[이슈]AI 솔루션으로 탄소저감 이끄는 시대 도래

[이슈]AI 솔루션으로 탄소저감 이끄는 시대 도래: 최적화 알고리즘 구현이 환경영향 완화할 수 있어; 황원희 기자 | eco@ecomedia.co.kr | 입력 2023-09-06 13:53:58

[이미디어= 황원희 기자] 지난 몇 년간 인공지능이 다양한 산업에서 혁신을 거듭하며 글로벌 트렌드로 급부상했다. 이는 자율주행차에서부터 스마트홈 기기에 이르기까지 AI 솔루션이 주도하면서 우리 삶의 다양한 측면에도 이 같은 솔루션이 불가피해질 것으로 보인다. 특히 자율주행차 시장을 비롯해 다양한 시장에서도 AI 솔루션을 이용해 온실가스 배출을 저감하고 탄소중립으로 나아갈 수 있는 기능도 함께 부여해야 한다는 목소리가 높다. 본지는 AI 솔루션이 우리 생활에 어떠한 영향을 미치고 변화를 줄 수 있을지 알아봤다,

AI 구동 위한 최적화 알고리즘 개발 시급

▲제공=pxhere

최근 들어 AI솔루션은 효율성과 편의성이 크게 늘어나는 단초를 마련했다. 그러나 이러한 발전과 더불어 AI 모델을 훈련하고 배치하는 데는 막대한 계산 능력과 데이터 센터의 에너지 수요로 인한 지속가능성과 탄소 배출량에 대한 우려도 늘어나고 있다.

AI의 지속적인 확산은 에너지 소비의 급증으로 이어지며 기후변화를 악화시킬 수 있는 탄소 배출에 기여하고 있다. 최근 포브스지에 따르면 단일 AI 모델 교육을 통해 79만 달러 이상의 이산화탄소 배출량을 달성할 수 있을 정도로 AI 트레이닝 과정에 필요한 에너지는 상당히 놀라운 규모에 달한다.

이는 미국 자동차 평균 수명의 5배에 가까운 배출량으로 이러한 배출량을 감안해 볼 때 AI의 환경적인 영향을 해결하고 탄소발자국을 줄이기 위한 지속가능한 해결책을 찾는 일이 시급하다는 것을 강조한다. 더욱이 인공지능 기술이 발전하고 다른 산업과의 통합으로 환경적 결과를 이해하고 해결하는 일이 무엇보다 중요해지고 있다.

따라서 인공지능의 증가하는 환경 영향을 완화하기 위해 ‘최적화 알고리즘’을 개발하고 구현하는 것은 빠르게 진화하는 이 분야의 성공 가도를 위한 열쇠가 된다.

최적화 알고리즘은 AI 모델의 성능과 효율성을 저하시키지 않고 에너지 효율성을 향상하도록 설계할 수 있으며 기계학습의 반복적인 특성으로 소프트웨어 개발자는 데이터 업데이트가 신경망의 정확도에 미치는 영향을 미세 조정할 수 있다.

에너지 소비 최적화는 탄소발자국을 줄이는 것뿐만 아니라 보다 경제적인 솔루션으로 시장 점유율을 확보하는 것이기 때문에 현재 많은 AI 기업들의 초점이 되고 있다. 이와 관련하여 최적화 알고리즘은 훈련 시간이 거의 변하지 않고 에너지 사용이 최소화되는 트레이드오프 포인트에 초점을 맞추고 있다.

최적화 알고리즘 채택과 관련해 AI 기업은 자체 알고리즘 개발, 상용화된 옵션 탐색, 오픈소스 최적화 채택 등에 전문성을 적용함으로써 에너지 효율을 달성하고 녹색 미래에 기여할 수 있다. 즉, 최적화 알고리즘의 반복과 발전에 따라 업계는 보다 에너지 효율적인 AI 생태계를 달성하는 데 더욱 가까워질 수 있다.

AI 구동에 있어서 고려해야 할 측면

AI의 환경적 영향은 간접적이기는 하지만 세계적인 물 부족 문제로까지 확대될 수 있다는 우려가 있다. 즉 AI 모델의 트레이닝을 위해 정보처리센터의 냉각 및 최적화를 위한 상당한 양의 물 소비가 필요하며, 이를 처리하기 위해서는 최적의 작동 온도를 유지해야 한다. 오래되거나 폐기된 인공지능 하드웨어에서 발생하는 전자 폐기물에서 볼 수 있는 또 다른 우려 사항은 인공지능 기술이 빠르게 발전함에 따라 교체주기가 빨라지면서 전자 폐기물이 증가할 것이라는 전망이다. 재활용과 책임 있는 처리를 포함한 적절한 폐기물 관리 관행은 중복 인공지능 하드웨어가 초래하는 환경적 결과를 완화하는 데 필수적이다.

