🥬 AI & Cloud - (미니 프로젝트)

딥러닝/클라우드 조별 프로젝트

목적

클라우드 과정을 통해 학습한 내용을 토대로 주어진 데이터셋 활용 조별 작업을 통해 클라우드 환경에서 AI 모델 생성 및 배포

프로젝트 조별 주제

상추의 생육 환경 예측 AI

배경
4차 산업혁명 시대를 맞아 농업 분야에서도 인공지능(AI) 기술이 널리 사용되어 IT 기술을 동원한 스마트팜 등 보다 효율적인 작물 재배가 가능해지고 있다.
작물의 수확량을 최고로 끌어올릴 수 있는 시간대별 최적 환경을 알아낼 수 있다면, 식물 재배와 관련한 제반 산업에 큰 도움이 될 것이다.

주제
생육 환경 예측 AI 모델 결과를 바탕으로 상추의 일별 최대 잎 중량을 도출할 수 있는 최적의 생육 환경 조성
상추의 일별 잎중량을 예측하는 AI 예측 모델 개발

규칙
평가 기준 : RMSE( CASE별 RMSE 평균 )
외부 데이터 사용 불가능
법적 제약이 없으며 논문으로 공개된 사전 학습 모델(Pre-trained Model) 사용 가능
사용한 사전 학습 모델의 출처 필수 기재

Dataset 정보
train_input [폴더] - 총 28개 상추 케이스
DAT : 생육 일 (0~27일차)
obs_time : 측정 시간
상추 케이스 별 환경 데이터 (1시간 간격)
train_target [폴더] - 총 28개 상추 케이스
DAT : 생육 일 (1~28일차)
predicted_weight_g : 일별 잎 중량
test_input [폴더] - 총 5개 상추 케이스
DAT : 생육 일 (0~27일차)
obs_time : 측정 시간
상추 케이스 별 환경 데이터 (1시간 간격)
test_target [폴더] - 총 5개 상추 케이스
DAT : 생육 일 (1~28일차)
predicted_weight_g : 일별 예측한 잎 중량

결과 평가를 위해 target에 해당되는 predicted_weight_g의 값은 모두 0으로 가려져있습니다

발표

저희 Grow AI 프로젝트는 최고의 상추를 재배하기 위한 혁신적인 솔루션을 준비했는데요
지금부터 프로젝트의 개요와 주요 내용들을 설명해드리겠습니다

목차

저희는 먼저 최근의 상추와 관련된 문제를 이야기하고 그 문제를 해결하기 위한
AI 모델을 만드는 과정과 그러한 AI 모델을 서버에 올려 어떻게 사용하는지를 준비했습니다

문제 정의

2024년 올해 이번 달 7월에 나온 상추와 관련된 뉴스와 기사들입니다
여러분도 아시겠지만 갈수록 지구온난화가 심해지면서 지구에 이상기후 현상이 자주일어나고 심해지고 있는데요

저희도 느끼듯이 비도 짧은 시간에 엄청오고, 또 최근에 나가보시면 아시겠지만 엄청 덥고 습하잖아요 저희도 이러한 이상기후 때문에 힘들지만 상추 역시 그러한 고통을 겪고 있는데요

그 결과로 상추의 원활한 공급이 힘들어져서 이렇게 가격이 폭등한 것을 확인할 수 있습니다

그래서 저희는 이러한 불규칙한 공급성을 가지고 있는 상추의 재배를 관리할 필요가 있다고 느꼈고

그래서 준비했습니다
일별 상추의 성장 예측과 최종 성장량을 예측함으로써
상추의 원활한 관리를 위한 솔루션 Grow AI입니다

팀원소개

저희팀은 최고의 팀원들로 구성되어 있으며
클라우드 1명 UI/UX 1명 데이터 분석 1명 AI 모델링 2명으로 역할을 분담하였습니다

데이터 분석 과정 및 결과

먼저 AI 모델을 설계하는데 사용했던 데이터에 대해서 소개해드리겠습니다

해당 데이터는 이렇게 되어 있습니다

저희는 이러한 데이터를 보면서 데이터에 이상치와 결측치가 있다는 것을 확인했습니다
먼저 CASE 4번에 내부온도와 내부습도에 결측치가 있었는데요
옆의 CSV파일을 보시면 계속해서 내부온도와 내부습도가 측정되고 있는데
15:00시에만 결측치가 있는 것을 확인할 수 있습니다
저희는 이러한 값을 위아래의 2개를 고려하여 평균을 구했습니다

그런데 저희가 CSV 파일 보던 중 측정값이 0이 찍힌 바로 위에도 전체적인 경향을 고려했을 때 역시 값이 이상한다고 판단했고, 이 역시 위아래의 2개씩을 고려하여 평균을 구했습니다

또한 저희는 CASE 13에는 시간당 분무량
CASE6에 시간당 백색,청색,적색광량이 음수인것을 발견했습니다
일반적인 상식선에 분무량과 광량은 음수가 나올 수 없다고 생각하여
각각 최빈값인 0으로 대체하였습니다

이번에는 Target 데이터 입니다 target 데이터는 일별로 측정한 상추의 무게가 나와있습니다
그래서 생장정도를 확실하게 학습하기 위해서는
하루의 누적치가 아니라 하루의 상추 생장치로 변경할 필요가 있습니다
그래서 변경하였습니다

