http://smartmachines.bluerivertechnology.com/

[5] Global Plant Protection News, “Plantix: New app aids in plant pest and disease identification,” 2017. 10. 2.

[6] aWhere Inc, 1999., http://www.awhere.com/solutions/ag-tech

[7] Vijai Singh, Ak.K. Misra, “Detection of plant leaf diseases using image segmentation and soft

computing techniques,” Information processing in Agriculture 4, 41-49, 2017.

[8] Peter Wilf et al. “Computer vision cracks the leaf code,” PNAS March 22, 2016.[9] Kamlesh Golhani et al. “A review of neural networks in plant disease detection using hyperspectral

data,” Information Porcessing in Agriculture, 2018. 5. 2.

[10] 농업경제신문, “농업혁신, 드론이 앞당긴다-해외사례”, 2016. 12. 2.[11] Migicovsky, Zoe, apple_leaf. figshare. Fileset, 2015, https://goo.gl/JPCGjp

[12] SkuMind A.I. Wiki, Open Datasets, 2018., https://deeplearning4j.org/opendata

[13] Lobet G., Draye X., Perilleux C., “An online database for plant image analysis software tools,” Plant Methods, vol.9(38), 2013.

[14] Vijai Singha A.K.Misrab, “Detection of plant leaf diseases using image segmentation and soft

computing techniques, Information Processing in Agriculture,” Vol.4, Issue 1, 2017, pp.41-49.[15] Chunlei Xia et.al, “Plant leaf detection using modified active shape models, Biosystems

Engineering,” Vol.116, Issue 1, 2013, pp.23-35.[16] Tapio Pahikkala et.al., “Classification of plant species from images of overlapping leaves,

14 www.iitp.kr

주간기술동향 2018. 8. 15.

Computers and Electronics in Agriculture,” Vol.118, 2015, pp.186-192.[17] Jyotismita Chaki, “Plant leaf recognition using texture and shape features with neural classifiers,

Pattern Recognition Letters,” Vol.58, 2015, pp.61-68.[18] 이옥정, 서범석, 김희곤, “작물 영상을 사용한 작물 생육 진단 장치”, 특허 KR101822410B1,

2018.

[19] David P. Hughes, Marcel Salathe, “An open access repository of images on plant health to enable

the development of mobile disease diagnostics through machine learning and crowdsourcing,” aRxiv, 2015.

[20] X. Li, S. Chen, L. Guo, “Technological innovation of agricultural information service in the age of

Big Data,” J. Agric. Sci. Technol., 16, 2014, pp.10-15.[21] International list of vine varieties and their synonyms, “ORGANISATION INTERNATIONALE DE LA

VIGNE ET DU VIN,” 2013.[22] Wine supply chain traceability, “The Global Language of Business,” 2016.[23] Liv-EX the Fine wine Market, 2000., https://www.liv-ex.com/lwin/

[24] Miller ND, Durham Brooks TL, Assadi AH, Spalding EP, “Detection of a gravitropism phenotype in

glutamate receptor-like 3.3 mutants of Arabidopsis thaliana using machine vision and

computation,” Genetics 18, 585~593, 2010.[25] Zoe Migicovsky et. al., “Morphometrics Reveals Complex and Heritable Apple Leaf Shapes,”

Frontiers in Plant Science, 2018, 2017. 2. 18.

ICT신기술


이승훈

가천대학교 교수

I. 서론

IT(Information Technology)는 이제 어느 곳에서나 마주칠 수 있다. 하지만 전력산업에서 IT는

아직은 생경한 단어이다. 많은 산업 영역에서 인터넷을 기반으로 한 다양한 플랫폼과 서비스

가 등장했던 것과는 달리 전력 서비스는 여전히 굳게 문이 닫혀져 있는 느낌이다. 그 이유는

무엇일까? 아마도 첫 번째는 전력사업이 갖는 필수, 핵심, 전략, 국가 인프라적인 특성일 수

있을 것이고 또 하나는 한국전력이라는 공기업, 독점 사업자의 존재에 기인할 것이다. 인터넷

을 기반으로 하는 변화는 ‘개방(Open)’과 ‘공유(Share)’라는 가치에 근거하여 이루어져 왔다.

서비스나 재화의 생산자와 소비자 양측이 모두 자신의 정보를 개방하고 공유함에 따라 혁명

적인 변화들이 만들어진 것이다. 지식이나 미디어 거래 시장에서의 변화는 우리 모두가 인지

하듯이 괄목할 만하다.

전력 서비스가 이런 변화를 가지지 못했던 이유는 생산자도 소비자도 자신의 정보를 공유

할 수 있는 환경이 만들어지지 못했기 때문이다. 대규모 생산, 분배 그리고 수동적인 소비라는

단순한 전력 서비스의 가치사슬 구조가 이를 어렵게 만들었을 것이다. 하지만 이러한 전력

서비스에 작은 변화가 생겨나기 시작하였다. 재생에너지 보급의 필요성이 증대되면서 중소형

태양광 특히, 가정용 태양광이 주목을 받기 시작했다. 가정용 태양광의 보급으로 개개의 가구

들이 전력의 생산자이자 소비자가 되는 구조가 만들어지기 시작했고, 이를 통해 전력생산과

전력소비에 대한 정보가 개방되고 공유되기 시작한 것이다.

태양광 발전이 어떻게 전력 IT 변화의 시작점이 되고 있을까? 이 질문에 답하기 위해서는

전력 IT가 궁극적으로 생각하는 바가 무엇인지를 먼저 답해야 한다. 전력이라는 영역에서 IT가

적용된다는 것은 전력생산에 대한 정보와 아주 많은 소비자의 전력 사용에 대한 정보가 개방

전력 IT와 태양광- 지속 가능한 지구를 위하여 -

* 본 내용은 이승훈 교수(031-750-8562, [email protected])에게 문의하시기 바랍니다.


16 www.iitp.kr

주간기술동향 2018. 8. 15.

되고 공유되어서 전력 공급자와 소비자 모두의 편익이 증대되는 그런 결과를 의미할 것이다.

보다 구체적으로 이야기하면 전력 IT가 지향하는 바는 전력의 소비자는 자신의 전력 사용 행

태나 자신이 사용하고 있는 전력장치들의 정보 혹은 통제를 개방함으로써 안정적인 전력의

공급을 보장 받으면서 낮은 전력 사용 대가를 지불할 수 있게 되는 것이고, 전력의 생산자는

소비자의 전력 사용 정보를 알거나 혹은 통제할 수 있어서 전력 생산과 공급을 보다 효율적으

로 할 수 있는 그런 모습을 의미하는 것이다.

이러한 바람을 위해서는 많은 변화를 필요로 한다. 하지만 현재의 전력시스템은 수문을

가진 댐과 같아서 전력이 단방향으로 공급되는 그런 단순한 구조를 갖고 있었기에 지금껏

위에서 언급한 이상적인 개방과 공유가 이루어지는 것이 불가능했다. 보다 쉽게 설명하기 위

해 미디어를 예로 들면, 과거 미디어는 기존의 방송사(KBS, MBC)가 콘텐츠를 만들어서 단방향

주파수를 사용하여 송출하는 것과 같은 1:N의 방식이었다. 그와 같은 방식에서는 지금의 전력

시스템과 마찬가지로 개방과 공유가 이루어지는 것이 불가능했다. 하지만 네트워크가 발달하

고 모바일이 등장하면서 이러한 방식과 사람들의 인식에 변화가 생겼다. 그리고 유튜브나 페

이스북 등과 같은 서비스가 등장하면서 누구나 콘텐츠를 제작하고 소비할 수 있는 N:N의 방식

으로 변화하는 혁신이 이루어졌다. 이처럼 미디어 영역에서 이루어진 변화와 혁신이 전력시스

템에서도 이루어지기 위해서는 먼저 현재 가장 단순하며 수동적인 전력소비자들이 수동적인

전력수요자의 입장에서 벗어나야 한다. 즉, 전력소비의 주체들이 일정수준의 생산 역할을 확

보해야 한다.

주택용 태양광 보급이 가장 활발히 이루어지고 있는 미국의 경우를 보면, 가정집 지붕 위에

설치된 태양광 발전을 통해 전력의 소비자가 전력생산자로서의 역할을 확보하게 되어 수동적

소비자의 모습에서 조금씩 변화가 이루어지고 있음을 알 수 있다. 전력생산에 참여함에 따라

자신이 생산하는 전력을 가장 효과적으로 사용하거나 판매하고자 하는 의지가 생겨났으며

자신의 전력소비 및 생산에 대한 정보를 공유하기 시작한 것이다. 이는 전력회사 혹은 보조금

을 지급하는 정부와 함께 어떻게 전력을 생산하고 어떻게 소비할 것인가의 정보를 공유함에

따라 전력 사용에 소요되는 비용을 대폭 절감할 수 있기 때문이다. 그 결과 기존에 무감각하게

사용했던 전력소비를 보다 현명하게 할 수 있는 방법이 다양하게 나타나기 시작했다.

예를 들어, 지붕에 3kW 용량의 가정용 태양광을 설치하고 매일 3.4시간1) 정도의 발전을

해서 10kWh의 전력생산이 가능해졌다고 가정하고, 물론 이 생산한 전력을 저장할 수 있는

1) 우리나라 태양광 기준 평균 일조시간은 약 3.4시간임

ICT신기술


10kWh 용량의 가정용 전력저장장치(ESS)도 설치되었다고 가정하면 보다 다양한 선택이 가능

해진다. 한국의 가구당 평균 월 전력 사용량이 300kWh 수준이라2) 가정하면, 매일 생산한

10kWh를 가지고 자신의 전력수요를 충당할 수 있게 된다. 하지만 이는 단순한 전력생산과

소비에서의 독립만을 의미하는 것이 아니다. 전력의 생산은 많지만 소비는 적은 한낮의 경우

생산되는 전력은 전력저장장치에 저장되거나 계통에 판매하게 되고, 생산은 되지 않고 소비

만 이루어지는 저녁시간 대의 경우는 가능한 저장된 전력을 소비하거나 계통에서 전력을 공

급받아 사용하게 된다. 현재 사용용량에 따른 누진제를3) 감안하여 자신이 계통으로부터 공급

받는 전력량을 누진제의 구간에 맞춰 운영하게 되면 지불되는 전력비용은 획기적으로 절감이

가능해진다. 즉, 단순한 소비자에서 이제 구간을 통제할 수 있는 발전이라는 권한이 생겼기에

전력 소비자는 더욱 더 현명해진다는 의미이다. 물론 이러한 방식이 단순히 소비자 편익만을

발생시키는 것은 아니다. 전력생산자의 경우도 소비자가 현명해짐에 따라 다양한 제안을 소비

자에게 할 수 있는 여지가 생기게 됨을 의미한다. 예를 들어, 계통한계가격인 SMP는4) 그 순간

전력생산에 참여한 발전소들 중 발전단가가 가장 높은 발전소를 기준으로 정해지는데 발전단

가가 높은 발전소를 가동하기 전에 조금 더 좋은 가격으로 가정으로부터 전력을 구입할 수

있다면 SMP를 보다 낮게 유지할 수 있을 것이다. 그리고 현재 25% 수준을 유지하고 있는

전력 공급 예비율의 경우에도 그 비율의 일부를 가정으로부터의 연계를 고려하여 낮출 수

있다면 전력생산자의 입장에서도 이익을 보다 높일 수 있을 것이다[1].

