본 연구는 현재 GOP감시 체계의 고유한 특성을 고려하여 AI 중심 감시 체계 구축이라는 목표를 달성하기 위해 필요한 요구와 그것을 해결하기 위한 방안을 다룬다. 첫째, 드론 및 쓰레기 풍선과 같은 북한의 위협은 지상뿐만 아니라 공중 영역까지 감시 범위를 요구한다. 둘째, 제한된 학습 데이터와 예측 불가능한 전장 환경과 같은 군 작전의 제약은 군사 분야에서 견고한 AI 모델을 개발하는 데 어려움을 야기한다. 셋째, 각 부대의 다양한 작전 환경은 단일 부대에서 학습된 모델의 일괄 적용을 어렵게 만든다. 이러한 문제를 해결하기 위해, 본 연구는 퓨삿 러닝(few-shot learning)과 연합 학습(federated learning)을 통합한 공중 객체 인식 기법을 제안한다. 퓨삿 러닝 알고리즘은 적은 양의 데이터로도 효과적인 학습과 추론이 가능하므로, 공중 감시에서의 데이터 부족 문제에 적합하다. 본 연구에서는 제안한 모델의 일반화 성능을 기존의 감독 학습 기반 모델과 비교하였다. 연합 학습은 분산형 기계 학습의 일종으로, 다양한 작전 환경을 가진 감시 부대를 개별 클라이언트로 모의함으로써 데이터 프라이버시를 보호하고 네트워크 부하를 줄이면서도 일관된 모델 성능을 가능하게 한다. 대공감시분야를 기존의 지도 학습 모델로 구현 시에는 보지 못한 클래스에 대한 추론에서 어려움이 발생한다. 그러나 퓨삿 러닝을 적용한 모델은 49.86%의 일반화 성능을 달성하였다. 더불어, 연합 학습 시스템 적용 후에는 클라이언트 간 성능 격차가 약 1.6배 감소하였으며, 네트워크 부하는 81% 줄어들었다. 본 연구에서 제안한 방안은 국방 AI 모델이 직면한 어려움을 해결할 수 있는 방안 중 하나로 퓨삿 러닝과 연합 학습을 결합함으로써 데이터 부족과 일반화 한계를 극복하고, 네트워크 부하까지 최소화할 수 있을 것으로 기대된다.
<통일·북한 정보 아카이브>
HOME
카카오톡
페이스북
블로그