AWS IoT와 Amazon Bedrock으로 만드는 스마트 채소 재배 시스템

앞으로 컴퓨터상의 업무는 Claude Cowork와 같은 퍼스널 AI 서비스의 진화와 발전에 의해 시스템 개발 업무가 빼앗길 것이라고 상상하고 있다. 그 가운데 컴퓨터 밖인 현실 세계로 시야를 넓혀, IoT와 AI를 결합한 새로운 업무의 가능성을 탐구하고 싶다고 생각하게 되었다.

사실, IoT에 관해서는 전혀 경험이 없기 때문에 무지한 상태에서 시작한다.

업무나 시스템(구조) 속에서 AI를 활용하는 포인트로서는, "사람이 경험이나 직관으로 수행하는 적당한 판단이 어느 정도 허용되는 작업"이라고 개인적으로 판단하고 있다.

이 경험이나 직관으로 판단하는 이른바 "개인적 역량에 의존하는 작업(属人的な作業)"은, 실제로 분석해 보면 상당히 복잡한 조건 속에서 다양한 파라미터(Parameter)를 사용하여 종합적으로 판단하고 있는 경우가 많다. 그렇기 때문에 프로그램 로직을 짜서 시스템화하기에는 고생스럽기 때문에, "시스템화할 정도로 빈도가 높지는 않아서 시스템화되지 않은 개인적 역량 의존 작업"은 꽤 많다.

이러한 작업이야말로 AI를 통해 대체하고, 업무에서의 개인적 역량 의존 문제를 해결할 수 있지 않을까 생각했다.

현실 세계에서 처음 시도하는 것이 AI를 활용하여 얼마나 잘 풀릴 것인가.

다음의 관점을 중시하여 PoC(Proof of Concept, 개념 증명)를 진행하기로 했다.

・내가 경험해 보지 못한 것

・현실 세계

・매일 부담 없이 검증할 수 있는 것

・돈이 그렇게 많이 들지 않는 것 (완전한 취미 범위 내에서 수행하기 때문)

이러한 조건들을 충족하는 것으로 생각한 것이, 베란다에서 플랜터(화분) 채소 재배를 하는 것이다.

작물을 키워본 경험이 없다는 점과, 작물은 상태가 항상 변하며, 매일 부담 없이 감시할 수 있고, 돈도 그렇게 많이 들지 않기 때문에 좋은 소재라고 생각했기 때문이다.

플랜터 재배에 있어서는 다음과 같은 판단 포인트에 AI를 활용할 수 있지 않을까 생각했다.

・물 주기

・추비(덧거름 주기)

・잎의 상태(병해)

등

예를 들어, 물 주기는 꽤 대충 이루어져서, 사람에 따라서는 1일 1회라는 사람도 있고 2일에 1회면 충분하다는 사람도 있다.

하지만 실제로 해보면, 어제와 오늘의 날씨, 기온, 토양의 습도, 작물의 상태를 보고 종합적으로 판단해야 하므로 하루에 몇 번이라는 식의 문제가 아님을 알 수 있다. 이것은 이미 감각의 영역(도박)이다.

물 주기나 추비의 필요 여부는 "토양의 상태"로 판단할 수 있지 않을까.

또한, 작물의 크기나 잎의 상태(색, 모양)로 건강 상태를 판단할 수 있지 않을까.

조사해 보니 토양의 상태는 다음과 같은 파라미터를 취득할 수 있다면, 수치를 근거로 합리적인 판단을 할 수 있지 않을까 하고 초보자 나름대로 검토해 보았다.

PH

수소 이온 농도 지수. 산성, 중성, 알칼리성 분류 측정을 수행하는 지표.

산성으로 기울었을 때의 과잉증이나 알칼리성으로 기울었을 때의 결핍증 판단에 도움이 되며, 시비(施肥) 대책의 기준이 될까?

EC (전기 전도도)

염류 농도. EC 값이 높으면 비료 과다로 인해 뿌리가 마르고 수분을 흡수할 수 없게 된다. 시비량 판단에 도움이 될까?

VWC (수분)

체적 함수율. 물 주기 판단에 도움이 될까?

온도

토양 온도. 물 주기 판단에 도움이 될까?

기상 정보

최근의 날씨, 기온, 습도 등의 정보. 물 주기 판단에 도움이 될까?

작업 이력

내가 마지막으로 물 주기나 추비를 한 일시 정보. 물 주기 판단에 도움이 될까?

작물의 외관

잎이나 줄기의 상태(색, 모양, 크기 등). 병해 대책이나 추비 판단에 도움이 될까?

토양의 상태는 센서를 사용함으로써 각종 수치를 취득할 수 있다는 것을 알게 되었다.

매일 직접 측정하는 것은 힘들다. 여기서 IoT의 차례이다.