현재 우리나라의 경우는 태양광을 장려하기 위해 자가 사용보다는 기존전력 계통으로의

판매에 인센티브를 더 지불하고 있다. 그러나 정부의 장려정책이 일몰되고 태양광 발전 단가

가 하락되면 미국의 가정용 태양광과 같은 환경이 만들어질 것으로 보인다. 그렇게 된다면

전력시스템은 분산되고 스마트해질 것이다. 본 고에서는 태양광 발전의 기술 진화에 있어서

최근 중소형 태양광에서 나타나고 있는 두 가지 변화인 분산화와 스마트화에 대해 이야기

해보고자 한다.

2) 우리나라 전체 가구당 평균 전력 사용량은 약 230kWh임(2016년 한국전력 통계 기준)

3) 전기 사용량이 늘어날수록 단위당 요금이 오르는 누진과금세

4) 계통한계가격(系統限界價格) SMP: System Marginal Price. 매 시점 전력수요를 충족시키기 위해 가동되는 최종 투입 발전기의 발전가격. 즉, 수요를 만족시키는 가장 비싼 발전기의 발전가격_한국에너지공단, 에너지용어사전

18 www.iitp.kr

주간기술동향 2018. 8. 15.

II. 태양광 발전의 기술적 진화

분산화라는 기술은 태양광 발전이 중소형 시장 혹은 다양한 변수를 가진 시장에 진입하며

나타난 단순한 기술적 변화라 볼 수 있다. 하지만 개념적으로 좀 더 넓게 생각하면 중소형

태양광 발전이 이루어지는 그 자체를 분산화라고 할 수 있다. 수많은 발전소가 만들어진다는

것은 전력발전의 권한이 분산됨을 의미하며, 그 추세는 기존의 분산발전이라는 개념과는 다

른 차원의 전력 서비스에서의 진보를 의미한다. 전력 서비스에서의 시장독점적 지위를 바꾸는

작용을 하기 때문이다. 여기서 살펴보는 분산화 기술은 인버터와 같은 전력통제장치의 진화를

통해 기존의 중앙집중형 태양광의 설치가 어려웠거나 경제성을 확보하지 못했던 지역에 대한

태양광의 진입을 가능하게 한다.

스마트화는 가정용 ESS의5) 등장으로 가능해졌는데 이를 바탕으로 가능해진 전력영역에서

의 정보의 개방과 공유는 새로운 차원의 진보를 가능하게 할 것이다. 전력저장장치가 가정용

태양광에 설치되면 가장 단순하게는 전력의 소비시점과 생산시점 사이에 Time Shift가 가능해

진다. 즉, 생산하여 저장하고 필요 시, 혹은 가장 적합한 시간에 소비하는 스마트한 전력 생산

및 소비 행위가 가능해지는 것이다. 그러나 전력저장장치를 통해 얻어지는 변화는 여기에 국

한되지 않는다. 전력저장장치를 발전설비에 추가하려면 통제장치가 동반하게 된다. 이미 언급

한 언제 생산하고 언제 소비할 것인가를 계통의 정보와 정부정책 그리고 날씨 및 전력소비패

턴 등에 최적화되게 운영하기 위해서는 이 모든 것들을 분석하여 전력저장장치에 저장을 유

지할지, 계통에 판매할지, 지금 즉시 사용할지 등을 통제할 수 있는 작은 컨트롤러가 함께

설치되어야 할 것이기 때문이다. 이 컨트롤러는 전력저장장치를 통제할 수 있을 뿐만 아니라

당연히 전력소비 행위도 통제할 수 있게 된다. 예를 들어, 냉방기기를 연결할 경우, 스마트한

전력의 생산과 소비활동에 냉방장치도 활용할 수 있게 된다는 의미이다. 조명, 냉난방 등 스마

트한 통제가 손쉬운 영역의 전력소비에서 보다 적극적인 인간의 개입이 필요한 세탁, 조리,

운송의 영역까지 전력소비의 통제가 손쉽게 이루어지게 된다.

케이블 방송이 보편화되고 각 가정마다 셋톱박스가 설치되면서 셋톱박스는 가정의 정보허

브로 각광받게 되었다. 셋톱박스가 설치된 가정으로부터 발생하는 다양한 정보가 개방되기

위해서는 정보가 모아져 흐를 수 있는 허브가 필요했기 때문이다. 물론 셋톱박스의 기기적인

한계(낮은 CPU 능력이나 연결될 수 있는 기기의 부족 등)로 인해 그 역할은 이제 인공지능

5) Energy Storage System, 전력저장장치로 현재는 일반적으로 리튬이온배터리를 이용하여 구성함

ICT신기술


비서를 탑재한 스마트 스피커에게로6) 넘어가고 있지만 여전히 가정의 정보허브를 향한 경쟁

은 계속되고 있다. 하지만 전력정보를 대상으로 한다면 가정에서의 전력정보 허브로서의 역할

은 앞서 언급한 전력저장장치에 설치된 컨트롤러가 담당할 것으로 보인다. 물론 기존에도 홈

허브의 기능으로 전력제어 역시 많이 언급되었다. 단지 그 구현이 어려웠던 이유는 스마트

스피커나 셋톱박스는 소비자들에게 어떠한 전력권한도 제공하지 못했기 때문이다. 하지만 이

제 전력저장장치를 탑재한 태양광시스템은 설치와 동시에 전력권한을 제공한다. 시장에 참여

하게 되고 스마트해지는 것이 수익에 연결되기 때문이다.

1. 분산화

발전소가 분산화로 가는 것은 중소규모의 태양광 발전시장의 성장과 상관관계가 있다. 초

기의 태양광 발전소들은 광활한 개활지에 대형 규모로 건설되었다. 그러다 보니 주민참여형이

라기보다는 기업형에 가까웠다. 하지만 정부의 적극적인 재생에너지 보급 의지로 인해 관련된

혜택들이 증가할수록 그 혜택이 지역 주민들에게 돌아가는 것이 아니라 투자에 참여한 기업

에 돌아간다는 불만들이 제기되기 시작했다. 게다가 환경적인 문제도 지속적으로 증가했다.

대규모로 건설하다 보니 빈번하게 생태계가 파괴되고 그로 인한 주민피해가 속출했다. 이렇게

사회적, 환경적인 문제로 인해 대규모의 태양광 발전소의 건설이 어려워짐에 따라 중소규모

의 태양광 발전에 대한 수요가 만들어지기 시작했다. 2017년 정부에서 발표한 “재생에너지

3020 이행계획”을 보더라도 국민 참여 방식으로 재생에너지 보급을 확대한다는 전략이 주를

이루고 있다. 태양광 발전 기술에 있어 분산화는 이러한 맥락에서 주목 받기 시작했으며, 이

분산화 기술의 중심에는 인버터라는 일종의 통제 장치가 존재하고 있다.

인버터는 전기 컨버터의 일종으로 출력 전원이 교류인 경우를 의미한다. 즉, 한국전력과

같은 계통(Grid)에 전기를 전달하기 위해 태양광 패널이 만들어 낸 직류(DC) 전기를 교류(AC)

전기로 바꾸는 역할을 한다. 기능적으로는 크게 태양광 패널에서 발생된 낮은 DC 전력을 필요

한 수준으로 변경하는 DC/DC 컨버터와 그리드로 계통 연계를 위해 AC로 변환하는 DC/AC 컨버

터의 결합으로 구성되어 있다.

전통적인 태양광 발전소는 여러 장의 패널을 하나의 인버터와 직병렬로 연결한 중앙집중식

발전소의 형태를 가지고 있었다. 이러한 방식에 사용된 인버터를 센트럴 인버터(Central

6) 대표적으로 알렉사를 탑재한 아마존의 에코나 시리를 탑재한 애플의 홈팟, SKT의 누구 등이 있다.

20 www.iitp.kr

주간기술동향 2018. 8. 15.

Inverter)라고 한다. 이러한 중앙집중식 구조는 비용 효율적이지만 전체 패널을 하나의 인버터

와 연결하기 때문에 구름이나 나뭇가지 등 주변 지형지물들에 의한 그림자로 인해 일부 패널

의 발전량이 감소하면 전체 패널의 전력량도 같이 감소하게 된다.7) 다시 말하면, 발전량이

가장 낮은 패널을 기준으로 모든 패널의 전기 생산량이 같이 감소하게 되기 때문에 하나의

패널 고장은 전체 패널의 고장으로 이어지게 된다. 이런 이유로 중앙집중식 구조에서는 주변

물체로 인해 패널에 부분 그늘이 지거나 하나의 패널이라도 고장이 나게 되면 급격하게 발전

량이 떨어지며 때로는 시스템 전체가 작동을 멈출 수 있다. 그리고 하나의 인버터로 전체

패널의 DC 전기가 모이게 되므로 높은 DC 전압이 가해져 안전 문제나 인버터의 수명 문제

또한 크다.

