구글, 제미나이 기반 '그라운드소스' 공개: 도시 돌발 홍수 24시간 전 예측

돌발 자연재해를 예측하는 AI를 개발할 때 가장 큰 걸림돌은 컴퓨팅 파워가 아니라 온전한 과거 데이터가 없다는 점입니다.

도시 지역의 돌발 홍수는 매년 전 세계에서 5,000명 이상의 목숨을 앗아가는 치명적인 재해입니다. 하지만 발생 시간이 짧고 국지적이어서 인공위성 관측 주기를 벗어나거나 비구름에 가려지기 일쑤였고, 국제기구가 관리하는 기존 재난 데이터베이스에도 주요 기록이 1만 건 남짓에 불과해 딥러닝 학습에는 턱없이 부족했습니다.

이에 구글 리서치는 현지 시간 3월 12일, 전 세계 뉴스 기사를 분석해 과거 재난 기록을 복원하는 AI 방법론인 그라운드소스(Groundsource)를 공개했습니다. 센서가 놓친 기록을 인류가 남긴 기사 속에서 찾아내겠다는 발상입니다.

제미나이로 500만 건의 기사를 데이터로 변환

구글 연구진은 80개 언어로 작성된 전 세계 뉴스 기사 500만 건을 수집해 텍스트를 추출하고 영어로 표준화했습니다. 이후 제미나이를 통해 보도 내용에서 홍수 발생 시점과 위치 정보를 정밀하게 걸러냈습니다.

추출된 텍스트 정보는 구글 지도 데이터와 결합되어 정확한 지리적 경계를 부여받았습니다. 이를 통해 2000년부터 현재까지 150여 개국에서 발생한 260만 건의 돌발 홍수 이벤트로 구성된 방대한 데이터셋이 완성되었습니다.

사람이 직접 검증한 결과, 추출된 기록의 60%는 시간과 위치가 모두 정확했습니다. 행정 구역을 올바르게 짚거나 발생 피크 시점을 하루 오차 범위 내로 맞히는 등 실제 분석에 유용한 수준까지 범위를 넓히면 유효성은 82%에 달했습니다.

구글은 이 데이터를 바탕으로 LSTM 신경망 기반의 예측 모델을 학습시켰습니다. 해당 모델은 현재 구글의 플러드 허브(Flood Hub)에 적용되어 전 세계 150개국 이상의 도시 지역을 대상으로 최대 24시간 전 돌발 홍수 예보를 제공하고 있습니다.

기상 레이더가 부족한 지역을 위한 대안

현재 이 모델의 공간 해상도는 20제곱킬로미터 수준으로 비교적 넓은 편입니다. 현지 레이더 강수 데이터를 직접 반영하지 않아 미국 국립기상청 같은 정밀 관측망에 비하면 정확도에 분명한 한계가 있습니다.

하지만 이 프로젝트의 진짜 목적은 값비싼 관측 인프라를 갖추지 못한 지역의 공백을 메우는 데 있습니다. 모델을 시험 도입한 남아프리카개발공동체의 비상대응 담당자 안토니오 호세 벨레자는 이 모델 덕분에 재난 대응 속도를 유의미하게 앞당길 수 있었다고 밝혔습니다.

수문 데이터 스타트업 업스트림 테크의 마셜 무트노 대표 역시 지구물리학에서 가장 어려운 과제가 검증용 실측 데이터 부족이라며, 뉴스를 활용해 데이터 사막을 메운 구글의 접근법이 매우 창의적이라고 평가했습니다.

구글은 이 방식을 향후 산사태나 폭염처럼 데이터 축적이 어려운 다른 기후 재해로도 확장할 계획입니다.

왜 중요한가

그라운드소스는 대규모 언어 모델이 단순한 텍스트 요약을 넘어, 과학 연구에 필수적인 물리적 실측 데이터를 생성하는 인프라가 될 수 있음을 입증했다는 점에서 의미가 큽니다.

고가의 도플러 레이더나 관측 센서를 설치할 예산이 없는 개발도상국 커뮤니티 입장에서, 플러드 허브를 통해 하루 전 돌발 홍수 위험을 파악할 수 있다는 것은 인명 피해를 줄이는 데 직결되는 변화입니다. 비록 해상도가 20제곱킬로미터 단위로 거칠더라도 데이터가 아예 없는 것과는 비교할 수 없습니다.

다만 언론 보도에 내재된 편향은 해결해야 할 과제입니다. 뉴스는 자연스럽게 인구가 많고 통신이 발달한 도시 지역에 집중되며, 외딴 시골 마을의 심각한 침수는 보도되지 않아 데이터에서 누락될 위험이 있습니다. 텍스트 의존도가 높은 모델이 자칫 재난 안전의 지역적 불평등을 학습할 수 있다는 점은 경계해야 합니다.

그럼에도 거대 언어 모델과 지도 데이터를 결합해 저비용으로 글로벌 재난 복원력을 높인 구글의 전략은 플랫폼 기업만이 할 수 있는 영리한 접근이라고 우리는 판단합니다.