강화 학습이라고하는 AI 기술은 세계에서 가장 복잡한 문제를 해결하는 데 도움이 될 수 있다. 이를 통해 알고리즘은 시뮬레이터 또는 디지털 트윈에서 시행 착오를 통해 작업을 수행하는 방법을 학습할 수 있다. 이 기술을 지구의 디지털 트윈에서 기후 절약 이니셔티브를 테스트하는 데 적용하면 기후변화에 대처하는 데 도움이 될 수 있다.

 

작년에 우리는 에미레이트 팀 뉴질랜드 항해 팀과 함께 디지털 시뮬레이션 된 실제 항해 조건에서 설계한 모든 유형의 보트 디자인의 디지털 버전을 항해할 수 있는 AI 봇을 구축하기 위해 야심 찬 프로젝트에 착수했다. 이를 통해 엔지니어는 여기 저기 몇 시간 만 연습할 수 있는 팀의 선원들과 시간을 확보하는 것보다 훨씬 빠르게 다양한 보트 설계를 테스트할 수 있다.

 

세계 최고의 선원뿐만 아니라 항해하기 위해 AI 봇은 다양한 조건에서 다양한 기동을 실행하는 방법을 배우고 다양한 바람과 바다에서 설정할 최적의 코스를 선택하고 그에 따라 14개의 다른 보트 컨트롤을 조정하고 결과를 평가해야 했다. 장기간에 걸쳐 지속적으로 의사 결정을 개선한다.

 

우리는 강화 학습이라는 AI 기술을 사용하여 봇을 훈련시켰는데, 알고리즘은 시뮬레이터 또는 디지털 트윈에서 작업을 테스트할 때 시행 착오를 통해 작업을 수행하는 방법을 학습하고 보상 시스템을 통해 해당 작업에 대한 즉각적인 피드백을 받을 수 있다.

 

이러한 엘리트 수준에서 봇을 항해하는 것은 매우 복잡한 문제였다. 그러나 많은 변수와 선택할 수 있는 많은 조치 및 경로를 포함하는 동적 환경을 가진 이러한 유형의 복잡한 문제는 강화 학습이 탁월한 곳이다.

 

 

 

강화 학습의 힘

 

거의 모든 산업에서 이를 위한 응용 프로그램이 있다. 예를 들어 소매 업체는 과거의 소비자 행동이 미래의 선호도를 나타낼 것이라고 합리적으로 예상할 수 있었지만 이제는 소비자 구매 패턴과 선호도가 빠르게 진화하는 세상에서 운영되고 있다. 코로나19 유행병이 반복적으로 삶을 재정의함에 따라 더욱 그렇다. 제조업체와 소비재 기업은 즉시 전 세계 어디에서나 기후, 정치적, 사회적 변화를 설명하는 역동적 인 공급망을 구축해야 한다는 압박을 받고 있다. 이러한 각 과제는 복잡하고 매우 동적인 최적화 문제를 나타내며, 올바른 데이터와 피드백 루프를 사용하면 강화 학습으로 해결하는 데 적합하다.

 

프로젝트를 완료한 후, 우리는 강화 학습과 같은 점점 더 실행 가능한 기술이 긴급한 사회적 도전에 어떻게 적용될 수 있는지 고려하기 위해 한 걸음 물러났다. 강화 학습은 복잡한 최적화 문제를 해결하고 차선책을 예측하는 데 유용하다. 예를 들어 이 기술을 사용하여 식량 지원이 절실한 지역을 식별하고 우선 순위를 정하고 전 세계적으로 유통을 최적화할 수 있을까?

 

 

 

기후변화와 싸울 수 있는 방법

 

기후변화의 예에서 강화 학습을 지구의 디지털 트윈에 적용하여 전 세계의 여러 개별 기후 절약 이니셔티브가 어떻게 순서를 정하고 상호 강화 전체로 결합될 수 있는지 테스트할 수 있을까? 이를 실현하기 위해 여러 가지 개발이 수렴될 수 있다.