그럼에도 불구하고 중앙집중식 구조는 수십 년 동안 태양광 시장에서 널리 쓰여 왔다. 그

이유는 단순한 구조로 비용 면에서 가장 효율적이며, 운영지점(Point of Operation)이 센트럴

인버터 하나에 집중되는 이점을 가지고 있기 때문에 관리가 용이했기 때문이다. 수십만 평의

대규모 사이즈가 주를 이루었던 과거의 태양광 발전소에서는 개별 패널의 발전 효율을 제어

하기가 불가능했고 일부 그늘짐 현상이나 고장으로 효율이 떨어진 패널을 찾기 위한 시간과

비용 투자가 비효율적이었다.

이러한 상황에서 중소규모 태양광의 수요가 나타나기 시작했다. 하지만 중소형 태양광 발

전소는 대형 태양광 발전소와는 달리 발전을 저해하는 다양한 환경요소를 고려해야 한다. 발

전소 주변에 존재하는 높은 빌딩이나 전신주, 전선 혹은 가로수와 같은 다양한 환경요소들이

태양광 패널에 음영을 만들어내므로 기존 방식 즉, 센트럴 방식의 설계로는 충분한 발전 효율

을 기대할 수 없기 때문이다. 이런 이유로 분산형 태양광시스템이 등장하게 되었다. 여기에서

분산형이라는 단어는 발전이라는 측면에서 발전의 권한이 분산됨을 의미한다. 작게는 태양광

패널 하나하나가 발전주체가 되는 결과를 만들어내는 것이다. 그리고 이는 보다 의미 있는

관리의 필요성을 요구하게 될 것이다. 현재 소형화와 최적화를 추구하고 있는 기존의 전력공

급시스템과는 사뭇 비교되는 모습이다.

[그림 1]을 보면 좌측은 분산형 태양광 발전소이고 우측은 중앙집중형 발전소이다. 한 개의

패널에 낙엽이 떨어져 50%의 음영이 발생했다고 가정하면, 중앙집중형은 전체 패널의 효율이

50%로 감소하는 반면, 분산형은 해당 패널의 효율만이 50% 감소하여 전체적으로는 12.5%의

효율 감소라는 결과를 보인다. 이는 하나하나의 패널에 일종의 통제장치인 인버터를 부착했기

7) 이런 현상을 이해하기 위해서는 전압과 전류간의 관계에 따른 전력시스템에 대한 이해가 필요하다.

ICT신기술


에 가능한 결과이고, 이는 전력 생산이라는 측면에서 분산 관리를 의미한다.

분산형 시스템 구성을 위한 방법으로는 크게 스트링 인버터(String Inverter)를 사용하는 구

성, 마이크로 인버터(Micro Inverter)를 사용하는 구성 그리고 파워 옵티마이저(Power Optimizer)

와 DC/AC 컨버터를 함께 이용하는 방법 등이 있다. 우선 스트링 인버터는 분산형 인버터 중에

가장 비용이 저렴한 방식이다. 연결방식은 인버터에 다수의 패널을 연결한 것으로 센트럴 인

버터와 혼동하기 쉽지만 결과적으로 완전히 다른 구조이다. 예를 들면, 100장의 패널을 이용

해서 태양광 발전소를 구성한다고 가정하면, 100장의 패널을 1대의 인버터로 연결한 것이

<자료> enphase, products/Comparing Inverters

[그림 1] 분산형 인버터(좌)와 센트럴 인버터(우)의 부분 음영에 따른 패널 발전 효율

(a) Central inverter (b) Strinq inverter

<자료> ScienceDirect, "Shading and bypass diode impacts to energy extraction of PV arrays under different converter

configurations"

[그림 2] 센트럴 인버터와 스트링 인버터 연결방식

22 www.iitp.kr

주간기술동향 2018. 8. 15.

센트럴 인버터 구조이고, 10장의 패널을 하나의 스트링 인버터에 연결하는 방식으로 10개의

스트링 인버터 시스템을 구성하는 것이 스트링 인버터 구조라고 설명할 수 있다. 물론 이

둘의 차이가 단지 하나의 인버터에 연결된 패널의 수가 줄어든 것과 사용되는 인버터의 개수

가 늘어난 것만은 아니다. 전력 제어 역할을 분산하기 위해 패널과 인버터의 연결방식이 직렬

구조에서 병렬구조로 바뀌면서 직렬구조에서 얻을 수 없었던 일정한 전압으로 유지되는 안정

된 구조가 되었음을 뜻한다. 스트링 인버터의 경우 한 대의 인버터가 고장이 나거나 효율이

떨어져도 나머지 인버터들이 독립적으로 작동하기 때문에 센트럴 인버터보다 효율이 좋다.

[그림 2]는 이러한 센트럴 인버터와 스트링 인버터의 연결방식의 차이를 보여주는 그림이다.

센트럴 인버터나 스트링 인버터처럼 다수개의 패널을 하나의 인버터에 연결하는 방식을

탈피, 개개의 패널별로 분산화를 시도하여 설치 단순화와 안정성 그리고 효율성에 대한 솔루

션을 확보한 인버터가 마이크로 인버터와 파워 옵티마이저 방식이다. 마이크로 인버터와 파워

옵티마이저는 기본적으로 패널 하나 당 인버터 하나를 병렬 연결한 1:1 방식이기 때문에 각

패널 별로 MPPT(Maximum Power Point Tracking: 최대전력점추종)가8) 가능하여 실시간으로 패

널별 최대 효율 제어가 가능하다. 이렇게 되면 일부 패널에 그늘이 드리워져도 그늘이 생기지

않은 패널에 전혀 영향을 주지 않아 발전 효율이 높아진다. 이 둘의 차이는 각각의 패널에서

출력되는 전력의 타입의 차이인데 마이크로 인버터는 인버터 기능 전체가 내장되었기 때문에

패널에서 생성된 DC 전기를 곧바로 AC 전기로 바꾸어 출력하는 반면, 파워 옵티마이저는 인버

터의 DC/DC 컨버터 기능만을 내장하였기 때문에 DC 전기의 전압을 조절하여 DC로 출력한다.

그렇기 때문에 파워 옵티마이저를 사용하면 중앙에 DC/AC 기능만을 수행하는 보다 단순한

형태의 인버터가 별도로 필요하다. 즉, 파워 옵티마이저는 패널과 인버터 사이에서 각각의

8) 패널이 햇빛에서 전력을 출력하는 동안 전력을 많이 생산할 수 있는 지점을 추적하는 알고리즘

<자료> LetsgoSolar, Residential Solar Panel Systems

[그림 3] 마이크로 인버터와 파워옵티마이저 연결방식

ICT신기술


패널이 개별적으로 최대 효율을 얻을 수 있도록 해주는 일종의 컨트롤러라고 보면 된다. 이처

럼 파워 옵티마이저는 마이크로 인버터와 유사한 이점을 가지고 있으나 비용이 훨씬 저렴하

여 패널별 분산화 시스템 구성에서 마이크로 인버터 대용으로 많이 사용되고 있다. [그림 3]은

마이크로 인버터와 파워 옵티마이저 방식의 차이를 보여준다[2].

분산형 인버터는 중앙집중형 인버터 태양광시스템의 문제를 해결하기 위한 솔루션으로 등

장했고 중소형 태양광 시장을 확장하는 기술적 계기가 될 것이다. 분산형을 선택함으로써 장

기적으로 발전 효율의 증가와 관리비용의 감소를 통해 보다 높은 편익의 실현도 가능하다.

하지만 분산형 태양광 발전소의 등장이 갖는 가장 큰 의미는 태양광 발전이 보다 용이해지고

어느 곳에서나 설치될 수 있다는 가능성을 열었다는 것이다. 즉, 이상적으로 이야기되어 왔던

국민 수요관리(Demand Side Management: DSM)가9) 이제 현실적인 수준에서 가능해진 것이다.

2. 스마트화

태양광 발전에서의 또 하나의 추세는 전력저장장치의 등장에 의한 스마트화의 가능성이다.

이미 언급했듯이 중소형, 특히 가정용 태양광의 문제는 발전시간과 소비시간이 상이하다는

점이고, 이를 극복할 수 있는 가장 좋은 방법은 전력저장장치를 설치하는 것이다. 물론 전력저

장장치의 필요성은 이전부터 모두가 이해하고 있었지만 가정에서 경제성을 갖기에는 너무

비쌌다. 하지만 리튬이온 배터리의 급격한 가격 하락과 기술발전으로 조금씩 경제성을 갖기

시작했다. 2017년 테슬라에서 가정용 ESS로 발표한 파워월2는 약 14kWh 용량을 가지고 있지

만 가격은 인버터를 포함하여 5,500달러였는데, 이는 4~5년 전 1kWh에 1,000달러가 넘었던

리튬이온 배터리 가격을 생각하면 엄청난 가격 하락이다[3].

이러한 전력저장장치는 단순히 전력을 저장하는 수동적 역할만 하는 것이 아니라 전력의

발전과 소비의 패턴에 따라 스마트하게 전력을 소비하고 저장하는 기능을 갖게 된다. 이를

위해 배터리에 스마트한 컨트롤을 위한 컨트롤러가 부착되어야 한다. 이는 가정의 전력소비

패턴과 계통정보, 정부 정책, 날씨 등을 고려하여 생산된 전력의 소비를 통제하는 것으로 시간

이 지남에 따라 전력소비 패턴과 소비자의 기호 등의 데이터가 누적되어 보다 스마트해지는

경향을 갖게 된다. 예를 들어, 몇 가지 가상의 케이스를 생각해보면, 일단 전기요금이 1kWh에

100원이라고 하고, 만약 한전에서는 150원에 사준다면 사용하는 것보다는 한전에 파는 것이

9) 최소의 비용으로 소비자의 전기에너지 서비스 욕구를 충족시키기 위해 소비자의 전기사용 패턴을 합리적인 방향으로 유도하기 위한 전력회사의 제반 활동_수요관리고객포털 사이트

24 www.iitp.kr

주간기술동향 2018. 8. 15.

좋을 것이다. 하지만 이제 막 누진제 2단계에 들어가서 요금이 200원이 되었다면 어떨까?

그렇다면 당연히 파는 것보다는 사용하는 것이 좋을 것이다. 하지만 정부에서 ESS에 저장된

전력은 2018년까지만 REC(Renewable Energy Certificate) 가중치를 5.0을 준다면 어떨까? 그리

고 한전에 파는 것보다 직접 사용하는 것이 이익인 상황에서 내일 비가 예정되어 있다면 오늘

세탁기와 건조기를 돌려도 괜찮을까? 무수히 많은 현실적인 상황을 예상해 볼 수 있을 것이다.

