현재 개발중인 말벌디펜더에 대한 간략한 소개영상을 제작해보았습니다. Yolo 기반의 AI 객체검출과 말벌기피제를 결합한 모델로
- 농가 수익성 향상 - 말벌로 인한 꿀벌 피해 최소화
하는 목적을 우선으로 하는 재미있는 제품입니다. 아비요는 재미있는 일만 찾아 개발하고 제작하고 싶습니다. 농진청 국립농업과학원과 제품의 안정성및 다양한기피제의 적용등 테스트를 마친후 내년 상반기에 국내향 먼저 출시후 하반기 수출예정입니다. 개발중인 제품으로 일정과 기능은 추후 업데이트하겠습니다 ~.^
자사는 LLM으로 AI에 접근하여 call center를 대체하고 농가에 고품질의 영농정보를 제공하는 것에 주목하고 시스템을 구성해왔습니다. 그래서 Markup Language 기반의 text llm을 구축하여 서비스를 지원하였고 Multi-modal llm으로 발전해오고있습니다. LLM에서도 입력자료가 중요한 역할을 하고있습니다. LLM 에서 우리는 강화학습으로 확대하여 스마트벌통, 온실정보, 식물생장 데이터를 카테고리별 과 혼합형의 시나리오를 기반으로 강화학습을 통해 유의마한 결과를 얻을수 있었습니다. 강화학습을 통해 얻은 스마트팜 운영정보를 농가에 LLM을 통해 Multi-Modal로 지원하면 농가가 스마트팜 데이터에 쉽게 접근할수있도록 높은 벽을 낮추고 개별 조건에 맞는 방안을 제시하여 생산성을 높일수 있는 진정한 농가를 위한 서비스로 거듭날수 있을것입니다.
아래는 강화학습을 통한 AI 스마트팜에 대한 구현 절차 및 고려해야할 사항입니다.
구현 절차 및 고려사항
초기 데이터 수집 및 환경 시뮬레이터 구축: 기존 농업 데이터, 기후 데이터를 활용하여 기본적인 환경 모델을 구축합니다. 이는 강화 학습 에이전트의 초기 훈련에 필수적입니다.
강화 학습 에이전트 초기 훈련: 구축된 시뮬레이터 환경에서 에이전트를 훈련시킵니다. 이 단계에서는 다양한 정책을 탐색하며 보상을 최대화하는 방법을 학습합니다.
실제 농장 적용 및 데이터 수집: 시뮬레이터에서 충분히 훈련된 에이전트를 실제 스마트 농장에 적용합니다. 실제 농장에서의 에이전트의 행동과 그 결과 (생산량, 자원 사용량 등)를 지속적으로 수집합니다.
환경 모델 및 에이전트 개선: 실제 농장에서 얻은 데이터를 활용하여 환경 모델을 더욱 정교하게 만들고, 에이전트를 재훈련하여 성능을 지속적으로 개선합니다 (Transfer Learning 또는 Continual Learning).
불확실성 및 외부 요인 반영: 기후 변동성, 병해충 돌발 발생 등 예측 불가능한 요인에 대한 강건성을 확보하기 위해 불확실성을 모델링하거나, 에이전트가 이러한 상황에 유연하게 대처할 수 있도록 설계해야 합니다.
설명 가능성 (Explainability): 강화 학습 모델이 왜 특정 행동을 취했는지 설명할 수 있도록 해석 가능한 모델 (XAI)을 도입하는 것을 고려해야 합니다. 이는 농부들이 모델의 결정을 신뢰하고 받아들이는 데 도움이 됩니다.
식물 생장 및 기후 데이터를 활용하여 농업 생산성을 극대화하기 위한 강화 학습 방안은 크게 환경 모델링, 강화 학습 에이전트 설계, 보상 함수 정의, 데이터 수집 및 전처리의 네 가지 핵심 요소로 구성됩니다. 각 요소를 단계별로 구체적으로 살펴보겠습니다. 이번 포스트에는 첫번째인 환경모델링입니다.
