EventOD: Event-Aware OD Flow Generation via LLM-Guided Semantic Modulation

도시가 어떻게 숨을 쉬는지 예측하는 것을 상상해 보십시오. 평범한 한 주, 조용하고 지루한 날들에 사람들은 예측 가능한 패턴으로 움직입니다. 그들은 잠에서 깨어나 출근하고, 점심을 먹고, 집으로 향합니다. 과학자들은 이를 "기점-종점(Origin-Destination, OD)" 흐름이라고 부르는데, 이는 사람들이 어디서 출발하여 어디에 도착하는지를 보여주는 일종의 정교한 지도입니다. 수년 동안 컴퓨터는 딥러닝을 사용하여 이러한 경로를 추측하는 데 매우 능숙해졌으며, 마치 당신의 습관을 당신보다 더 잘 아는 GPS처럼 작동합니다. 하지만 문제는 세상이 갑자기 미쳐버릴 때 발생합니다. 허리케인이 마을을 휩쓸고 지나가거나 팬데믹으로 인해 모든 사람이 실내에 머물러야 할 때, 기존의 습관은 사라집니다. 컴퓨터의 "평범한 날" 지도는 도시의 기능이 변했기 때문에 쓸모가 없어집니다. 상점은 문을 닫고, 도로는 침수되며, 사람들은 겁에 질려 있습니다. 재난이 닥칠 때마다 컴퓨터에게 새로운 이동 방식을 가르치려고 하는 것은 느리고 비용이 많이 들며, 종종 불가능합니다. 왜냐하면 위기가 닥쳤을 때는 데이터가 충분하지 않기 때문입니다.

여기서 EventOD라고 불리는 새로운 아이디어가 등장합니다. 이것은 우리 도시를 예측하는 컴퓨터를 위한 스마트한 번역가 역할을 합니다. 기존의 신뢰할 수 있는 지도를 버리고 처음부터 새로운 지도를 배우는 대신, EventOD는 초지능형 AI(거대 언어 모델, LLM)에게 재난에 관한 뉴스를 읽게 하여 도시의 '기분'이 어떻게 변했는지 파악하도록 합니다. 그런 다음 기존의 지도를 망가뜨리지 않으면서 새로운 현실에 맞게 부드럽게 조정합니다. 이것은 마치 일반 안경 위에 "재난용 안경"을 덧쓰는 것과 같습니다. 여전히 세상을 명확하게 볼 수 있지만, 이제는 비와 바람, 그리고 공포까지도 볼 수 있어 그에 맞춰 경로를 조정할 수 있게 되는 것입니다. 연구진은 이를 미국의 실제 허리케인과 팬데믹 사례에 테스트했으며, 이 "부드러운 조정" 방식이 모든 것을 처음부터 다시 학습시키려는 시도보다 위기 상황에서의 이동 예측에 훨씬 더 뛰어나다는 것을 발견했습니다.

문제점: 도시의 루틴이 깨질 때

당신의 휴대폰 날씨 앱이 화요일에 비가 올 것을 예측하는 데는 탁월하지만, 토네이도가 갑자기 발생하면 혼란스러워할 수 있다는 것을 알고 계실 겁니다. 이동 패턴을 예측하는 컴퓨터 모델에서도 정확히 같은 일이 일어납니다. 이 모델들은 "일상적인" 데이터, 즉 모든 것이 정상일 때 사람들이 어떻게 움직이는지에 대해 학습됩니다. 사람들은 아침에는 학교에 가고 오후에는 공원에 간다는 것을 배웁니다. 하지만 거대한 폭풍이나 글로벌 보건 위기와 같은 파괴적인 사건이 발생하면 규칙이 즉각적으로 변합니다. 학교는 대피소가 될 수도 있고, 공원은 출입 금지 구역이 될 수도 있습니다.