이제 실제로 지금 일어나고 있는 몇몇 변화의 모습을 살펴보면 다음과 같다.

미국 캘리포니아의 에너지 기업인 Stem은 Athena라는 인공지능 ESS 시스템을 발표했다.

이 시스템은 서로 다른 곳에 존재하는 ESS 배터리들을 일종의 가상발전소(VPP) 개념으로 연

결하고 인공지능시스템을 이용하여 에너지 사용량을 파악하고 각각의 ESS를 보다 효율적으

로 사용할 수 있도록 에너지 비율의 변동을 추적하여 최적의 전력 구입 시점을 결정하여 실질

적으로 고객 수익을 실현하고 있다고 한다. 현재 약 800개 이상의 ESS 시스템이 연결되어

있으며 연간 총 800만 달러 정도의 이익을 창출하고 있다고 한다[4].

영국의 분산형 ESS 업체인 MOIXA는 Smart battery라는 가정용 ESS를 고객들에게 제공하고

있다. 기본적으로 태양광 발전과 연계하여 사용하거나 그리드로부터 피크타임을 피해 전력을

구입하여 사용할 수가 있다. 당연히 태양광 발전 연계의 경우 잉여 전력은 그리드로 판매할

수 있다. 하지만 GridShare라는 시스템의 사용과 태양광 발전을 통한 잉여 전력의 공유를 허락

한다면 가정들에 설치한 ESS들을 연결하여 일종의 가상발전소 개념으로 통합 관리하며 수익

을 발생시키고 그 수익을 공유할 수 있는 모델을 운영 중이다[5].

국내 기업인 솔라라이트는 최근 에너봇(Enerbot)이라는 스마트 EMS 솔루션을 발표했다. 이

솔루션은 ESS가 결합된 태양광 발전 시스템에서 최근의 전기사용량을 추적하고 SMP(System

Marginal Price, 계통한계가격)에 맞춰 연동된다고 한다. 즉, 기본적으로는 SMP 단가가 낮을

때는 전력을 저장하고 SMP 단가가 높을 때는 전력을 방전해 그리드에 판매한다. 그 외에도

사전에 수집된 빅데이터와 기상 데이터 및 사용 예측치를 바탕으로 소비자의 수익을 극대화

할 수 있는 형태로 저장 및 방전 여부를 제어한다고 한다[6].

국내 커피브랜드인 홈스테드는 태양광 발전과 ESS를 연계한 이젠파트너스의 지능형 에너

지관리시스템을 적용하여 연간 전력 사용량의 11% 정도를 절감할 수 있을 것으로 예상하고

있다. 이 시스템은 기본적으로 센서들을 이용하여 매장 내에서 사용하고 있는 기기들의 전력

사용 패턴을 분석하여 기본 데이터를 확보한 후, 전력소비에서 누진 구간을 벗어나지 않도록

실시간으로 관리 지침을 내리거나 실내외의 온도를 비교해 적정 에어컨 온도를 추천하는 등

의 기능을 수행한다고 한다[7].

ICT신기술


KT는 최근 AI 기반의 통합 에너지관리 플랫폼인 KT-MEG를 통해 ESS 서비스를 제공한다고

발표했다. 이 서비스를 통해 피크제어와 신재생에너지 안정화, 주파수 조정 등 다양한 고객

요구에 맞게 사용이 가능하며, 인공지능 분석 엔진인 이브레인(e-Brain)을 통해 지능형 스케줄

러 운영과 수익분석 등 수익의 극대화를 위한 서비스를 제공한다고 한다[8].

이처럼 전력의 소비단위이자 발전단위에 전력저장장치가 설치되면 이 새로운 전력주체는

기존의 전력망으로부터 독립적인 권한을 갖게 된다. 완벽한 전력 자립은 불가능하지만 한정적

인 자립이 가능해지고 스스로 발전과 소비, 판매까지 통제하는 능력을 갖게 되는 것이다. 기존

에 없었던 새로운 전력주체가 탄생하게 된 것이다. 이 새로운 전력주체가 바로 태양광 발전의

등장으로 만들어진 전력 IT의 구현이다. 아무런 힘도 갖지 못했던 단순한 전력의 소비주체가

태양광 발전이라는 도구를 통해 새로운 전력주체가 되면서 소비와 발전의 정보가 개방되고

공유되는 그런 결과를 낳기 때문이다.

III. 결론

태양광 발전소는 간헐성으로 인해 불안정한 전력원이라는 태생적인 약점을 갖고 있다. 태

양광과 같은 재생에너지가 주력 에너지원이 되지 못하는 이유를 많은 이들은 이 불안정성에

서 찾고 있다. 하지만 전력저장장치와의 커플링을 통해 불안정성을 해결한 스마트한 전력주체

의 등장은 기존 전력계통과의 연결을 보다 정교하게 컨트롤하므로 불안정하지 않는 안정적인

전력공급을 가능하게 할 것이다. 분산전력이 갖게 되는 불가피한 불안정성이 해소됨으로써

수만 개의 작은 발전소들을 통한 미래 전력수요의 해결이 가능해지는 것이다.

소비 측면에서도 스마트화를 통해 자동적인 수요관리와 부하관리도 가능해질 것이다. 상상

으로만 생각되던 전 가구의 수요관리가 가능해지는 것이다. 전력의 공급망과 연결된 컨트롤러

가 집안의 온도관리, 조명관리 등을 수행함으로써 최대한 전력비용을 낮추는 효과를 얻을

수 있으므로 모든 가구를 수요관리의 주체로 끌어들일 수 있게 될 것이기 때문이다. 이러한

변화로 인해 머지않아 한 여름의 전력소비는 최소화하면서 태양광을 통해 발전되는 모든 전

기는 계통에 판매하고 전 가족은 쇼핑몰로 피서를 가는 그런 상황이 곧 도래할 것이다.

[ 참고문헌 ]

[1] 전력거래소 - 시장가격결정 안내 페이지(홈 > 주요사업 > 시장운영)

[2] LetsGoSolar, “가정용 태양광 시스템 구성 비교”(LetsGoSolar 홈페이지 중 “Residential Solar

26 www.iitp.kr

주간기술동향 2018. 8. 15.

Panel Systems”)[3] 테슬라 - Powerwall

[4] stem - athena 솔루션

[5] moixa 홈페이지 중 Batteries for Solar Storage 솔루션 소개 페이지

[6] 국민일보, “솔라라이트, 인공지능에 의한 자동 전력 제어시스템 ‘Enerbot’ 선보여”, 2017. 12. 29.[7] IT월드, “이젠파트너스, 홈스테드 커피 프랜차이즈 5개점 에너지 효율 개선 사업 착수”, 2016.

8. 16.

[8] KT, “KT 에너지 얼라이언스 출범! 세계 최초 통합 에너지관리 플랫폼 ‘KT-MEG’ 오픈”, 2018. 2. 14.

최신ICT이슈


I. 구글 ‘콜센터 AI’ 서비스 발표, 상담원과 AI의 협업 솔루션임을 강조

2018년 초 사람과 흡사한 가상 비서 듀플렉스를 공개했던 구글이 최근 이 기술을 기업 콜센

터에 적용한 “컨택트센터 AI” 서비스를 발표하였음. 데모 영상에서 AI는 대화를 통해 고객의

전화 의도를 파악한 후 필요한 절차를 진행하고 고객이 원하면 상담원과 연결해 주는 기능

을 선보였음. 구글은 콜센터 AI 서비스가 상담원의 일자리를 없애는 것이 아니라 업무를

지원하는 협업 솔루션임을 강조하고 있지만 실제 그렇게 될 지는 지켜볼 필요가 있음

◾ 구글의 과학연구 책임자 페이페이 리는 ‘구글 클라우드 넥스트(Google Cloud Next)’ 행사의

기조연설에 등단해 콜센터 시스템에 인공지능(AI)을 통합한 서비스를 발표하였음

▸ 서비스 명칭은 ‘컨택트센터 AI(Contact Center AI)’로 콜센터 상담원(오퍼레이터)들의 업

무를 AI로 대행해 주는 기업용 솔루션인데, 고객의 질문이 간단한 것이라면 질문에 직접

대답하고 사람의 대응이 필요할 경우에는 문의자를 적합한 직원에게 연결해 줌

▸ 페이페이 리(Fei-Fei Li)는 매일 콜센터에서

벌어지는 어려움에 대해 연구하면서 단순한

거래나 정보성 문의가 상당히 많다는 것을

인식하게 되었으며, AI를 통해 고객과 대응

직원의 경험을 동시에 향상시키는 방법을

고민하게 되었다고 개발 배경을 설명

▸ 단순 상담이 과도해지면서 콜센터 직원들은

반복 업무와 빠른 처리에 대한 압박 증가로

인해 복잡한 문제 해결에 필요한 시간이 줄어드는 어려움을 느끼고 있고, 고객 역시

직관적이지 않은 ARS 메뉴, 상담 대기 시간 증가로 사용자 경험이 훼손되고 있다는 것

* 본 내용과 관련된 사항은 산업분석팀(☎ 042-612-8296)과 최신ICT동향 컬럼리스트 박종훈 집필위원([email protected] ☎ 02-576-2600)에게 문의하시기 바랍니다.


최신 ICT 이슈*

<자료> Google

[그림 1] 컨택트센터 AI 발표

28 www.iitp.kr

주간기술동향 2018. 8. 15.