이렇게 열심히 전처리한 데이터를 바탕으로 데이터 분석과 이해를 하기 위해 각각의 변수와의 관계를 시각화하였습니다

아무래도 저희는 상추 생장에 초점이 맞춰져있어서 predict값과 나머지 변수들에 주목을 하였습니다 그래서 다음과 같이 생장에 긍정적인 영향을 주는 요소들과 부정적인 영향을 주는 요소들을 확인할 수 있었습니다

이러한 분석을 바탕으로 상추생장을 최적화하기 위한 환경조건을 정의하였습니다

AI 모델 생성 과정

저희가 먼저 고려한 요소는 누적 시간당 중에 적합한 모델을 찾기 위해서 랜덤포레스트, 트랜스포머, 선형함수 등등 여러 모델을 사용해보았습니다

저희는 그중에서 가장 결과가 좋았던 두 모델 LSTM과 XGBoost를 선택하기로 결정을 하였습니다
두 모델 전부 실제값과 예측값이 비슷했고, MSE이나 RMSE도 낮아서 적합하였습니다

두 모델은 결과뿐만 아니라 모델의 특징적인 부분에서도 적합했습니다

상추의 성장에는 온도, 습도, 광량, 분무량 등 다양한 환경 변수가 포함됩니다 그렇기에 여러 가지 변수가 영향을 줄 수가 있고, 또한 식물 성장 데이터는 비선형적인 특성을 가지고 있습니다.

그렇기에 XGBoost는 복잡한 데이터에 적합하고, 비선형성이나 결측치에도 유연하기에 상추의 생장 예측 AI로서 적합합니다

LSTM 모델은 시계열 데이터에서 장기적인 패턴을 기억할 수 있다는 장점이 있습니다
그래서 시간 순서대로 생장도가 매칭되어 있는 상추 데이터에 매우 적합한 AI 모델입니다

저희 개발 및 배포 환경은 코랩에서 AI 모델을 완성해서 Cloud Storage에서 저장을 하였고 스토리지에서 AI 모델을 불러와 엔드유저가 상추 환경 CSV 파일을 입력받으면 상추 중량 예측값을 전달 받을 수 있도록 구성을 하였습니다

페이지에 접속해서 Select Model 창을 통해서 XGBoost 모델과 LSTM 모델 중에 선택하게 됩니다
그리고 상추의 환경 CSV 파일을 입력해주면

일별로 상추의 중량 예측 값과 그래프를 보여줍니다
또한 일정량의 상추 중량이 되면

페이지에서 상추가 떨어집니다 !!!

그러면 이러한 grow AI 누가 사용할 수 있을 까요?
저희 소비타겟을 상추재배와 관련된 농업 생산자, 농업 협동조합, 농산물 유통업체 등등 농업과 관련된 사람들로 구성하였습니다

농업에 있는 종사자들은 Grow AI를 통해 생산과 자원의 효율성을 높일 수 있을 것이고 이는 생산량 증가나 농업 기술의 발전으로 이어질 것입니다

이상 상추 데이터셋를 통해 혁신적인 농업 솔루션 Grow AI를 준비한 3조였습니다

KPT 회고

Keep

1. PPT에 코드적인 요소는 지양했던점
2. 페이지 상추가 떨어지는 요소같은 재밌음을 추구한점은 좋았다
3. 문제정의나 타겟설정은 좋았다
4. 여러가지 모델을 사용해보고 모델을 비교해본것도 좋았다
5. 데이터 인사이트도 괜찮았다

Problem

1. 모델을 선택하게 하는 요소는 개발자에게 친화적이지 유저친화적이지 않다
유저는 정확도가 높은 모델을 사용하고 싶어 한다


2. 발표를 할 때 무조건 대본을 완성하자 (절대 교만하지 말자)


3. 개념에 대한 구체적인 설명에 대해서는 유저를 고려해야 한다
개념에 대한 설명은 부록으로 설정하는 것이 좋다 (배경지식)


4. 환경 구축 과정을 넣는 것은 의미가 크게 없다


5. 먼저 왜 이러한 AI 모델을 만들어야 하는지에 대해서와
AI모델을 사용하는 데이터에 대한 정의 설명적인 요소가 들어가면 좋다


6. 코드와 기술적인 부분에 설명하는 것은 지양해야 한다


7. 평가지표에 대한 설명도 넣는것도 괜찮다


8. 개발서버와 배포 서버 둘 다 넣는 것이 좋다


9. 그래프 먼저 나중에 부가적인 정보


10. 시행착오를 넣는것도 좋다

Try

내가 최근에 발표를 많이 해봤다고 이번에는 대본을 완전히 완성하지 않고 했다
그 결과 약간의 버벅거림이 있었다 -> 건방 떨지말자

시행착오가 있었는데 넣지 않았던게 조금 아쉬웠다

모델을 굳이 선택하게 할 필요가 없는것 같다 그냥 정확도 높은 모델 하나만 했어도 괜찮았을 것 같다

부록에 대한 개념
질문에 대비해서 부록으로 추가적인 자료를 넣는것도 괜찮은 것 같다