문제는 이 컴퓨터들이 고집스럽다는 점입니다. 재난 중에 새로운 규칙을 가르치려 해도, 보통 제대로 가르칠 만큼의 데이터가 충분하지 않습니다. 사건은 '지금' 일어나고 있으며, 데이터는 엉망이거나 누락되어 있습니다. 매번 허리케인이나 팬데믹이 발생할 때마다 전체 컴퓨터 모델을 다시 훈련시키려 하는 것은, 고속도로를 달리고 있는 자동차의 엔진을 운전 중에 재건축하려는 것과 같습니다. 너무 느리고, 엔진을 망가뜨릴 수도 있습니다. 연구진은 엔진을 재건축하는 대신, 스티어링 휠(핸들)을 조정하기만 하면 된다는 사실을 깨달았습니다.

해결책: "시맨틱(Semantic)" 스티어링 휠

EventOD 팀은 컴퓨터의 두뇌를 망가뜨리지 않고 이를 해결하기 위해 영리한 3단계 계획을 고안했습니다.

1단계: 번역기 (LLM)
먼저, 그들은 에세이를 쓰거나 대화를 나누는 것과 같은 종류의 AI인 거대 언어 모델(LLM)을 사용하여 재난의 "뉴스"를 읽습니다. AI에게 허리케인의 풍속이나 팬데믹의 감염률과 같은 정보를 제공합니다. AI는 단순히 "상황이 나쁘다"라고 말하는 것이 아니라, 그 혼돈을 구조화된 변화 목록으로 번역합니다. 예를 들어, AI는 "레스토토랑이 폐쇄될 가능성이 높음"(기능적 변화)과 "아이를 둔 가족들이 집에 머물 것임"(인구 통계적 변화)을 파악합니다. 이를 "이곳의 활동은 줄이고, 저곳의 활동은 늘려라"와 같은 단순한 제어 벡터, 즉 일련의 지침으로 변환합니다.

2단계: 볼륨 조절 노브 (AlphaNet과 BetaNet)
무엇을 바꿔야 하는지 아는 것도 좋지만, 얼마나 많이 바꿔야 하는지 아는 것은 더 중요합니다. AI의 지침은 방향(예: "좌회전")에 불과하지만, 컴퓨터는 그 회전의 속도를 알아야 합니다. 여기서 AlphaNet과 BetaNet이라는 두 개의 작고 가벼운 컴퓨터 프로그램이 등장합니다. 이들은 볼륨 조절 노브 역할을 합니다. AlphaNet은 "기능적" 볼륨(상점과 사무실이 얼마나 영향을 받는지)을 조절하고, BetaNet은 "인구 통계적" 볼륨(다양한 집단이 얼마나 영향을 받는지)을 조절합니다. 이 노브들은 약간의 데이터를 통해 학습되어, AI의 거친 추측을 정밀한 조정으로 미세하게 튜닝할 수 있게 해줍니다.

3단계: 안전망 (검색 증강 폴백, Retrieval-Augmented Fallback)
때로는 데이터가 너무 부족하여 볼륨 조절 노브조차 혼란을 겪을 수 있습니다. 이를 처리하기 위해 EventOD는 백업 플랜을 가지고 있습니다. 시스템은 훈련 라이브러리를 되돌아보아 과거의 유사한 재난들을 찾아냅니다. 만약 새로운 유형의 폭풍이라면, 시스템은 "이전에 이와 유사한 폭풍을 어떻게 처리했었나?"라고 묻습니다. 이 기억을 사용하여 빈틈을 메우고, 데이터가 희박할 때도 시스템이 멈추지 않도록 보장합니다.

실제 작동 방식

시스템이 "제어 벡터(방향)"와 "노브(크기)"를 확보하면, 이 정보를 미리 학습된 기존 컴퓨터 모델에 직접 주입합니다. 원래의 모델은 정확히 그대로 유지되며, 그 두뇌는 전혀 바뀌지 않습니다. 대신, 입력 데이터가 재난을 반영하도록 약간 수정됩니다. 이는 숙련된 운전자에게 "길이 침수되었으니 우회하세요"라고 새로운 지침을 주는 것과 같습니다. 운전자를 가르치기 위해 운전법을 다시 훈련시킬 필요 없이 말입니다.