▸ 컨택트센터 AI는 기존의 트리형 전화시스템을 상담원이 전화를 받기 전에 가상 AI 직원이

질문에 답하는 시스템으로 바꾼 것인데, 구글 컨택트센터 AI가 맥락 정보를 제공하기

때문에 상담원이 전화를 넘겨 받은 후에도 같은 질문을 반복할 필요가 없다고 함

◾ 컨택트센터 AI 서비스의 초기 베타 테스트에 참여하고 있는 곳은 ‘이베이(eBay)’인데, 이베

이는 고객과 자연스럽게 대화하는 시스템으로 기존 콜센터의 문제를 해결하고자 함

▸ 이베이는 그 동안 구글 클라우드, 이베이의 컨택트센터 기술 공급업체인 제네시스

(Genesys)와 함께 트리형 전화교환시스템을 없애고 자연어 기반 봇을 활용하는 개발

작업에 집중해 왔다고 함

▸ 이베이의 고객 서비스 부문 부사장인 댄 레이바(Dan Leiva)는 구글과 진행하는 시범 프로

젝트의 목표는 콜센터가 안고 있는 3가지 문제를 해결하는 것이라고 밝혔음

▸ 첫 번째 문제는 고객이 짜증나는 트리형 전화시스템을 돌아다니면서 끝없는 질문에 응

답해서야 겨우 기업이 고객의 전화 목적을 파악하게 되는 현상으로, 이 때문에 대부분의

문의 전화는 중도에 상담원 직접 통화 요청으로 이어지게 됨

▸ 두 번째 문제는 반복적으로 똑같은 정보를 제공하는 현상으로, 마침내 상담원과 통화하

게 되더라도 문의 시간의 절반은 이미 앞에서 입력하고 대답했던 정보를 다시 제공하는

데 소요되는 경우가 많음

▸ 마지막 문제는 고객 문의를 해결하기 위해 상담원이 접근할 수 있는 정보에 한계가 있다

는 점으로, 어렵게 상담원과 연결되어도 결국 고객은 문제를 해결하지 못하게 됨

▸ 이베이에 콜센터 시스템을 공급해 오던 제네시스 역시 “예/아니오”로 답하는 패러다임

이 계속 존재해야 할 이유를 알기 어렵다고 밝히며, 전화한 고객과 자연어로 대화하는

시스템을 만들고 싶어 이번 시범 프로젝트에 참여하게 되었다고 설명

▸ 제네시스는 이미 예측적 전화 라우팅 시스템을 개발한 바 있으며, 이번 프로젝트를 계기

로 구글의 AI 솔루션과 매끄럽게 연동하는 방안을 모색하겠다는 입장

◾ 기조연설에서는 컨택트센터 AI의 데모 영상이 소개되었는데, 소비자가 이베이에서 구매한

상품을 반품하기 위해 콜센터에 전화하는 상황을 설정한 데모임

▸ 데모 영상에서는 소비자가 콜센터에 전화하면 AI로 연결되는데, AI는 인간처럼 자연스럽

게 대화하며 소비자의 불만을 듣고 그 내용을 이해해 업무 처리를 마무리하였음

▸ 구체적으로 살펴보면, 소비자가 테니스 운동화를 사고 싶었지만 잘못 구매했기 때문에

최신ICT이슈


이를 반품하고 싶다고 하자, AI는 대화를 통

해 소비자의 의도를 이해하고 제품 반품 프

로세스를 실행하였음

▸ 이어 AI는 소비자가 테니스 운동화를 사고

싶다는 의도가 있음을 파악했기 때문에, 전

화를 패션 담당 상담원에게 돌려주었고, 소

비자는 상담원과 대화를 통해 원래 사고 싶

었던 운동화를 구매할 수 있었음

▸ 이 데모 영상은 지능형 AI가 사람의 역할을 대신할 수 있다는 것 외에도, 상담원과 협조

하여 콜센터 작업을 개선하려는 의도가 구현되어 있음을 보여주고 있음

◾ 컨택트센터 AI에 통합된 인공지능 대화봇은 2018년 초 ‘구글 I/O’에서 소개되어 논란을 불러

일으켰던 인공지능 가상 비서 ‘듀플렉스(Duplex)’와 유사한 기술이 적용되어 있음

▸ 2018년 초 구글의 CEO 순다 피차이가 듀플렉스를 시연할 때 너무 사람과 똑같아 AI가

스스로 사람이 아니라 채팅봇임을 밝히지 않으면 대화 상대방이 사람으로 착각할 위험

이 있다는 비난을 받는 등 한동안 논쟁이 벌어지기도 하였음

▸ 이런 논란을 의식해서인지, 컨택트센터 AI는 처음부터 자신이 컴퓨터임을 밝히고 인간의

톤으로 소비자와 대화를 시작하고 있음

▸ 거의 모든 콜센터에서는 트리 형식의 대화 모델로 질문하고 응답하면서 안내가 진행되

지만, 컨택트센터 AI는 개방 형식의 템플릿이 없는 대화 모델로 소비자와 대화하며 요구

사항을 확인하고 소비자의 발언에 임기응변으로 대응하는 모습을 보여주었음

<자료> Google

[그림 2] 콜센터 AI와 통화하는 반품 고객

소비자 : Unfortunately, they do not fit. So I need to return them.

(유감스럽게도 신발이 맞지 않네요. 반품해야겠어요.)

AI : I can help you that. I am starting a return for you. You will be receiving an email with the

details of your return.

(제가 도와드릴게요. 지금 반품 절차를 시작하고 있어요. 반품과 관련한 상세한 내용을 담은

메일을 받게 될 거에요)

AI : One more thing. Would you like me to connect to an eBay fashion expert to find the right

shoes?

(하나 더 말씀드릴 게 있는데요. 꼭 맞는 신발을 찾기 위해 이베이의 패션 전문가와 연결시켜

드려도 괜찮을까요?)

30 www.iitp.kr

주간기술동향 2018. 8. 15.

▸ 컨택트센터의 AI는 소비자의 의도를 파악하여 대응하는 동시에 대화 정보를 기록하며,

고객의 요구와 이어지는 파생 요구를 추론해 적합한 직원에게 연결하는 기능도 수행함

▸ 데모 영상에서는 AI가 소비자에게 패션 담당 상담원과 통화해보면 어떠냐는 제안을 하

고, 고객이 응낙하면 전문상담원에게 연결해 주는데, 연결이 되고 나면 상담원의 화면에

소비자와 AI의 대화가 표시되어 상담원은 지금까지의 경위를 바로 이해할 수 있음

▸ AI와 상담원의 협업은 여기서 끝나는 것이

아니며, 상담원이 소비자와 대화를 진행

하면 AI는 대화를 실시간으로 분석해 소비

자의 의도를 파악하고 최적의 상품을 상

담원에게 추천하는 기능까지 수행함

▸ 데모 영상에서 AI는 하드 코트 테니스화를

추천했고, 상담원이 이를 소비자에게 권하

자 소비자가 수락해 구입함으로써 일련의

트랜잭션이 종료되는 모습을 보여주었음

◾ 이러한 컨택트센터 AI 서비스는 ‘구글 클라우드’의 콜센터 시스템에서 실행되며, 클라우드

에는 두 가지 유형의 AI가 순차적으로 작동하게 됨

▸ 이베이가 시험적으로 운영 중인 서비스는 구글 클라우드에서 실행되는 제네시스의 콜센

터 시스템을 통해 구현되는데, “인공지능 가상 에이전트(AI Virtual Agent)”가 소비자와

자연어로 대화하며 클레임을 처리하고 상담원에게 전화를 돌려주는 기능을 함

▸ 전화를 돌려 받은 상담원이 소비자와 통화

할 때는 또 다른 인공지능인 “에이전트 어

시스트(Agent Assist)”가 대화를 실시간으

로 분석하고 추천 제품을 화면에 디스플

레이하는 기능을 수행함

▸ 컨택트센터 AI는 기존 콜센터 시스템과 통

합하여 이용되며, AI가 양방향 음성 대응

기능(Interactive Voice Response)을 주관하

여 콜센터의 두뇌 역할을 하게 됨

▸ 기조연설의 데모에서는 제네시스의 솔루션이 사용되었지만, 이 밖에도 미텔(Mitel), 시스

코(Cisco), 트윌리오(Twilio) 등 주요 콜센터 시스템에서도 컨택트센터 AI를 연계하여 사

<자료> Google

[그림 3] 상담원에게 제품을 추천하는 AI

<자료> Google

[그림 4] 컨택트센터 AI 서비스 구성도

최신ICT이슈


용할 수 있다고 함

▸ 각 솔루션의 구글 AI 지원 정도에 따라 서비스 연계 품질이 달라질 수 있겠지만, 기업들

로서는 기존 콜센터 시스템을 전면 교체하지 않고도 컨택트센터 AI를 통해 콜센터 상담

원들의 업무를 효율화하는 동시에 고객의 만족도를 높일 수 있다는 것임

▸ 컨택트센터 AI 서비스는 아직 안정화 단계는 아니지만, 사용을 희망하는 기업들은 구글

클라우드에서 서비스에 가입해 이용할 수 있음

▸ 컨택트센터 AI 솔루션은 2017년 11월에 공개된 대화형 에이전트 개발 스위트 ‘DEE

(Dialogflow Enterprise Edition)’를 기반으로 하며, 다이얼로그플로우 폰 게이트웨이를 활

용하여 전화 통신 네트워크와 통합이 가능한 딥마인드의 웨이브넷으로 강화되었음

▸ 웨이브넷(WaveNet)은 알파고를 개발한 구글의 자회사 딥마인드가 개발하여 2016년에

발표한 오디오 원음 심층 생성 모델임

▸ 웨이브넷은 인간의 음성을 모방하여 기계 음성을 생성해 주는데, 딥마인드는 기존 텍스

트-투-스피치(TTS) 시스템들보다 더 자연스러운 기계음 생성을 목표로, 인간 음성과 기

계음의 차이를 50% 이상 줄이는 기능을 연구 중이라고 함

◾ 컨택트센터 AI는 듀플렉스와 유사한 기술이기는 하지만 기술의 스택과 목표는 듀플렉스와

다르며, AI와 사람의 협력을 강조하는 기업용 솔루션 시장을 타게팅하고 있음

▸ 구글이 2018년 초 대화형 AI 듀플렉스를 공개했을 때, 이용자를 대신해 레스토랑의 점원

과 대화하며 테이블을 예약하는 시연 영

상에 환호를 보낸 이도 많았지만 불편함

과 두려움을 표출한 사람도 많았음

▸ AI의 말투가 사람과 구별할 수 없을 정도로

흡사한 것에 대해 경악의 목소리가 나왔

으며, 도대체 AI를 이 정도 수준까지 인간

에 접근시켜야 할 필요성이 과연 있는지에

대한 사회적 논의가 벌어지고 있기도 함

▸ 이번 구글 클라우드 넥스트에서 공개된 시

연 영상에서, 컨택트센터 AI의 가상 에이전트가 처음부터 자신이 사람이 아닌 가상의

존재임을 밝힌 것은 구글이 듀플렉스 발표 이후 벌어지고 있는 논쟁을 의식하고 어느

정도 비판을 수용한 것이라고 볼 수 있음

▸ 구글에 따르면 컨택트센터 AI는 완전히 듀플렉스 기반 기술이라고 보기는 어려운데, 이는

<자료> Google

[그림 5] 레스토랑 예약을 대행하는 듀플렉스

32 www.iitp.kr

주간기술동향 2018. 8. 15.