또한 AI 알고리즘의 편향 문제는 환경적 영향과 직접적으로 관련되지는 않지만 사회적, 환경적 영향을 미칠 수 있다. 예를 들어, 편향된 자원 할당이나 환경 정책 의사 결정은 소외된 지역사회에 불균형적으로 영향을 미칠 수 있다. 따라서 이러한 편향을 해결하고 AI 시스템의 공정성을 보장하는 것은 공정하고 환경을 의식하는 애플리케이션을 구축하는 데 필수적인 요소가 될 것이다.

차량 부문 AI, 탄소배출량 저감 기술 선보여

특히 이러한 AI 개발은 차량 부문에서 더욱 특화될 것으로 보이는데 이는 AI를 이용한 차량운용이 에너지 효율은 물론 사회적 비용 절감 효과까지 볼 수 있기 때문이다. 최근 SK텔레콤은 AI 기반 위치분석 플랫폼 ‘리트머스(LITMUS)’를 활용함으로써 특정 지역의 버스 및 지하철 등 대중교통과 자가용 차량의 탄소 배출량을 분석하는 기술을 상용화했다고 밝혔다.

SKT가 상용화한 탄소 배출량 분석 기술은 기지국 정보와 AI 기술을 통해 특정 지역 내의 ▲이동 수단(버스, 지하철, 일반차량 등), ▲이동 거리, ▲이동 목적별 구간별 속도 분석(30분 단위 평균 속도) 등의 데이터를 추출, 이를 활용해 해당 지역의 정교한 탄소 배출량을 분석하는 기술이다. 최근 정부 발표에서도 국내 전체 탄소 배출량 중에서 자동차와 지하철 등 이동수단이 차지하는 비중은 약 14%를 차지한다고 알린 바 있다. 그 때문에 지자체 차원에서도 교통 관련 정책을 세울 때부터 탄소 배출량을 고려할 경우 전체 탄소 배출량 감축에 큰 도움이 될 수 있지만 특정 지역의 데이터를 확보할 수 있는 방법이 없이 정책을 수립하는 데 어려움을 겪을 수밖에 없었다. 그러나 이러한 데이터가 본격 활용될 경우 ▲행정동 단위의 출발지와 목적지와 이동 거리와 속도에 따른 일 단위 탄소 배출량, 이동 수단, 이동 목적 분석 결과, ▲도로 링크 단위 별 이동량, 이동 속도, 정차 시간, 이동 수단 및 탄소 배출량 분석 결과 ▲위 두개 데이터에 대한 전기차 및 수소차량 등 친환경 차량에 대한 비율 등을 파악할 수 있게 됐다.

▲리트머스 활용 탄소량 측정 개념도(제공=SKT)

또한 AI 기술은 자율주행차의 개발을 가속화하고 있다. 최근 시장조사업체 스카이퀘스트(SkyQuest) 보고서에 따르면 자율주행차 시장은 예상기간(2022~2030년) 동안 22.78%의 연평균 성장률을 기록, 2030년까지 시장 규모가 1,400억 달러에 이를 것으로 예상된다고 알린 바 있다. 이러한 성장은 인공지능 및 기계학습의 발전, 자율주행차 기술에 대한 정부 지원 및 투자 증가, 자율주행차 및 맞춤형 교통 서비스에 대한 수요 증가, 교통 혼잡 및 국가 안전 지도(High-Definition Mapsensors)에 의한 교통 및 국가 고속도로의 감소 필요성 연구(Highest)로 교통 기관의 개발에 의해 주도되고 있다.

연구에 따르면 자율주행차를 대규모로 도입할 경우 2035년에서 2045년 사이에 58만5000명의 생명을 구할 수 있어 미국에서만 연간 1조3000억 달러의 사회적 비용 절감 효과를 볼 수 있다고 응답한 결과도 있다. 인텔의 조사에 따르면 63%의 응답자가 교통사고를 줄일 수 있을 것으로 생각하는 반면 58%는 교통혼잡을 줄일 수 있을 것으로 예상했다. 그밖에 스카이퀘스트는 2040년까지 중국이 가장 큰 시장 규모를 가지며 3300만대에 도달할 것으로 전망했다. 물론 자율주행차의 AI 도입은 만능은 될 수 없겠지만 시장 가능성을 열었다는 측면에서 본다면 꾸준한 개선을 통해 상당 부분 기술적 문제점이 해결될 수 있을 것으로 보인다.

