AI 기술을 화재조사·감정기법에 활용하는 사례 연구

김만건*†이플러스에너지화재연구소(주), 박양권 한국전기안전공사

A Case Study on the Use of AI Technology in Fire Investigation and Appraisal Techniques

​

요 약

인공지능(AI)은 다양한 분야에 혁신을 불러오고 있다. 여러 분야의 전문가들이 언급하고 있고, 실제 생성형 AI(generative Artificial Intrlligence) 서비스 등을 접해본 사람들이 체감하는 것처럼, AI 기술 발전 속도는 이전 어떤 기술보다 빠르게 진행되고 있는데, 화재조사와 감정분야에도 혁신이 일어나고 있다. 본 연구는 현 시점에서 인공지능 기술이 화재조사와 감식·감정 업무에 어느 정도의 수준과 과학적인 영역까지 영향력을 가지는 지에 대해 확인한 후, 검증된 결과는 적극 실행하고, 앞으로 연구방향을 예측 위해 연구하게 되었다. 2025년은 IT시대에서 AI시대로 대전환하는 시기로 화재원인조사분야에서도 AI 신기술을 활용한 화재원인조사와 예방대책 등에 접목할 수 있는 신기술에 대한 영역을 넓혀서 인공지능 기술을 활용함으로써 복잡하고, 많은 인력이 오랜시간 걸리는 화재조사과정을 AI 신기술을 활용하여 단기간에 과학적으로 정확하게 원인을 밝혀냄으로써, 화재조사와 예방 그리고 안전분야에서 적용할 때 동종 사고를 예방하고, 화재피해를 최소화하여 국민과 사용자에게 도움이 되기를 기대한다.

​

1. 서론

인공지능(AI)은 다양한 분야에 혁신을 불러오고 있으며, 소방 산업분야와 화재조사 및 감식·감정분야에도 변화의 바람이 일어나고 있다. 화재현장조사나 감식·감정 등의 일은 많은 전문인력이 복잡하고 위험한 장소에서 오랜시간 소요되는 어려운 작업환경에 AI 신기술을 접목하여 활용할 수 있다면, 단시일에 정확한 화재원인을 과학적으로 규명할 수 있을 것으로 기대된다. 인공지능(人工知能: AI: Artificial Intelligence)이란 인간의 지능이 가지는 학습·추리·적응·논증·탐색·계획·지식전달 등의 기능을 갖춘 컴퓨터 시스템이나 그것을 연구하는 컴퓨터 공학을 말한다. 컴퓨터로 구현한 지능 또는 이와 관련한 전산학의 연구 분야로 인간의 지능적 측면 즉, 기계는 하기 힘들지만 인간은 비교적 쉽게 잘 할 수 있는 것들, 예를 들면 학습능력, 추론능력, 지각능력 등을 인공적으로 구현하려는 컴퓨터과학의 한 분야이다. 인간의 지능적 능력을 모델링(modelling)하여 컴퓨터에서 구현하기 위해 다양한 기술이나 소프트웨어, 하드웨어를 포함한 컴퓨터시스템을 통틀어 일컫는 말이다. 인공지능은 사람이나 동물의 지능이 컴퓨터로 모사될 정도로 세밀하고 정확하게 표현될 수 있다는 생각에 기반을 둔다. 소방분야에서 활용은 화재사고시의 발화지점, 발화원인과 연소확대 과정, 연소패턴 등의 화인조사나 감식·감정에 AI 기술은 접목하면 화재 감정분야도 한 단계 도약하는 계기가 될 것으로 기대된다.

2. 국내에서 발생한 화재의 원인별 분류(Classification of fires occurring in Korea by cause)

2023년 차량, 선박, 항공기 등에서 발생한 화재 및 낙뢰와 인적·물적 피해가 없는 것은 전기화재에서 제외한 총화재 38,857건 중 화재원인별 점유율은 부주의 18,195건(46.8%), 전기적 요인8,871건(22.8%), 기계적 요인 3,922건(10.1%) 순으로 나타났다. 또한 기타 및 미상 요인의 점유율도 5,457건(14%)을 점유하고 있다. 경제 성장과 국민생활 수준의 향상으로 해마다 크게 늘어나는 전력수요에 따라 전기재해도 증가하고 있는 실정으로, 예방은 물론 실태파악과 분석을 과학적인 방법을 통한 정확한 원인분석에 AI 기술을 화재조사·감정기법에 활용은 선택이 아닌 필수이다.