두 기술이 기본적인 구성 요소를 공유하지만 기술 스택과 전반적인 목표가 다르기 때문

▸ 듀플렉스가 일반 사용자 경험의 향상을 목표로 하고 있고 사용 방식을 아직 정하지 못하

고 있는 기술이라면, 컨택트센터 AI는 기업에 초점을 둔 것으로 구글 클라우드의 데이터

프라이버시와 거버넌스 정책을 준수하고 있어 기업에서 바로 사용할 수 있는 기술임

◾ 구글은 컨택트센터 AI가 인간의 일자리를 빼앗는 것이 아니라 인간을 도와주는 솔루션임을

강조하고 있지만, 실제로 기업이 어떻게 활용할 것인지는 당분간 관전이 필요한 부분

▸ AI를 접목한 콜센터 솔루션 부문에서는 IBM이 기존 솔루션에 왓슨(Watson)을 접목하며

앞서가고 있었지만, 구글이 자신들의 강점인 AI를 앞세워 지능형 기능을 강화하며 도전

장을 내밈에 따라 이 부문 경쟁이 본격화될 전망

▸ 구글은 이번 발표회에서 각 기업이 자신들의 요구에 맞는 독자적인 AI를 개발할 수 있는

도구도 공개하여 업무 형태에 따라 다양한 AI 콜센터를 구성할 수 있게 하였음

▸ 페이페이 리는 AI와 인간의 협력을 강조하며, 반복적이거나 간단한 작업을 AI에 맡기면

사람은 보다 지능적인 업무에 전념할 수 있다는 설명을 반복하였음

▸ 이 서비스는 “인간의 재능을 고양(Elevating Human Talent)”시키는 것으로, 컨택트센터

AI가 상담원들의 일자리를 빼앗는 존재가 아님을 강조한 것

▸ 그러나 콜센터를 운영하는 기업들이 데모 영상에 소개된 AI의 기능 정도만으로도 만족할

수도 있고, AI 성능의 향상에 따라 다양한 캐릭터의 에이전트가 사람보다 더 대응을 잘

한다고 평가할 수도 있어 구글의 희망대로 기업들이 움직일 지는 두고 보아야 할 것임

▸ 구글이 컨택트센터 AI로 인해 상담원의 일자리가 영향을 받지 않을 것이라고 강조하는

것은 역설적으로 그 만큼 빼앗을 위험이 크다는 것의 방증일 수도 있음

◾ 한편, 컨택트센터 AI의 서비스가 시작된 만큼, AI와 사람의 상호작용이 어떤 수준, 어떤

방식으로 되는 것이 좋을지에 대한 사회적 합의를 도출하는 데도 도움을 줄 것으로 보임

▸ 듀플렉스가 공개되었을 때 일각에서 AI가 너무 사람과 흡사하다며 불편한 감정을 표출한

것은 소위 “언캐니 밸리(uncanny valley)” 현상으로 설명할 수 있음

▸ 언캐니 밸리는 로보틱스 이론 중 인간이 로봇에 느끼는 감정과 관련된 것이며, 1970년

일본의 로봇 공학자 모리 마사히로가 주장한 이론으로, 처음에는 로봇이 인간과 닮을수

록 호감을 느끼다가 인간과 정말 비슷해지면 갑자기 깊은 두려움을 느끼게 되는 현상임

▸ 듀플렉스가 인간처럼 느껴진 이유는 사람들이 말을 할 때 나오는 좋지 않은 버릇, 소위

최신ICT이슈


‘disfluencies(눌변, 말더듬)’을 도입하고 있기 때문인데, ‘음...’ 또는 ‘에~’와 같이 의미

없는 중간 말을 대화중에 배치함으로써 인간미를 자아낸 것임

▸ 이를 불편하게 여기는 사람들은 듀플렉스가 인간을 모방할 필요는 없으며, AI라면 AI

답게 어색하게 말하라는 비판을 제기하고 있음

▸ 이에 대해 구글은 듀플렉스를 인간과

흡사하게 만들려고 한 이유는 AI가 어

색하게 말하면 듣는 사람이 짜증이

나 전화를 끊어 버리는 일이 많기 때

문이라 설명하고 있으며, 기계음에 짜

증내던 사람도 듀플렉스의 발랄한 여

성 목소리에는 친근감을 느낀다고 함

▸ 이용자를 대신해 AI가 레스토랑이나

미용실의 예약을 대행하는 듀플렉스

와 달리, 콜센터의 AI는 무언가 문제

를 가진 사람을 AI가 대응하는 것이므

로, 사람이 AI에 대해 느끼는 감정이

나 사람과 AI 사이의 상호작용은 보다 섬세하게 접근할 필요가 있을 것임

▸ 주로 불만을 가진 사람들을 대응하는 것이므로 기계가 아닌 사람인 것처럼 대응하는

것이 유리할 수도 있지만, AI가 100% 완전하게 대응이 불가능할 경우 짜증이 더 커질

것이므로 컨택트센터 AI는 일단 채팅봇임을 밝히고 대화를 시작한 것이라고 볼 수 있음

▸ 언캐니 밸리는 문자 그대로 해석하면 “불편함의 계곡”을 의미하며, 계곡에서 빠져 나오

지 못하면 더 이상 발전할 수 없다는 뜻을 내포하고 있음

▸ AI가 보다 일상화되기 위해서는 AI가 적용되는 각 상황 맥락에서 사람과 어떤 방식으로

상호작용할 것인지를 영리하게 정립할 필요가 있으며, 컨택트센터 AI와 같은 응용 사례

가 늘어나면서 사회적 합의점을 찾아나갈 수 있을 것임

[ 참고문헌 ]

[1] SiliconANGLE, “Crossing the uncanny valley without losing our grip on AI’s value,” 2018. 7. 30.[2] ZDNet, “Google Cloud Next postmortem: The enterprise journey continues,” 2018. 7. 27. [3] NBC, “At Google Cloud Next, Artificial Intelligence Isn’t the Future—It’s the Present,” 2018. 7. 26. [4] Computerworld UK, “Google is bringing its human-like conversational AI to the contact centre,”

2018. 7. 26.

<자료> The Robot Report

[그림 6] 휴머노이드 로봇의 언캐니 밸리 효과

34 www.iitp.kr

주간기술동향 2018. 8. 15.

II. 스마트 스피커 시장에서 앞서가는 아마존, 제2라운드는 ‘디스플레이’

탑재 스피커

◾ IDC에 따르면 스마트홈 기기 시장에서 가장 활기찬 부문은 스마트 스피커와 비디오 엔터테

인먼트 기기 분야임

▸ IDC에 따르면 세계 스마트홈 기기 시장의 2018년 출하대수는 5억 4,950만 대로 2017년에

비해 26.8% 증가할 전망이며, 금액 기준으로는 2,068억 달러를 기록할 것으로 보임

▸ IDC가 정의한 스마트홈 기기는 인공지능(AI)을 이용한 가상 비서 서비스를 이용할 수

있는 스마트 스피커, 스마트TV, 영상 전송 장치와 가정용 감시 카메라, 스마트 조명,

스마트 온도조절장치(실온 조절기) 등을 포함

▸ 이 중 가장 활기찬 기기 분야는 AI 기반의 스마트 스피커, 스마트TV, 영상 전송 장치의

3개로, 이들의 2018년 출하대수는 스마트홈 기기 전체 시장의 71%를 차지할 전망이며,

향후 5년간 연평균 12%씩 성장해 나갈 것으로 예상

▸ IDC에 따르면, 특히 AI 기반 TV와 영상 전송 장치 부문(스마트 엔터테인먼트 기기)의

매출금액 규모가 확대될 전망인데, 이는 기기 가격이 인공지능 스피커에 비해 높기 때문

[표 1] 스마트홈 시장 제품 카테고리별 2018-2022년 비교 (단위: 10억 달러)

◾ 스마트 스피커 시장에서 현재는 아마존이 과반을 점유하고 있으나 5년 후에는 구글이 아마

존과 비슷한 수준으로 올라설 것으로 전망

▸ 시장조사기관 ‘카날리스(Canalys)’에 따르면, 2018년 말 기준 전세계 스마트 스피커 판매

제품 카테고리 2018년 매출 2022년 매출 2018~2022 CAGR

홈 모니터링/보안 7.5 16.5 21.7%

조명 1.8 4.6 27.0%

스마트 스피커 11.8 27.8 23.7%

온도조절장치 2.9 8.3 30.1%

비디오 엔터테인먼트 기기 157.4 192.1 5.1%

기타 25.4 48.2 17.4%

합계 206.8 297.5 9.5%

* 비디오 엔터테인먼트 기기: 스미트TV, 디지털 미디어 어댑터, 기타 IP 접속 비디오 디바이스 포함<자료> IDC, June 2018.

