BLOG
2017 년 산타 로사 (Santa Rosa) 화재와 허리케인 하비 (Hurricane Harvey)와 같은 자연 재해로 인해 매년 수십억 달러의 재산 피해가 발생하여 주택 소유자들이 경제적 어려움을 겪고 있습니다. 보험 회사는 영향을 받은 주택을 평가하기 위해 최선을 다하지만 평가가 가능해지기까지 몇 주가 소요될 수 있으며 주택을 인양하고 보호할 수 있습니다. 재산 데이터 분석 회사인 EagleView는 AWS의 딥러닝을 통해 이러한 문제를 해결하고 있습니다.
EagleView의 데이터 과학 및 기계 학습 담당 이사인 Shay Strong은 “전통적으로 보험 회사는 재산 피해 평가를 위해 조정자를 파견 할 예정이었지만 그 지역이 범람했거나 접근 할 수 없기 때문에 몇주가 걸릴 수 있었습니다. 위성, 항공 및 무인 항공기 이미지를 사용하여 EagleView는 AWS Cloud에서 심층 학습 모델을 실행하여 24 시간 이내에 재산 피해를 정확하게 평가합니다. 저희는 주택 소유자에게 알리고 다음 단계를 훨씬 더 신속하게 준비하기 위해 이 데이터를 대형 보험사와 소규모 지역 항공사 모두에게 제공합니다. ” 라고 설명합니다.
종종 이러한 신속한 처리로 수백만 달러의 재산 피해를 감소시킬 수 있습니다. “허리케인 이르마 (Hurricane Irma)로 플로리다에 홍수가 났을 때, 저희의 고객들은 적시에 데이터를 사용하여 방수제를 배치하여 추가로 일어날 수 있는 손해를 방지하기 위해 집의 일부를 덮을 수 있는 곳을 알아 냈습니다.”라고 Strong은 설명했습니다.
재산 평가에서 인간 조정자의 정확도를 맞추려면 EagleView가 폭풍에 영향을 받는 지역의 전체 다차원 공간 (공간, 시간 및 스펙트럼)을 포괄하는 이미지 세트를 사용해야 합니다. 이러한 문제를 해결하기 위해 EagleView는 120 개 이상의 항공기를 사용하여 1 인치 미만의 픽셀 해상도로 미국 전역에 초고 해상도의 공중 이미지를 캡쳐합니다. 이미지는 작은 이미지 타일 (종종 세부 타일별 또는 일반 256 × 256 TMS 타일)로 분해되어 딥러닝 이미지 분류기, 객체 감지기 및 의미적 분할 아키텍처를 통과합니다. 각 이미지 타일은 해당 지리 공간 및 시간 좌표와 연관 될 수 있으며, 추가 메타 데이터로 유지되고 학습 및 추론 프로세스 전반에 걸쳐 유지됩니다. 추론 후, 타일은 지리 정보 데이터를 사용하여 함께 스티칭되어 신경망 예측을 포함하여 관심 영역에 대한 지리적으로 등록된 지도를 형성 할 수 있습니다. 예측은 AWS Cloud에서 유지 관리되는 영구 저장소의 재산 수준 데이터베이스로 집계 할 수도 있습니다.
다음 이미지는 2017 년 허리케인 하비 (Hurricane Harvey) 이후 텍사스 주 록포트 (Rockport)의 일부에 대해 EagleView의 심층 학습 모델에 의한 손상 예측의 정확성을 보여줍니다. 왼쪽 이미지의 녹색 얼룩은 인간 분석을 기반으로 치명적인 구조적 손상이 발생한 속성입니다 . 오른쪽 이미지의 핑크색 얼룩은 모델이 만든 나뉘어진 손상 예측입니다. 이 데이터의 경우 모델은 사람이 하는 분석과 비교하여 96 %의 주소 단위 정확도를 가집니다.
“저희는 또한 중간 전처리 기능에 대한 심층적인 학습을 통해 주소 수준 특성을 생성하기 전에 이미지의 품질이 좋은지의 (예 : 흐리거나 번지지 않는지) 여부와 이미지에 관심있는 정확한 특성이 포함되어 있는지 여부를 결정합니다 . 중간 신경망을 함께 데이지 체인 방식으로 연결하여 이미지를 사전 처리하여 재산 속성을 생성하는 신경망의 효율성과 정확성을 향상시킵니다. “라고 Strong은 설명합니다.