3. 소방분야에 접목할 인공지능의 학습방법(Learning Methods of Artificial Intelligence)

그림 1은 인공지능 이미지를 나타내며 인공지능(人工知能)의 학습방법은 주로 기계학습(Machine Learning)이라는 분야에서 다양한 기술과 알고리즘(Algorism)을 활용한다. AI는 인간의 학습 능력을 컴퓨터로 구현한 머신러닝 기술을 통해 학습한다. 머신러닝은 컴퓨터가 데이터를 분석하고, 분석을 통해 학습하고, 학습한 내용을 기반으로 판단, 예측할 수 있도록 알고리즘을 기술을 개발하는 기술 분야이다. 인공지능을 학습시키는 방법에는 크게 4가지가 있다. 지도학습(Supervised Learning), 비지도 학습(Unsupervised Learning), 강화학습(強化學習, RLHF, Reinforcement Learning) 그리고 GPT의 주 학습방법인 인간의 피드백을 통한 강화학습(RLHF, Reinforcement Learning from Human Feedback)이다.

​

3.1. AI 지도학습(Supervised Learning)

AI가 학습할 수 있도록 데이터를 제공하고 해당 데이터로 학습을 진행하는 방식이다. 인간 선생이 기계 학생에게 문제와 함께 정답지를 제공하여 학습하는 방법으로 학습문제의 패턴을 찾아내고 다른 문제에도 적용하는 형태이다. 즉, 입력(Input) 데이터와 올바른 출력(Output) 데이터가 모델을 학습시키는 머신 러닝(Machine Learning)의 체계이다. 훈련 데이터(Training Data)로부터 하나의 함수를 유추해내기 위한 기계 학습(Machine Learning)의 한 방법이다. 훈련 데이터는 일반적으로 입력 객체에 대한 속성을 벡터(vector) 형태로 포함하고 있으며, 각각의 벡터에 대해 원하는 결과가 무엇인지 표시되어 있다. 이렇게 유추된 함수 중 연속적인 값을 출력하는 것을 회귀분석(Regression)이라 하고 주어진 입력 벡터가 어떤 종류의 값인지 표식하는 것을 분류(Classification)라 한다. 지도 학습기(Supervised Learner)가 하는 작업은 훈련 데이터로부터 주어진 데이터에 대해 예측하고자 하는 값을 올바로 추측해내는 것이다. 이 목표를 달성하기 위해서는 학습기가 “알맞은” 방법을 통하여 기존의 훈련 데이터로부터 나타나지 않던 상황까지도 일반화하여 처리할 수 있어야 한다. 사람과 동물에 대응하는 심리학으로는 개념 학습(Concept Learning)을 예로 들 수 있다.

3.2. AI 비지도 학습(Unsupervised Learning)

비지도 학습(Unsupervised Learning)은 기계 학습의 일종으로, AI가 학습할 수 있도록 데이터만 제공하고 정답이 주어지지 않은 상태에서 학습하는 방식으로 기계의 자율학습 또는 자기주도 학습이라고 표현할 수 있다. 스스로 데이터를 군집화해서 패턴을 찾아내고 다음 행동에 변화를 일으키는 방식이다. 즉, 지도 학습과는 달리 정답 라벨이 없는 데이터를 비슷한 특징끼리 군집화 하여 새로운 데이터에 대한 결과를 예측하는 방법을 비지도 학습이라 한다.

3.3. 강화학습(强化 學習: Reinforcement Learning)

인공지능의 학습에서 기계 학습의 한 영역이다. 행동심리학에서 영감을 받았으며, 어떤 환경 안에서 정의된 대행자(agent)가 현재의 상태를 인식하여, 선택 가능한 행동들 중 보상을 최대화하는 행동 혹은 행동 순서를 선택하는 방법이다. 에이전트가 환경과 상호작용하며, 어떤 행동을 수행할 때 보상을 받아 학습하는 방법이다. 대행자(agent)는 시간이 지남에 따라 보상을 최대화하기 위해 최적의 행동을 학습하려고 노력한다.

