최근 Google Research가 "Where wild things roam: Identifying wildlife with SpeciesNet"를 통해 야생동물 식별 AI 모델 SpeciesNet의 흐름과 의미를 다시 조명했습니다1. 핵심은 간단합니다. 야생에 설치한 카메라트랩이 사진을 "찍는" 문제는 이미 해결됐고, 이제는 그 사진 더미를 "읽는" 속도가 보전의 성패를 가른다는 점이죠.
SpeciesNet은 카메라트랩 이미지에서 동물을 찾아내고(탐지) 어떤 종인지 분류해(식별) 연구 시간을 크게 줄여주는 오픈소스 AI입니다. 이 글에서는 SpeciesNet이 왜 중요한지, 어떻게 작동하는지, 그리고 현장에서 무엇이 달라지는지까지 한 번에 정리해볼게요.
SpeciesNet이 해결하는 '사진 홍수' 문제
카메라트랩은 사람이 숲에 상주하지 않아도 야생동물의 생활을 기록해줍니다. 하지만 대가는 데이터 폭탄입니다. 프로젝트 하나가 수백만 장을 뽑아내고, 그중엔 바람에 흔들린 풀 사진도 섞이죠. 결국 연구자들은 "동물 사진만 골라내기"부터 "종 이름 붙이기"까지 끝없는 분류 작업에 시간을 씁니다.
SpeciesNet은 이 병목을 정면으로 줄입니다. 수작업이 멈추는 지점은 '관측'이 아니라 '정리'였고, AI는 바로 그 정리 시간을 압축합니다. 실제로 SpeciesNet은 카메라트랩 사진에서 약 2,500개 범주의 동물(포유류·조류·파충류 등)을 식별하도록 학습됐습니다2. 숫자가 주는 의미는 단순한 자랑이 아니라, "현장 대부분의 장면을 일단 AI가 분류 테이블 위에 올려준다"는 실용성에 가깝습니다.
카메라트랩 AI 파이프라인: 찾고, 자르고, 이름 붙이기
SpeciesNet은 보통 2단계 흐름으로 이해하면 쉽습니다. 먼저 사진 속에서 동물(혹은 사람·차량)을 찾아 표시하고, 그다음 동물로 보이는 영역을 바탕으로 종을 분류합니다3. 현장에서는 이 구조가 꽤 합리적입니다. 카메라트랩 사진은 조명도 제각각이고, 동물이 프레임 구석에 작게 찍히거나 풀에 가려지는 일이 흔하니까요.
흥미로운 건, 이런 "먼저 잘라주기"가 야생동물 AI의 오래된 숙제였다는 점입니다. 예를 들어 기린 개체를 무늬로 식별하는 연구에서는, 분석 전 단계에서 연구자가 사진을 일일이 크롭해야 해서 시간이 발목을 잡았고, 이를 머신러닝으로 자동 크롭해 분 단위로 줄였다는 보고도 있습니다4. 종 식별이든 개체 식별이든, 결국 첫 관문은 '사진을 분석 가능한 형태로 정돈하는 기술'입니다. SpeciesNet은 이 관문을 대규모로 통과시키는 도구에 가깝습니다.
현장에서 달라진 일들: 세렝게티부터 콜롬비아까지
기술이 멋져도 "그래서 뭐가 바뀌었는데?"가 중요하죠. 가장 드라마틱한 사례는 탄자니아 세렝게티입니다. Snapshot Serengeti 프로젝트는 누적 이미지가 너무 많아 사람 손만으로는 속도가 나오지 않았는데, SpeciesNet으로 1,100만 장 규모의 백로그를 며칠 만에 처리했다고 알려졌습니다2. '수십 년치 데이터를 며칠에'라는 말은 과장이 아니라, 장기 추세(개체수 변화, 행동 패턴)를 더 빨리 꺼내 정책과 보호 전략에 반영할 수 있다는 뜻입니다.
남미 콜롬비아에서는 전국 단위 카메라트랩 네트워크(Red Otus) 확장 흐름 속에서, 대량 이미지 분석을 통해 조류 이동 시점이나 야생동물의 일주 패턴 변화 같은 신호를 읽고 있습니다2. "동물이 더 야행성이 되는 것 같다" 같은 가설은, 결국 표본이 커야 설득력이 생기는데 AI가 그 표본을 현실로 만들어줍니다.
또 한 가지 포인트는 '현지화'입니다. 호주처럼 고유종이 많은 지역은 범용 모델만으로는 아쉬울 수 있는데, Wildlife Observatory of Australia는 오픈소스 SpeciesNet을 바탕으로 지역에 중요한 종을 추가 학습해 쓰고 있습니다2. 오픈소스의 진짜 힘은 여기서 나오죠. "우리 동네 동물은 우리가 제일 잘 아니까, 모델도 우리 동네 사정에 맞게 키우자"가 가능해집니다.
시사점
SpeciesNet 같은 도구가 의미 있는 이유는 AI가 자연을 '대체'해서가 아니라, 자연을 '더 자주, 더 넓게, 더 빨리' 관측하게 만들어서입니다. 다만 현장 적용에서는 AI 결과를 그대로 믿기보다, 사람 전문가의 최종 검토가 반드시 남아야 합니다. 데이터가 부족한 지역일수록 정확도 편차도 생길 수 있고, 애매하면 "정확한 종" 대신 "포유류" 같은 상위 분류로 나올 수도 있으니까요3.
실용적으로는 이렇게 접근하는 게 좋습니다. 먼저 AI로 대량 데이터를 1차 정리하고, 희귀종·보호종·낯선 결과만 사람이 집중 검토하는 방식이 효율적입니다. 그리고 가능하다면 지역 데이터로 점진적 재학습(현지화)을 붙이면, SpeciesNet은 단순한 '분류기'가 아니라 각 지역 보전팀의 '현장형 인덱서'가 됩니다. 사진 더미 속에서 야생이 보내는 신호를 놓치지 않게 해주는, 꽤 든든한 도구로요.
참고
1Where wild things roam: Identifying wildlife with SpeciesNet
2How our open-source AI model SpeciesNet is helping to promote wildlife conservation
3Google SpeciesNet: Open-Source AI Transforming Wildlife Conservation
4Toward automated animal identification in wildlife research
이 노트는 보도·비평·교육·연구 목적으로 작성되었습니다. 저작권 문의가 있으시면 에서 알려주세요.