최근 2030년까지 이어질 것으로 예상되는 자율주행차 시장 성장을 이끄는 데는 교통응용프로그램 부문이 큰 역할을 한 것으로 분석되는데, 이는 승차공유 서비스 수요 증가와 스마트시티 개발, 교통혼잡 해소 및 도로안전 강화 필요성이 가장 큰 견인 요인으로 보인다. 우버, 리프트 등 기업들도 자율주행차가 매출 1조 달러를 달성하는 등 관련 부문 확대에 기여할 것으로 전망했다.

AI를 이용한 탈탄소 적용분야

AI 도구와 기술의 등장은 탄소배출량을 모니터링하고 예상 및 관리함으로써 잠재적인 배출량을 측정하고 분석하는 데 사용되고 있다. 컨설팅 BCG는 기업의 지속가능성에 AI를 적용하면 1조3000억~2조6000억 달러의 가치를 창출할 수 있을 것으로 추정하고 있다. 따라서 기업들은 점점 더 많은 AI 도구와 기술을 프로세스에 적용함으로써 탄소배출량의 정확도를 높이고 그에 대한 투자를 증가시킬 수 있다. 이와 관련해 산업계 탈탄소 네트워크(The Industrial Decarbonization Network)에서는 AI가 탈탄소를 추진하는 8가지 방법을 다음과 같이 소개했다.

1. 에너지 최적화 : AI 알고리즘을 통해 전력망, 신재생에너지원 등 에너지 시스템의 대량 데이터를 분석함으로써 에너지 생성, 분배, 소비를 최적화할 수 있어 에너지 자원을 보다 효율적으로 활용, 탄소 배출을 줄일 수 있다.

2. 스마트 그리드 관리: AI는 전기의 흐름을 실시간으로 모니터링하고 제어함으로써 스마트 그리드 관리를 가능하게 할 수 있으며, 재생 에너지원, 에너지 저장 시스템, 수요 대응 메커니즘을 통합하여 공급과 수요의 균형을 유지하고 재생 에너지 활용을 극대화하며 화석 연료에 대한 의존도를 최소화할 수 있다.

3. 예측 유지보수: 인공지능은 기계 학습 기술을 활용하여 장비 고장 및 유지보수 필요성을 예측할 수 있다. 잠재적인 문제를 사전에 파악함으로써 조직은 유지보수를 최적화하고, 다운타임을 줄이며, 에너지 효율을 개선하여 탄소 집약적인 활동을 최소화할 수 있다.

4. 교통 최적화 : 교통 시스템을 최적화하여 탄소배출량을 줄일 수 있으며, 교통상황, 연료소비량, 대체교통수단 등의 요소를 고려하여 노선계획, 교통관리, 비행대 최적화 등에 활용할 수 있으며, 에너지 효율성을 높일 수 있는 자율주행차 개발도 지원할 수 있다.

5. 공급망 관리: AI는 복잡한 공급망을 분석 및 최적화하여 에너지 소비 및 배출을 줄일 수 있고 운송 경로 최적화, 포장 폐기물 감소, 재고 수준 최소화 등 에너지 효율 개선 기회를 파악할 수 있으며, 공급망 최적화를 통해 조직의 전체 탄소 배출량을 줄일 수 있다.

6. 기후 모델링 및 예측: 인공지능은 다양한 시나리오와 개입의 영향을 포함하여 미래 기후 패턴을 모델링하고 예측하기 위해 많은 양의 기후 데이터를 분석할 수 있다. 이 정보는 정책 입안자와 기업이 탈탄소 전략 및 자원 할당에 대한 정보에 입각한 결정을 내리도록 안내할 수 있다.

7. 빌딩 에너지 관리: AI는 빌딩 시스템을 모니터링하고 제어하여 에너지 사용, 난방, 냉방, 조명을 최적화할 수 있으며, 기계학습 알고리즘은 점유 패턴을 학습하고 이에 따라 에너지 소비를 조정하여 빌딩 환경에서 상당한 에너지 절약과 탄소 감축을 달성할 수 있다.

8.행동 변화 및 의사결정 지원: AI는 개인과 조직이 에너지 소비 패턴에 따라 개인화된 권장사항과 피드백을 제공함으로써 보다 지속 가능한 선택을 할 수 있도록 도울 수 있으며, AI 기반 플랫폼은 에너지 사용을 줄이거나 더 친환경적인 대안을 채택하는 등 행동 변화를 장려하여 탈탄소 노력에 기여할 수 있다.