3.4. 범용형 인공지능(AGI, Artificial General Intelligence)

한 분야가 아닌 여러 분야에서 많은 기능을 동시에 수행하는 인공지능(AI)을 의미하는 것으로 일반적으로 사람이 할 수 있는 모든 지적인 작업을 수행할 수 있는 인공지능을 의미한다. AI의 한계를 넘는 범용인공지능(AGI, Artificial General Intelligence)은 언어를 넘어 이미지, 음성, 영상 등의 데이터를 일반적인 인간에 가까운 지능으로 해낼 수 있는 기계의 지능을 뜻한다. 인간의 개입 없이도 인공지능 스스로 학습하고 해결할 수 있는 AGI의 개발에 대한 경쟁이 시작되었다. 인간처럼 창의적인 사고까지 가능한 AGI가 등장하면 사회의 다양한 측면이 변화할 것이라며 전문가들의 논쟁이 뜨거운 가운데, 최근 미국 샌프란시스코에서 개최된 엔비디아의 인공지능(AI) 컨퍼런스 ‘GTC 2024’ 해당 컨퍼런스에서 엔비디아 CEO 젠슨 황은 5년 내로 AGI(범용 인공지능)의 시대가 올 것이라고 내다봤다. 이미 구글과 아마존, 메타 등의 글로벌 빅테크 기업은 AGI 개발에 발 벗고 나선 상황이다.

3.5. 대규모 언어 모델(LLM: Large Language Model)

인간의 언어를 이해하고 생성하도록 훈련된 일종의 인공지능 모델로, 딥러닝(deep learning) 알고리즘과 통계 모델링을 통해 자연어 처리 작업을 수행하는 데에 사용한다. 대규모 언어 모델(LLM)은 텍스트를 인식하고 생성하는 등의 작업을 수행할 수 있는 일종의 인공 지능(AI) 프로그램이다. LLM은 방대한 데이터 세트를 학습하므로 “대규모”라는 이름이 붙었다. LLM은 머신 러닝, 특히 트랜스포머 모델이라고 하는 일종의 신경망을 기반으로 한다. LLM은 인간의 언어나 기타 복잡한 데이터를 인식하고 해석할 수 있을 만큼 충분한 예제를 제공받은 컴퓨터 프로그램이다. 많은 LLM은 인터넷에서 수집된 수천 또는 수백만 기가바이트에 달하는 텍스트로 학습하지만 샘플의 품질이 LLM이 자연어를 얼마나 잘 학습할 수 있는지에 영향을 미친다. LLM은 텍스트의 이해와 분석을 중심으로 하는 고급 AI 기술이므로 LLM의 프로그래머는 보다 엄선된 데이터 세트를 사용해야 자연어의 복잡성을 이해할 수 있어 기존의 기계 학습 알고리즘보다 더 정확하다. LLM은 이러한 수준으로 언어의 원리를 파악하기 위해 책, 기사 등 많은 양의 학습 데이터가 필요하다. LLM은 문자, 단어, 문장이 함께 작동하는 방식을 이해하기 위해 딥러닝이라는 일종의 머신 러닝을 사용한다. 딥러닝은 비정형 데이터의 확률적 분석을 포함하며, 결국 딥러닝 모델은 사람의 개입 없이도 콘텐츠 간의 구분을 인식할 수 있다. 그런 다음 튜닝(tuning)을 통해 추가 학습이 이루어진다. 질문을 해석하고 답변을 생성하거나 한 언어에서 다른 언어로 텍스트를 번역하는 등 프로그래머가 원하는 특정 작업에 맞게 미세 조정되거나 프롬프트(prompt) 조정된다. LLM은 다양한 작업을 수행하도록 학습될 수 있는데, 가장 많이 알려진 사용 사례 중 하나는 프롬프트가 주어지거나 질문을 받으면 응답으로 텍스트를 생성할 수 있는 생성형 AI로서의 응용이다. 예를 들면, 공개적으로 사용 가능한 LLM ChatGPT는 사용자 입력에 대한 응답으로 에세이, 시, 기타 텍스트 형식의 글을 생성할 수 있다.