식물 생장 및 기후 데이터를 활용한 강화 학습 기반 고생산성 달성 방안
식물 생장 및 기후 데이터를 활용하여 농업 생산성을 극대화하기 위한 강화 학습 방안은 크게 환경 모델링, 강화 학습 에이전트 설계, 보상 함수 정의, 데이터 수집 및 전처리의 네 가지 핵심 요소로 구성됩니다. 각 요소를 구체적으로 살펴보겠습니다.
1. 환경 모델링 (Environment Modeling)
강화 학습에서 에이전트가 상호작용할 '환경'을 정확하게 모델링하는 것이 중요합니다. 식물 생장 및 기후 데이터의 경우, 이 환경은 농업 시스템의 동적인 특성을 반영해야 합니다.
상태 (State) 정의: 현재 농업 환경의 상태를 나타내는 변수들을 정의합니다. 여기에는 다음과 같은 정보가 포함될 수 있습니다.
식물 생장 지표: 잎 면적 지수 (LAI), 식물 높이, 바이오매스, 엽록소 함량, 개화 시기, 열매 크기 및 개수 등 (센서 데이터, 이미지 분석 통해 획득).
기후 조건: 온도 (평균, 최고, 최저), 습도, 일사량, 강수량, 풍속, CO2 농도 등 (기상 관측소, 농장 내 센서).
토양 조건: 토양 수분 함량, pH, 영양분 함량 (질소, 인, 칼륨 등), 토양 온도 (토양 센서).
농업 관리 활동: 현재까지의 물 공급량, 비료 종류 및 투입량, 병해충 발생 여부, 제초 여부 등.
전이 함수 (Transition Function) 또는 시뮬레이터 개발: 특정 상태에서 특정 행동을 취했을 때 다음 상태로 어떻게 변화할지를 예측하는 모델입니다. 이는 물리 기반 모델 (예: 작물 생장 모델) 또는 데이터 기반 모델 (예: 딥러닝 기반 예측 모델)로 구현될 수 있습니다.
장점: 실제 농장에 대한 실험 없이 다양한 시나리오를 가상으로 시뮬레이션하여 강화 학습 에이전트를 효율적으로 훈련할 수 있습니다.
예시: "현재 토양 수분이 부족하고 일사량이 높을 때, 10mm의 물을 공급하면 24시간 후 토양 수분이 얼마가 되고 식물 증산량이 어떻게 변할 것이다"와 같은 예측이 가능해야 합니다.
아비요리퍼블릭의 AI 솔루션은 농업의 모든 과정을 정밀하게 제어합니다. 생산성 증대와 지속가능성을 동시에 실현합니다.
아비요리퍼블릭의 AI는 단순 분석을 넘어 농업 생태계 전체를 아우르는 통합 솔루션입니다. 다양한 데이터 소스를 연결하여 농업 생산성의 새로운 지평을 엽니다.
#### 성공 사례 - 스마트 벌통: 꿀벌 건강 모니터링으로 생산성 22% 향상 - 쌀 재배 농가: AI 관개 시스템으로 물 사용량 35% 절감 - 딸기 하우스: 미세 기후 제어로 품질 등급 상향 #### 주요 파트너십 - 농업 과학원: 스마트 벌통 공동 연구개발 - 농림축산식품부: 스마트팜 확산 사업 참여 - 지역 농협: 5개 지역 시범 사업 진행 중 실제 농가의 데이터로 증명된 가치, 아비요리퍼블릭의 기술력은 숫자로 말합니다.
농가의 관점에서 설계된 인터페이스로 복잡한 기술도 쉽게 활용할 수 있습니다.
로봇을 이용한 농가 일손감소 해결
데이터 수집 (센서, 드론) → 클라우드 저장 및 빅데이터 분석 (AI, 기계학습) → 예측 및 처방 (모바일 앱) → 정밀 농작업 (로봇, 자율주행)으로 이어지는 과정