EagleView는 Apache MXNet 프레임워크를 사용하여 심층 학습 모델을 구축했습니다. 이 모델은 AWS에서 Amazon EC2 P2, P3 및 G3 GPU 인스턴스를 사용하여 학습합니다. 준비가 되면 EagleView가 매일 수집하는 테라바이트의 공중 이미지를 처리하기 위해 대량의 Amazon ECS 컨테이너에 모델을 배치합니다. 이 회사는 재산 중심의 항공 사진을 페타 바이트로 축적했으며,이 모든 것은 심층 학습 모델이 진행되는 Amazon S3에 저장됩니다. 결과는 데이터 유형에 따라 Amazon Redshift, Amazon Aurora 및 Amazon S3의 조합으로 저장됩니다. 예를 들어 세분화된 래스터 지도와 같은 심층 학습 이미지 제품은 S3에서 저장되며 Amazon Redshift 데이터베이스에서 거리 주소의 함수로 참조됩니다. 결과 정보는 API 또는 사용자 정의 사용자 인터페이스를 사용하여 EagleView의 클라이언트에 제공됩니다.
Strong은 EagleView가 다른 심층 학습 프레임 워크보다 MXNet을 선택한 이유에 대해 “MXNet을 채택하게 된 것은 유연성, 확장성 및 혁신 속도입니다. MXNet을 사용하여 강력한 P3 GPU 인스턴스에서 모델을 교육 할 수 있으므로 모델을 신속하게 반복하고 작성할 수 있습니다. 그런 다음 이를 추론을 위해 저비용 CPU 인스턴스에 배포할 수 있습니다. MXNet은 저희가 작업에 필요한 스케일을 처리 할 수 있습니다. 여기에는 페타바이트의 이미지 저장 및 관련 데이터가 포함됩니다. 마지막으로, MXNet을 둘러싼 혁신속도로 인해 저희는 딥러닝 공간에서의 발전을 따라 잡기가 쉽습니다. ” 라고 말했습니다.
EagleView의 다음 단계 중 하나는 오픈 소스 심층 학습 인터페이스인 Gluon을 사용하여 TensorFlow, PyTorch 또는 기타 프레임워크에서 기본적으로 개발된 R & D 모델을 MXNet으로 변환하는 것입니다. 그런 다음 EagleView는 데이터 과학자나 다른 오픈 소스 제작자가 개발한 기계 학습 모델을 대량 생산에서 추론을 실행하기 위해 이러한 프레인워크를 MXNet으로 가져올 수 있습니다.
“AWS의 경제성과 확장성으로 인하여 지금까지 본 적이 없는 수준의 일관성을 가지고 보험 평가와 같은 많은 작업을 인간이 달성 할 수 있는 정확성 수준까지 심층 학습 모델을 실행할 수 있게 되었습니다. EagleView의 보험 고객에게 일관성, 정확성 및 규모는 필수적입니다. 이것은 보험과 같은 전통 산업을 혼란에 빠뜨릴 잠재력을 지니고 있어 엄청난 가치를 더합니다.”라고 Strong은 결론지었습니다.
딥러닝을 시작하기 위해 Amazon SageMaker ML 서비스에서 MXNet을 완벽하게 관리된 경험으로 사용해보십시오.
원문 URL: https://aws.amazon.com/ko/blogs/machine-learning/using-deep-learning-on-aws-to-lower-property-damage-losses-from-natural-disasters/
** 메가존클라우드 TechBlog는 AWS BLOG 영문 게재글중에서 한국 사용자들에게 유용한 정보 및 콘텐츠를 우선적으로 번역하여 내부 엔지니어 검수를 받아서, 정기적으로 게재하고 있습니다. 추가로 번역및 게재를 희망하는 글에 대해서 관리자에게 메일 또는 SNS페이지에 댓글을 남겨주시면, 우선적으로 번역해서 전달해드리도록 하겠습니다.