3.6. 기계학습(machine learning)

인간과 같은 학습능력을 기계를 통해 구현하는 여러 가지 방법들에 대해 연구하는 것을 말하며, 주어진 데이터를 분석하여 분석된 결과에서 학습 가능한 규칙이나 새로운 지식을 자동적으로 추출해 궁극적으로는 기계가 학습하는 효과를 얻도록 한다. 기본적인 수준에 머물러 있던 기계학습과 관련된 기법들은, 기계학습 기법의 잠재력을 최대치로 끌어낼 수 있는 수많은 빅 데이터의 출현으로 인해 점점 실현 가능성이 높아지고 있다. 구글은 대규모 분산 컴퓨팅 인프라를 사용해 자가 학습이 가능한 인공 신경망을 만들었으며, 구글X 연구소는 1만 6천 개에 이르는 CPU 코어와 10억 건 이상의 데이터 연결을 처리하는 모델을 도입해, 고양이에 대한 특징을 학습하지 않아도 스스로 고양이를 인지하는 인공신경망을 개발했다. 이로서 사실상 대규모 분산 컴퓨팅 인프라가 사람의 뇌 역할을 할 수 있음이 확인되었으며, 빅 데이터의 미래가 인공지능 분야로 연결될 수 있음을 보여줬다. 한편 이러한 머신러닝의 대두에는 빅 데이터의 역할이 크다. 머신러닝의 학습에는 대량의 학습 데이터가 필요한데, 빅 데이터 환경이 이러한 데이터를 충분하게 공급한다. 지식사회로의 이행으로 인해 정보획득수단은 PC, 스마트폰, 태블릿, 웨어러블 디바이스 등 다양한 멀티스크린으로 확대되었다. 모바일 환경은 언제, 어디서나 각종 정보를 접하고, 획득할 수 있도록 해주었다. 인간이 다양한 경험과 시행착오를 통해 지식을 배우는 것처럼, 컴퓨터에게 충분히 많은 데이터를 주고, 거기에서 일반적인 패턴을 찾아내게 하는 방법을 말한다.

4. 인공지능을 이용한 전문가 시스템

4.1. 전문가 시스템

인공지능의 한 분야인 전문가 시스템은 인공지능에 대한 막연한 환상에서 탈피하여 인공지능이 구체적으로 인간 삶에 기여하는 하나의 실용적 방편으로 자리매김하고 있다. 전문가 시스템은 인공지능 연구의 한 가지로 문제해결 프로그램에 인간의 추론과정을 구현하는 것을 목적으로 한다. 완전한 형태의 인간 모사(模寫)가 아닌, 어떤 특정분야의 인간 전문가의 전문지식을 토대로 지식베이스 시스템(Knowledge base system)을 구축하고, 강력한 추론(Inference)기능을 부가하여 인간의 의사결정을 조력할 수 있도록 구축된 시스템이 전문가시스템이다. 전문가는 전문가 시스템 내에 지식시스템을 구축하고, 그 개발과정에서 입력된 정보의 유효성을 테스트할 수 있는데, 학생에게 질문하듯 전문가시스템에게 질문을 해봄으로써 주어진 문제를 제대로 이해하고 있는지를 파악할 수 있다. 이런 과정을 통해 전문가 시스템은 인간 전문가로부터 충분한 지식을 배워 주어진 문제를 지능적으로 해결하게 된다.

이러한 전문가 시스템은 우선 문제 해결에 필요한 양질의 지식을 획득하여야 하는데, 인간전문가로부터 이러한 지식을 획득하고, 획득된 지식을 컴퓨터라는 도구를 이용하여 재구성한 다음, 재구성된 지식체계를 토대로 추론(reasoning)을 통하여 정보를 습득하는 과정을 거친다. 이런 전문가 시스템의 핵심은 시스템을 구축하는 동안 축적되는 강력한 지식기관(Corpus of knowledge)이라고 할 수 있다. 이러한 전문가 시스템은 문제 해결에 도움을 주는 고수준의 전문기술(high-level expertise)을 갖추고 있고, 주어진 문제 상황에 따른 만족할 만한 해결책을 제시하고, 그때그때의 상황에 따른 유연한 대처가 가능한 예측 모델링 능력(Predictive modeling power)을 가지고 있어야 한다. 즉 이상적 전문가 시스템은 전문가의 이해와 개입이 필요한 복잡한 실제 세계의 문제를 다룰 수 있어야 한다.