개인적으로 센서의 조건은 다음과 같이 충족하고 싶다고 생각했다.

・저전력 (한 시즌 동안 배터리 교체 불필요)

・견고함 (더위나 추위, 젖음에 강해 외부에 두어도 괜찮음)

・인터넷에 연결됨 (클라우드에 데이터를 수집하고 싶음)

역시 인터넷에 연결된다는 점에서 저전력은 어려운 모양이다.

조사해 보니, LoRaWAN이라는 네트워크 규격을 이용함으로써 저전력 통신을 실현할 수 있다는 것을 알게 되었다.

제품을 찾아보니 SenseCAP S2105라는 LoRaWAN 대응 토양 수분·습도 센서를 찾을 수 있었다.

아쉽게도 pH 취득은 불가능하다 (다른 제품 필요). 두 개를 살 여유는 없으므로 pH는 포기했다.

IoT 센서의 정보를 수집하려면 IoT 게이트웨이가 필요하다.

센서 제조사에서 게이트웨이도 판매하고 있었기에 세트로 구매했다.

SenseCAP 멀티 플랫폼 LoRaWAN 실내 게이트웨이 (SX1302)

작업 기록은 자신의 모바일 단말기로 부담 없이 조작하고 싶다. 그래서 애플리케이션은 모바일 앱으로 정했다.

또한, IoT 데이터 수집에는 AWS IoT를 사용하였고, 비용을 들이고 싶지 않았기 때문에 시스템의 백엔드(Backend)는 모두 서버리스(Serverless)로 구축했다.

수집 데이터: Amazon DynamoDB

생성형 AI (LLM): Amazon Bedrock API

프롬프트 실행: AWS Lambda

API: API Gateway

인증: Amazon Cognito

사진 이미지: S3

이미지 전송: Amazon CloudFront

모바일 앱: React Native

출근 전이나 퇴근 전 타이밍에 AI가 판단하게 하여, 물 주기가 필요하다고 판단하거나 토양 상태가 이상하다고 판단할 경우 Slack으로 알림을 보내는 메커니즘을 마련했다.

※ 모바일 앱에 푸시 알림(Push Notification)도 가능하지만, 여러 제약과 번거로움이 발생하기 때문에 이번에는 생략했다.

피망 모종. 심은 지 2주 경과.

센서는 벽에 설치하고 싶었지만 적절한 설치 장소를 찾지 못해 바닥에 그대로 두었다.

센서와 게이트웨이(Gateway)의 연결, 게이트웨이와 AWS IoT의 연결 설정에서 고전했다.

IoT 네트워크나 인증 주변에 대한 지식이 부족하여 시간이 걸렸지만 매우 공부가 되었다.

요구사항만 스스로 정리하고, 설계부터 개발까지 모두 AI 구동 (Claude Code) 방식으로 진행했다.

AWS 구축에 있어서도 AWS CDK를 AI로 작성했다. 배포(Deploy)만 하면 된다.

반나절 정도 만에 완성.

애플리케이션을 실행하기 전까지 화면 디자인(외관)이 어떻게 될지 알 수 없어 불안했다.

하지만 실제로 사용해 보니 전혀 문제없는 UI(User Interface)로 만족스럽다.

완성 후 2주 정도 운용하고 있는데, 물 주기 판단이나 작물 상태 판단에 있어 AI의 도움을 상당히 많이 받고 있다.

판단의 근거가 데이터 기준이기 때문에 나 스스로도 납득할 수 있다.

개인적으로 마음에 드는 부분은 자유롭게 질문할 수 있는 AI 상담 채팅이다.

잎에 구멍이 뚫렸을 때나 색이 조금 변했을 때 불안하여 상담했더니 정확한 답변을 얻을 수 있었다.

ChatGPT나 Claude 채팅에서도 사진을 보내면 어느 정도 답변을 해주지만, 이 시스템의 장점은 과거의 정보(과거의 진단 결과, 작업 이력, 최근의 토양 정보)를 사용하여 종합적으로 판단할 수 있다는 점이다.

IoT는 미경험 분야라 그동안 거부감이 있었지만, 막상 해보니 의외로 간편하게 할 수 있는 것이라는 느낌을 받았다.

・ 시스템 내에 AI를 통합하여 활용하는 이미지를 잡을 수 있었다.

・ 다시 한번 사람과 시스템이 만들어내는 정보의 활용이 AI 활용에 있어 중요하다는 것을 느꼈다.

・ 요구사항이나 설계는 인간끼리만 애쓰기보다, AI와 상담하며 함께 만들어가는 것이 효율적이다.

・ LoRaWAN 활용의 가능성을 느꼈다. (향후 공장이나 빌딩 등의 시설에서 다양하게 시도해 보고 싶다.)