Insights
AI가 자동으로 큐레이션·번역·정리하는 기술 동향 피드입니다.
지구 관측 프로젝트는 모델의 정확도보다 법적 제약, 소유권, 센서 운영 주기가 감시 대상을 결정하는 것이 일반적입니다. 제시된 세 가지 사례는 이러한 '센싱 우선' 원칙을 보여주며, 일부 시스템은 모델 자체가 필요하지 않아 등록부가 비어 있기도 합니다.
AI 자동 생성 콘텐츠
본 콘텐츠는 Dev.to AI tag의 원문을 AI가 자동으로 요약·번역·분석한 것입니다. 원 저작권은 원저작자에게 있으며, 정확한 내용은 반드시 원문을 확인해 주세요.
원문 바로가기세 개의 공개된 지구 관측 아키텍처는 모델의 정확도가 아닌 법률, 재검토 및 소유권에 따라 무엇을 감시할지 결정합니다. 세 개 중 두 개가 빈 모델 등록부로 시작됩니다. CodeNinja Atoms에서 처음 발표되었습니다: https://codeatoms.ai/blog/sensing-comes-before-the-model/.
일반적으로 지구 관측 프로젝트를 시작하는 방법은 모델을 선택하는 것입니다. 누군가 위성 이미지에 작동하는 세그멘테이션 네트워크(segmentation network)를 가지고 있고, 아키텍처는 그것 주변으로 성장합니다.
이 코퍼스(corpus)의 세 가지 디자인은 순서가 잘못되었다고 말합니다. 모두 파키스탄, 사우디아라비아, 미국에서 운영되는 농업 및 지구 관측 시스템입니다. 세 경우 모두 센싱 결정이 가장 먼저 이루어지며, 그 근거는 정확도와 아무런 관련이 없습니다: 법률이 허용하는 것, 센서가 얼마나 자주 돌아오는지, 그리고 누가 최종 결과물을 소유하게 되는지입니다. 세 가지 중 두 경우에는 모델 자체가 전혀 확정되지 않았습니다.
Field Ledger는 파키스탄의 12개 객체에 대한 농업 데이터 대시보드입니다. 이 등록부는 모델이 '0'으로 기록되어 있으며, 그 이유는 다음과 같이 명시되어 있습니다: 요구 사항은 집계(aggregations), 드릴다운(drill down) 및 보고를 전제로 하며, 이번 실행을 위해 검증된 모델은 없었습니다. 센서 시계열에 대한 예측(forecaster)은 가정되는 디자인보다는 마일스톤 1의 증거에 따라 제한되는 개방 작업으로 명명됩니다.
Baseline는 미국에서 16개 객체에 대한 4밴드 오쏘이미지(orthoimagery) 및 LiDAR를 한 번의 비행으로 획득한 것입니다. 이 등록부 역시 더 단순한 이유로 비어 있습니다: 모델 레이어가 필요하지 않았기 때문입니다. 식생 분석은 운영자의 자체 직원과 운영자의 자체 도구에서 이루어집니다. 그 뒤에 오는 항목은 가장 모델 중심적인 디자인들이 절대 작성하지 않는 내용인데, 즉 가중치(weights)가 0이므로 보유하거나 트리거할 모델 라이선스가 없으며, 따라서 소유권은 서비스 계약을 통해 이행된다는 것입니다.
Fodder Watch(https://codeatoms.ai/restricted-crop-monitoring-saudi-arabia/)는 세 가지 중 유일하게 모델을 커밋하는 프로젝트입니다: 14개 객체에 대해 두 개의 감지기(detector)와 하나의 예측기(forecaster)를 사용합니다. 감지기는 Apache 2.0 하의 RF-DETR이며, 지역별로 미세 조정되었습니다. 예측기는 Apache 2.0 하의 Chronos-2이며, 제로샷(zero shot) 방식으로 약 120M 개의 파라미터를 가집니다. 이 두 라이선스는 각주가 아니라 선택에 포함된 요소였습니다.
빈 레지스터는 공백이 아니라 결과입니다. 이는 교차 시스템 조인(cross system join)이 어려운 부분이었으며, 설계상 학습된 구성요소가 필요하지 않았음을 의미합니다.
각 설계에서 감지 항목은 자체적인 이유를 가지고 있으며, 그 어떤 이유도 벤치마크 점수는 아닙니다.
Fodder Watch는 제한적 재배 구역의 필지들을 스크리닝합니다. 광학 채널로는 5일 간격으로 재방문하는 Sentinel-2(10m)를 사용하는데, 이는 해외 처리 의존성 없이 작물 등급별 중앙 피벗을 해상도할 수 있기 때문에 선택되었습니다. 레이더 채널은 Sentinel-1 C 대역 SAR이며, 명시된 이유는 두 번 읽어볼 가치가 있습니다: 구름이 아니라 먼지와 헤이즈가 해당 지역 광학 채널의 실제 위협 요소이기 때문에 클라우드프루프(cloud proof) 보완 기능이 중요합니다. 8일 간격으로 결합 재방문하는 Landsat 8/9는 수십 년 전까지 거슬러 올라가는 아카이브를 위해 존재하며, 이것이 각 필지에 기준선 시리즈를 제공합니다. Sentinel-2의 구름층은 진실(truth)로 기록되기보다는 스크리닝 규칙에 증거(evidence)로 기록됩니다.