연구진은 두 가지 매우 다른 시나리오에 대해 테스트했습니다. 물리적 파괴와 날씨로 인한 혼돈을 일으킨 2019년 **허리케인 도리안(Hurricane Dorian)**과, 행동 및 정책 중심의 변화를 일으킨 2020년 COVID-19 팬데믹입니다. 두 경우 모두, EventOD를 모델을 처음부터 다시 훈련시키거나 변경 없이 기존 모델만 사용하는 방법을 포함한 다른 방법들과 비교했습니다.

결과: 더 똑똑하고, 빠르고, 정확하게

결과는 명확했습니다. EventOD는 일관되게 다른 방법들보다 뛰어난 성능을 보였습니다. 허리케인 시나리오에서, 이는 적응되지 않은 최상의 사전 학습 모델과 비교했을 때 사람들의 이동 흐름을 예측하는 정확도를 상당한 차이로 개선했습니다. 구체적으로, 사람들의 흐름을 예측하는 오차를 약 18% 줄였습니다. 또한 사람들의 실제 분포를 맞추는 데 훨씬 더 뛰어났는데, 이는 단순히 사람의 수를 맞히는 것이 아니라 사람들이 가는 '장소'를 정확히 맞혔음을 의미합니다.

가장 흥ante로운 발견 중 하나는 기존 모델을 고정된 상태로 유지하는 것이 모델을 미세 조정(fine-tuning)하려고 노력하는 것보다 실제로 더 낫다는 점이었습니다. 연구진이 제한된 재난 데이터로 모델을 다시 훈련시키려 했을 때, 오히려 성능이 더 떨어졌습니다. 이는 모델이 평범한 날로부터 배운 "상식"이 매우 가치 있으며, 노이즈가 많고 불완전한 재난 데이터로 이를 덮어쓰지 말아야 함을 시사합니다. 대신, 단지 부드럽게 조종하기만 하면 됩니다.

이 시스템은 유연성 또한 입증했습니다. (시작했던 모델뿐만 아니라) 다양한 종류의 컴퓨터 모델에서도 잘 작동했으며, 날씨 충격부터 정책적 제한에 이르기까지 다양한 종류의 재난을 처리할 수 있었습니다. 심지어 아주 적은 훈련 데이터만을 제공한 "하드 모드"에서도 시스템은 무너지지 않았습니다. 정확도가 조금 낮아지긴 했지만, 여대의 대안들보다는 훨씬 나은 성능을 보였습니다.

똑똑함의 비용

"최신 AI를 사용하여 재난 뉴스를 번역하는 것이 엄청난 비용이 들거나 시간이 오래 걸리지 않을까?"라는 의문이 들 수 있습니다. 연구진은 이 부분도 확인했습니다. 그들은 이 과정이 놀라울 정도로 저렴하고 빠르다는 것을 발견했습니다. 각 지역(예: 카운티)에 대해 AI 번역 및 조정을 실행하는 비용은 $0.002 미만이었습니다. 소요 시간은 주로 AI가 생각하는 시간에 좌우되어 지역당 몇 초가 걸렸지만, 이 계산은 여러 지역에 대해 동시에 병렬로 수행될 수 있으므로 전체 시간은 관리 가능한 수준입니다. 과거의 재난을 찾아보는 "검색" 부분은 약 0.0001초밖에 걸리지 않아 거의 즉각적이었습니다.

이것이 중요한 이유

EventOD는 세상이 궤도를 벗어날 때, 우리가 기존의 도구를 버릴 필요가 없다는 것을 보여줍니다. 우리는 단지 그 도구들에게 새로운 상황을 읽는 법을 가르치기만 하면 됩니다. 컴퓨터가 이미 가지고 있는 "평범한 삶"에 대한 깊은 지식과 현대적 AI의 유연한 언어 이해 능력을 결합함으로써, 우리는 예상치 못한 상황에 대비할 수 있는 시스템을 만들 수 있습니다. 허리케인이 전선을 끊어놓든 팬데믹이 사회적 교류를 바꾸든, 이 접근 방식은 하늘이 회색빛으로 변할 때마다 처음부터 다시 시작하지 않고도 우리 도시를 계속 움직이게 하고 응급 구조 요원들에게 정보를 제공할 수 있는 길을 제시합니다.