최신ICT이슈


대수는 2017년 말 기준 4,000만 대에 비해 2.5배 증가한 1억 대에 달할 전망이며, 2020년

에는 2018년보다 2배 이상 증가할 것으로 예상

▸ 흥미로운 것은 제조업체 각사의 점유율 전망인데, 아마존 ‘에코(Echo)’ 시리즈의 2018년

점유율은 50% 이상으로 시장 과반을 유지할 것으로 예상되고 있음

▸ 이어 구글의 ‘구글 홈(Google Home)’ 시리즈가 30%의 점유율을 차지할 것으로 예상되며,

반면 애플이 2018년 2월부터 미국, 영국, 호주, 캐나다, 프랑스, 독일에서 판매하고 있는

‘홈팟(HomePod)’의 점유율은 4%에 그칠 것으로 전망되고 있음

▸ 카날리스는 향후 스마트 스피커 시장이 확대되면서 아마존의 점유율은 점차 감소할 것

으로 내다봤는데, 2022년에는 아마존과 구글의 점유율이 각각 34%로 대등할 것으로

예상했으며, 애플의 점유율은 이즈음에도 10%에 머물 것으로 예측하였음

◾ 한편, 스마트 스피커 시장을 개척한 아마존은 후발주자들의 도전을 뿌리치고 시장 주도권

을 계속 유지하기 위해 디스플레이를 탑재한 스피커 제품을 가장 먼저 출시하였음

▸ 아마존이 에코 시리즈를 처음 시판한 것은 지난 2014년 11월인데 이후 아마존은 에코

시리즈의 라인업을 강화해 왔으며, 구글의 거센 도전에 대응해 디스플레이를 탑재한

스마트 스피커인 ‘에코 스팟(Echo Spot)’을 라인업에 추가하였음

▸ 에코 스팟은 직경 2.5인치의 원형 디스플레이를 탑재하고 있으며, 에코 시리즈의 다른

제품과 마찬가지로 알렉사를 이용할 수 있는데, 아마존은 디스플레이와의 결합을 통해

<자료> Canalys

[그림 1] 플랫폼별 전세계 스마트 스피커 판매대수 전망

36 www.iitp.kr

주간기술동향 2018. 8. 15.

지금까지와는 다른 사용자 경험을 제공하

게 된다고 어필

▸ 가령, 동영상 뉴스를 재생하거나 날씨를 표

시할 수 있고, 홈 네트워크 카메라와 연결

하여 카메라 모니터로 사용할 수도 있으

며, 아직은 이용할 수 없지만 향후에는 두

에코 스팟 간 영상통화도 가능하게 될 것

이라고 함

▸ 아마존은 에코 스팟 외에도 미국 시장용으로 7인치 디스플레이를 갖춘 ‘에코 쇼(Echo

Show)’와 이용자의 전신 프로필을 촬영할 수 있는 패션 용도의 ‘에코 룩(Echo Look)’도

출시하여 디스플레이 스피커의 라인업 확충을 도모하고 있음

◾ 아마존의 행보에 대응해 구글 역시 최근 구글 어시스턴트를 이용할 수 있는 디스플레이

탑재 기기 ‘레노버 스마트 디스플레이(Lenovo Smart Display)’를 출시한다고 발표

▸ 구글은 이미 2018년 1월 CES에서 구글 어시스턴트를 탑재한 스마트 디스플레이 기기를

협력업체 브랜드로 여름에 출시할 것이라고 발표한 바 있음

▸ 당시 구글이 공개한 협력업체에는 이번에 제품을 출시한 레노버 외에도, 음향 전문업체

인 JBL과 LG전자, 소니 등이 포함되었음

▸ 레노버 스마트 디스플레이 제품은 아직 에코 스팟이 제공하지 못하고 있는 영상 통화

기능을 탑재하고 있고, 일정 및 지도, TV,

유튜브, 요리 레시피 등의 콘텐츠를 보여

주며, 구글의 TV 프로그램 전송 서비스인

‘유튜브 TV’도 이용할 수 있음

▸ 유튜브 TV는 영화나 드라마뿐 아니라 ABC,

CBS, FOX, NBC, ESPN, Fox Sports 등 전국

네트워크와 스포츠 채널 및 주요 케이블

TV에서 내보내는 총 50개 이상의 채널을

월 40달러에 이용할 수 있는 서비스임

◾ 한편, 스마트 스피커 업체들은 디스플레이를 탑재하는 것 외에, 기업용 솔루션 시장을 겨냥

한 다양한 제품 개발을 통해서도 시장 확대를 도모하고 있음

<자료> Google

[그림 3] 레노버 스마트 디스플레이 영상통화

<자료> The Verge

[그림 2] 아마존의 에코 스팟

최신ICT이슈


▸ 스마트 스피커를 비롯한 AI 가상비서 서비스는 향후 소비자 시장보다 기업 시장에서

활용이 더욱 확산될 것으로 기대되고 있음

▸ 알리바바는 2017년 7월에 ‘티몰 지니 X1(Tmall Genie X1)’이라는 스마트 스피커를 출시했

으며, 이어 10월에 매리어트 인터내셔널(Marriott International) 산하 중국 내 호텔 10만

개 객실에 이 제품을 설치한다고 발표하였음

▸ 스마트 스피커를 이용하면 음성으로 조명을 켜고 끄거나 TV 채널을 바꾸거나 룸서비스

를 요청하는 등의 일을 할 수 있다고 함

◾ 아마존 역시 2018년 6월 알렉사를 호텔 업계에 접목하겠다고 발표했는데, 호텔 비즈니스용

음성비서인 ‘Alexa for Hospitality’를 통해 고객 요구에 응대하도록 한다는 것임

▸ 이를 통해 투숙객은 룸에서 알렉사에게 호텔 관련 정보를 묻거나 룸서비스 및 하우스

키핑을 요청할 수 있고 스파 예약과 안내 데스크 연결을 할 수 있게 됨

▸ Alexa for Hospitality는 마치 스마트홈처럼 객실 내 기기들과도 연계되어 있어 조명의

ON/OFF 및 밝기 조정, 에어컨의 온도 설정, 블라인드 조정, TV 조작도 음성 명령으로

할 수 있으며, 이 밖에도 음악을 틀거나 모닝콜을 설정할 수도 있다고 함

▸ 아마존의 제휴 상대도 알리바바와 마찬가지로 매리어트 인터내셔널인데, 2018년 여름을

기점으로 미국 내 매리어트 브랜드 호텔에서 도입이 시작될 예정임

▸ 이 밖에 렌트형 별장 브랜드인 레드어닝(RedAwning), 부티크 호텔 브랜드인 ‘투 로드

호스피탤리티’(Two Roads Hospitality)도 호텔용 알렉사 도입을 계획 중이라고 함

▸ 앞으로 호텔마다 스마트 스피커가 설치되고, 버틀러(butler) 서비스처럼 고객의 다양한

요구에 대응하기 위한 사용법이 늘어날 것으로 예상됨에 따라 스마트 스피커와 스마트

디스플레이의 인지도는 더욱 높아질 것이며, 이는 다시 소비자 시장 확대로 이어질 전망

[ 참고문헌 ]

[1] IDC, 7. 21, https://bit.ly/2LTDJoy

[2] Google Blog, 7. 26, https://bit.ly/2NOBnnn

III. 미국 아케이드 게임업체, 가정용 전자오락 게임기 9월 발매

◾ 미국의 게임기기 제작업체인 ‘아케이드 원업(Arcade 1Up)’이 추억의 오락실 게임을 즐길

수 있는 “가정용 아케이드 게임기”를 오늘 9월 말 북미지역에 출시할 예정

38 www.iitp.kr

주간기술동향 2018. 8. 15.

▸ 가정용 아케이드 게임기기는 게임센터에 배치되어 있는 아케이드 게임기의 케이스 크기

를 3/4으로 줄여 가정에 비치하기에 적당한 크기로 다운사이징한 것임

▸ 아케이드 게임은 흔히 우리나라에서 전자오락이라 부르는 “비디오 게임”과 미니 농구,

에어하키 등의 “체감형 게임”을 통칭하는데, 가정용 게임기기는 이중 비디오 아케이드

게임기기를 지칭함

▸ 아케이드 원업이 출시할 게임기기는 높이 45.8인치(약 116cm)×세로 23인치(약 58cm)×

폭 19인치(약 48cm)이며 무게는 63파운드

(약 28.6kg)이고, 판매 가격은 299달러로 예

정되어 있음

▸ 아케이드 원업은 모두 5가지 기기 모델을

준비하고 있는데, 각 기기별로 수록되어

있는 게임 타이틀이 다르며, 기기별 대표

게임은 ‘스트리트 파이터2’, ‘파이널 파이

트’, ‘램페이지’, ‘애스터로이드’, ‘센티피

드’ 등임

▸ 모두 게임 개발업체들로부터 정식 라이선

스를 받았고, 기기의 외관에는 대표 게임을 응용한 복고풍 디자인이 입혀져 있으며, 컨

트롤러 부분도 아케이드 게임 기기와 같은 원형 버튼과 조이스틱이고 디스플레이는 17

인치 LCD 스크린을 채택하고 있음

▸ 아케이드 원업은 부품을 배송 받은 후 직접 조립해야 하는데, 조립에 필요한 도구는

드라이버만으로 충분하며, 4 종류의 나사와 디스플레이에 전원을 공급해 주는 2개의

코드, 그리고 12 종류의 부품을 조립하면 됨

▸ 처음에는 판매가격이 399달러로 예정되어 있었으나, 월마트와 게임스탑에서 예약 주문

이 시작되면서 월마트가 먼저 299달러로 인하하였고 게임스탑도 이를 따랐음

◾ 가정용 오락기기는 국내에서도 레트로 흐름을 타고 2016년부터 50만 대 이상이 판매된

것으로 알려져 있으며, 이에 따라 게임업체들이 정식 제품 출시를 준비하고 있음

▸ 국내에서는 TV 예능 프로그램을 통해 일부 연예인들이 집안에 전자오락 게임기기를 설

치하고 있는 것이 알려지면서 인기를 얻기 시작했으며, 크기는 아케이드 원업보다 작음

▸ 가정용 게임기기는 소위 ‘월광보합’이라 불리며, 구매하는 방법은 크게 두 가지로 직구

대행사를 통해 중국에서 수입하거나, 청계천 대림상가나 영등포 유통상가 등에서 자체

<자료> Polygon

[그림 1] 아케이드 원업의 가정용 오락게임기

최신ICT이슈


제작한 것을 사는 것임

▸ 가정용 아케이드 게임기의 인기는 ‘레트로

(retro)’ 현상의 하나로 이해되는데, 예전

오락실 추억을 간직한 중년 부모들이 자녀

와 함께 하기 위해 주로 구매한다고 함

▸ 한편, 월광보합류의 미니 아케이드 게임 기

기들은 대부분 정식으로 라이선스를 받지

않은 불법 제품들인데, 이들의 판매가 급

증하자 게임 타이틀 저작권을 보유한 SNK,

세가, 반다이남코 등이 저작권 소송을 제기하거나 준비하고 있음

▸ 이들 게임업체가 소송에 나서는 이유는 직접 미니 게임기 시장에 진출하기 위해서이며,

제품 출시 전에 불법 제품의 유통을 차단하려는 움직임으로 해석되고 있음

▸ 미국과 일본의 주요 아케이드 게임업체들이 가정용 아케이드 게임기 시장에 진입함에

따라 추억의 전자오락 게임이 다시 한 번 붐을 일으킬 수 있을지에 관심이 모이고 있음

[ 참고문헌 ]