Baseline은 4밴드(적색, 녹색, 청색 및 근적외선) 대형 포맷 카메라를 장착한 유인 항공기를 운용합니다. 이는 요구사항이 무인 데이터를 전면 배제하기 때문입니다. LiDAR는 최소 제곱미터당 8펄스 수준의 품질 레벨 1(Quality Level 1, QL1) 센서이며, 16펄스 옵션은 별도로 가격 책정되어 선택 가능하게 남겨두었습니다. 위치 정보 항목이 결과물이 아예 QL1인지 아닌지를 결정하는 요소입니다: GNSS 가이드와 네트워크 RTK 또는 자체 기지국을 사용하며, 이는 기준선(baselines), 보정 소스(correction source) 및 테스트 증거(test evidence)에 의해 지정되는데, 이 사슬이 정확도 주장의 근거가 되기 때문입니다.
Field Ledger는 어떠한 센싱도 설치하지 않습니다. 운영자가 이미 가지고 있는 센서 장치를 읽어오기만 할 뿐이며, 카메라나 새로운 현장 하드웨어는 없습니다. 세상은 감시되는 것이 아니라 농장에서 감지됩니다.
하나의 섹터에 세 개의 시스템이 존재하며, 센싱 범위는 네 개의 위성 및 공중 소스부터 전혀 없음까지 다양합니다. 이 범위가 논점입니다. 센싱은 요구사항 결정 사항입니다.
Fodder Watch에는 스스로를 설명하는 항목이 한 줄 있습니다: RF-DETR XL 및 2XL은 Roboflow의 Platform Model License 하에 제외됩니다. 그 이유는 사용처 약관이 왕국(Kingdom) 내 소유권 가중치와 상충하기 때문입니다.
이는 라이선스 때문에 거부된 검토 지점이며, Apache 2.0 하의 더 작은 검토 지점은 유지되었습니다. 만약 모델이 먼저 선택되고 주권 요구사항이 나중에 읽혔다면, 그 설계는 첫날부터 충족할 수 있는 제약 조건 주변으로 재구축되어야 했을 것입니다.
Fodder Watch는 48 GB PCIe 카드 하나를 필요로 하며, L40S 클래스입니다. 이 카드는 풋프린트 규칙에 의해 선택되었는데, 결합된 가중치가 0.55 GB 미만이라 배치(batch) 및 캐시 헤드룸이 남아있기 때문입니다. 해당 노드를 소유하는 비용은 지원을 연간 8~12%로, 사우디 산업 요율에서 PUE 1.6으로 계산했을 때 3년간 약 15,200달러이며, 범위는 14,600달러에서 15,800달러입니다. 같은 카드를 가장 가까운 AWS 리전에서 온디맨드(on-demand)로 임대하는 비용은 동일한 3년간 약 60,000달러이고, 모든 것을 선지급할 경우 가장 깊은 3년 EC2 인스턴스 절약 플랜(Savings Plan)으로도 22,600달러입니다.
여기서는 소유하는 것이 돈 면에서 이득입니다. 하지만 부록에서 중요한 라인은 모든 임대 행에 붙어 있는 한정 조건입니다: 왕국 외부. 감지 결과가 주권적 상태로 유지되는 것이 목적 전체인 서비스에게, 가장 저렴한 클라우드 비용은 경쟁 옵션이 아닙니다. 그것은 이미 요구사항에 의해 배제된 것을 측정하는 수치일 뿐입니다.
세 가지를 살펴보면 한 가지가 자연스럽게 도출됩니다. 법과 운영자가 당신에게 감지하도록 허용하는 것. 재방문 및 해상도가 그 감지에 제공하는 것. 질문에 답할 수 있도록 그 판독값들이 어떤 객체가 되어야 하는지. 오직 그때서야, 학습된 모델이 아예 필요한지 여부, 그리고 그것이 어떤 라이선스 하에 누구의 하드웨어에서 실행되는지가 결정됩니다.
모델은 네 번째 결정이며, 세 번 중 두 번은 애초에 결정 자체가 아닙니다.
세 가지 디자인, 그 객체 모델을 JSON 형식으로, 모델 레지스트리 및 소스 비용 부록은 CC BY 4.0 하에 자유롭게 재사용할 수 있습니다: Field Ledger, Baseline, Fodder Watch. 세 가지 모두 CodeNinja Praxis에서 설계되었으며, 그 객체 모델은 Hyper Ontology로 가져올 수 있습니다. 작업은 이름이 아닌 클래스로 설명됩니다.