 

첫째, 우리는 충분한 데이터를 가지고 있다. 글로벌 데이터스피어는 2025년까지 175제타 바이트에 도달할 것으로 설정되고 위성은 기후가 어떻게 그리고 왜 변화하는지에 대한 이해를 높이는 데 사용할 수 있는 데이터를 지속적으로 지구에 전송한다. 예를 들어, 2016년 6월 GHGSat는 세계의 모든 산업 시설에서 대기 측정 값을 캡처하고 관련 온실 가스 배출량을 계산할 수 있는 최초의 고해상도 위성을 출시했다. 또 다른 예로, AI 지원 위성 이미지를 통해 NCX는 전 세계 산림의 정확한 인벤토리를 수집하여 더 많은 CO2를 흡수하는 더 크고 튼튼한 나무를 키울 수 있는 정보를 제공할 수 있다.

 

해양 모니터링도 획기적으로 향상되었다. 예를 들어, 미국 국립 해양 대기청은 수면과 심층에서 매일 측정하는 수천 개의 부표와 부표를 사용하여 해양 온도, 해류, 수위 및 화학을 모니터링한다.

 

둘째, 세계 최대 기업 중 일부는 환경에 대한 책임을 인식하고 야심 찬 목표를 가진 많은 기후 절약 이니셔티브를 시작하고 있다. 강화 학습은 이러한 이니셔티브의 효과를 평가할 수 있다.

 

몇 가지 예:

 

Microsoft는 기후 대책에 10억 달러를 투자하고 2030년까지 탄소 배출을 제거하기로 약속했다.

 

스타벅스는 배출하는 탄소보다 더 많은 탄소를 저장하고 폐기물을 제거하며 사용하는 것보다 더 많은 깨끗한 물을 제공하겠다고 약속했다.

 

Google은 에너지 공급을 위해 100% 재생 가능한 소스로 전환하고 강화 학습 알고리즘을 사용하여 약 40%의 에너지 절약을 위해 데이터 센터를 냉각시켰다. 그리고 DeepMind와 협력하여 ML 알고리즘을 사용하여 바람 수준을 예측하고 그에 따라 그리드로의 에너지 전달을 예약한다.

 

McKinsey & Company에서 우리는 2030년까지 기후 영향을 완전히 제로에 도달할 것을 약속했으며 이미 95% 재생 가능 에너지 원으로 전환했으며 2018년부터 온실 가스 배출량을 100% 상쇄했다.

 

셋째, 강화 학습 구현의 비용과 복잡성이 줄어들고 있다. 강화 학습 알고리즘의 최신 반복은 작업을 수행하도록 훈련하는 데 훨씬 더 효율적이며 컴퓨팅 비용을 크게 절감한다. 동시에 컴퓨팅 비용 자체가 크게 감소했다. 기업은 이제 클라우드의 특수 시스템에 액세스하고 사용한만큼만 비용을 지불할 수 있다. 클라우드 제공 업체는 또한 수동 코딩 및 통합 작업의 일부를 제거하기 위해 어셈블리 라인 방식으로 배포할 수 있는 사전 패키징 된 엔터프라이즈용 강화 학습 프레임 워크를 제공하기위한 노력을 강화했다.

 

마지막으로 중요한 것은 3월에 유럽위원회는 "Destination Earth"이니셔티브를 발표했다. 과학자들이 기후변화를 매핑하고 이를 늦추거나 역전시킬 수 있는 솔루션의 평가를 가능하게 하는 지구의 디지털 트윈을 만들기 위해 노력할 것이다. EU는 시간이 지남에 따라 업계에서 사용할 수 있도록 디지털 지구 모델을 공개할 계획이다. Destination Earth 이니셔티브에 의해 생성된 모델은 강화 학습이 전 세계의 기후 이니셔티브를 분석하고 그 집단적 효과를 측정하고 기후변화를 중단하거나 역전시키기 위해 취해야 할 추가 조치를 결정할 수 있는지 여부를 결정하는 테스트 장소를 제공할 수 있다.

 

이것은 쉽지 않거나 은총의 역할을 할 수 없다. 그러나 새로운 AI 도구와 기타 기술이 계속해서 실행 가능하고 강력 해짐에 따라 우리는 중요한 글로벌 문제에 대한 바늘을 공동으로 움직일 수 있도록 산업, 학계 및 공공 기관의 노력을 결합할 이러한 방법을 찾아야한다.

 

글쓴이:

 

1.    Nicolas HohnAnalytics Associate Partner, McKinsey & Company

 

2.    Oliver FlemingAnalytics Associate Partner, McKinsey & Company

 

3.    Roxanne ZhangData Science Consultant, McKinsey & Company