[1] Mashable, 8. 2, https://bit.ly/2vomqRY

[2] Polygon, 8. 2, https://bit.ly/2AKXsSd

IV. 고전적 의류 산업에 부는 ICT 기술 활용 트렌드*

◾ 지금까지 의류에 적용되는 ICT 기술은 웨어러블, 스마트의류 등 프로덕트 자체에 ICT가

적용되는 형태가 주류였으나, 지금은 이와 더불어 패스트 패션 트렌드를 주도하기 위해

패션 산업 전방위적으로 ICT 기술들을 활용하고자 하는 노력이 활성화되고 있는 추세임

▸ 수많은 의류 기업들이 패스트 패션 전략 하에서 짧은 시간에 수많은 종류의 디자인을

내 놓음으로써 고객들은 선택의 고통을 경험하고 있으며, 이에 대한 해결책으로 증강현

실 기술과 인공지능 기술을 채택하고 있는 기업들이 늘어나고 있음

▸ 아웃도어보이스(Outdoor Voices)라는 스포츠 의류 업체는 포켓몬고와 비슷한 형태로 증

강현실을 활용한 AR 버츄얼샵 앱을 개발하여 런칭하였음

* 본 내용과 관련된 사항은 산업분석팀(☎ 042-612-8296)과 최신ICT동향 컬럼리스트 김범수 집필위원([email protected] ☎ 010-7230-7901)에게 문의하시기 바랍니다.

<자료> Naver Blog

[그림 2] 국내 판매중인 가정용 오락게임기

40 www.iitp.kr

주간기술동향 2018. 8. 15.

▸ 일명 ‘OV 트레일 샵(OV Trail Shop)’이라 불리우는 앱으로, 신상품이 런칭되기 전에 야외

의 특정 위치(아웃도어)에서 해당 상품을 증강현실로 확인하고 구매할 수 있는 기능을

제공함

▸ 실제 사용하는 환경인 야외 환경과 매칭하여 보여줌으로써 실제 상황에서의 코디를 확

인할 수 있고, 이동을 통해 몸을 움직이게 함으로써 아웃도어 상품의 기능성에 대해

더욱 욕구를 가질 수 있게 하는 등 효과적인 마케팅 도구로 활용이 가능함

▸ 알리바바는 2017년 11월 11일 광군제때 하루 만에 28조 원의 매출을 울렸는데, 당시에

인공지능 패션 추천 서비스인 패션AI(FashionAI)가 매출을 촉진하는데 많은 기여를 했다

고 함

▸ 당시 패션AI를 활용한 방식은 오프매장에서 패션AI를 이용하여 코디 추천 후 실제 구매는

타오바오 쇼핑몰에서 구매를 유도하는 방식이었으며, 이때 활용한 패션AI를 본격적으로

활용한 컨셉스토어를 홍콩폴리테크닉대학에 오픈하였음

▸ 본 매장의 특징은 3가지로 정리가 가능한데 첫째, 옷걸이 각각마다 RFID, 자이로센서,

블루투스가 장착되어 있어, 고객이 어떤 옷을 집었는지를 인식하고, 패션 디자이너들의

코디 정보들을 딥러닝한 인공지능을 바탕으로 만들어진 스마트거울을 활용해 선택한

옷과 가장 어울리는 신발, 자켓, 바지 등을 추천해 주는 기능을 제공하고 있음

▸ 둘째, 피팅룸에서 입어보면서 사이즈나 옷이 맘에 들지 않으면, 피팅룸을 나가지 않고도

스마트거울을 통해 변경된 아이템을 직원에게 알려주고 직원이 이를 피팅룸으로 가져

다주는 기능을 제공함

▸ 셋째, 선택된 스타일, 코디 정보가 고객 계정에 저장되고, 타오바오앱과 자동 연결되어

구매 및 결재가 가능하며, 구매하지 않고 나가더라도 직전 코디한 스타일을 기억해 두었

다가 계속적으로 쇼핑할 수 있는 옴니채널 기능도 함께 제공하고 있음

[그림 1] 아웃도어보이스의 OV 트레일 샵(좌)과 SxSW에서 소개된 초기 AR 앱(우)

최신ICT이슈


▸ 이미 의류계의 넷플릭스라 불리우는 스티치픽스가 비즈니스 초기에 내세운 최고의 전략

역시, 스타일 추천 서비스였는데, 20달러를 지불하고 몇 가지 정보를 입력하면 인공지능

으로 5가지 스타일을 추천해 주며, 2주 후에 5개의 옷을 배달해주고 이 중 1개라도 구매

하면 인공지능 추천비용 20달러를 환불해주는 방식이었음

◾ 패스트 패션의 핵심은 시대 트렌드에 맞는 신상품을 지속적으로 내놓아야 하며, 이를 위한

시도로 인공지능 디자이너가 현실에서 옷을 디자인하고 있음

▸ 아마존은 아마존랩126을 통해 각종 페이스북, 인스타그램 등의 SNS에 있는 의류 이미지

정보를 딥러닝하여 새로운 의류를 디자인하는 인공지능 디자이너를 개발하였음

▸ 텐센트 역시 자사 SNS에 등록된 1,000억 개 이상의 패션 이미지를 분석하고, 비샵

(Vipshop)의 구매 데이터를 함께 접목하여 20대가 좋아하는 의류를 인공지능을 통해 디

자인하고 있음

▸ 구글도 이전 수천 개의 그림을 대상으로 딥러닝 후 인공지능 인셉셔널리즘(Inceptionalism)

을 통해 작품을 창작하였으며, 이와 유사한 방식으로 600여명의 디자이너를 활용하여

[그림 2] 패션 AI 스토어의 스마트미러(좌)와 사이즈 변경 자동 알림(우)

[그림 3] 아마존의 인공지능 디자인(좌) 및 텐센트의 인공지능 디자인(우)

42 www.iitp.kr

주간기술동향 2018. 8. 15.

디자인을 학습시키고, 각종 데이터들을 활용해 고객의 성향을 파악하여 고객에게 적합

한 의류를 디자인해주는 프로젝트 뮤즈(Project Muse)를 실시한 바 있었음

▸ 또한, 구글이 개발한 데이터 드래스(Data Dress)는 일상생활과 관련한 데이터를 각종

스마트폰 센서로 수집한 후 이를 기반으로 고객에게 맞는 의류를 디자인해 주는 서비스

임

◾ 의류 산업에 ICT 기술들이 적용되면서 의류 산업에 새로운 기회가 창출될 전망인 가운데,

이러한 경향은 전통 산업 전반으로 퍼져 나갈 것으로 기대

▸ 의류 산업 자체에도 기회가 있지만, 이러한 솔루션을 개발하고 제공하는 2차 벤더인

ICT 기술 벤처 기업들에게도 새로운 도약 기회로 작용할 것으로 예상됨

▸ 최근 전통 산업에서도 ICT 기술 적용에 의한 DT(Digital Transformation)가 하나의 혁신

아젠다로 선정되어 비즈니스 프로세스 전반에 ICT 기술을 융합하고자 하는 움직임이

뚜렷하게 나타나고 있음

▸ 앞으로 패션산업 이외도 농업, 요식업, 출판업, 가구제조업, 침구류, 식기 자제, 도자기

등 전통 산업 전반에 인공지능, 증강현실 등이 접목되어 비즈니스 프로세스를 더욱 효율

적이고 효과적으로 변화시킬 것으로 예상되고 있음

[ 참고문헌 ]

[1] https://www.vrroom.buzz/vr-news/business/outdoor-voices-running-collection-gets-ar-app - 아웃도

어보이스의 OV Trail Shop 앱 사례

[2] https://www.businessinsider.com/alibaba-starts-using-fashion-ai-technology-2018-7 - 알리바바의

FashionAI 컨셉스토어 사례

[그림 4] 프로젝트 뮤즈 디자인 사례(좌) 및 데이터 드레스 디자인 사례(우)

최신ICT이슈


[3] https://youtu.be/l1iEIU9EyFg - 알리바바의 FashionAI 컨셉스토어 사례2

[4] https://www.theverge.com/2017/8/24/16195858/amazon-ai-fashion-designer - 아마존 인공지능 디

자이너 사례

[5] https://mobilemarketingmagazine.com/tencent-teams-vipshop-bring-ai-new-york-fashion-week - 텐

센트 인공지능 디자이너 사례

[6] https://www.fusecrunch.com/amazon-algotrithm-fashion-designer.html - 아마존 인공지능 디자이너

사례2

[7] https://venturebeat.com/2016/09/02/google-and-zalando-launch-project-muze-a-machine-learning-

experiment-for-3d-fashion-design/ - 프로젝트뮤즈 사례

[8] http://www.alphr.com/art/1004257/google-project-muze-gallery#1 - 프로젝트 뮤즈 갤러리

[9] https://gadgets.ndtv.com/apps/news/google-h-ms-ivyrevel-partner-for-coded-couture-app-to-make

-customised-data-dresses-1656890-데이터드레스 사례

사업책임자: 최 령 (기술정책단장)

과제책임자: 이성용(산업분석팀장)

참여연구원: 변화성, 이재환, 이효은, 이상길, 안기찬, 김용균, 박혜영, 김우진, 전영미(위촉)

통권 1859(2018-31)

발 행 년 월 일 : 2018년 8월 15일발 행 소 : 편집인겸 발행인 : 석제범등 록 번 호 : 대전 다-01003등 록 년 월 일 : 1985년 11월 4일인 쇄 인 : ㈜승일미디어그룹

(34054) 대전광역시 유성구 유성대로 1548(화암동 58-4번지)전화 : (042) 612-8296, 8214 팩스 : (042) 612-8209

· 미국 아케이드 게임업체, 가정용 전자오락 게임기 9월 발매 ... 있도록...

Documents