AmalthAI: An Open-Source Computer Vision Platform for Cultural Heritage

고대사가 돌, 점토, 직물 위에 기록되어 있지만 그 잉크가 점점 흐려지고 있는 세상을 상상해 보십시오. 수 세기 동안 고고학자들은 이 단서들을 읽어내기 위해 현미경 아래에서 작고 부서지기 쉬운 유물들을 응시하며 애쓰는 탐정 역할을 해왔습니다. 하지만 이제, 컴퓨터라는 새로운 종류의 탐정이 이 조직에 합류했습니다. **컴퓨터 비전(Computer Vision)**이라 불리는 이 분야는 기본적으로 기계가 인간처럼 사진을 '보고' 이해하도록 가르치는 기술입니다. 단순히 고양이나 자동차를 인식하는 것을 넘어, 이 기계들은 고대 바구니의 특정한 짜임새나 점토 그릇의 질감을 포착하도록 훈련될 수 있습니다.

하지만 여기에는 함정이 있습니다. 컴퓨터가 보는 법을 가르치려면 보통 수학과 코딩에 관한 박사 학위가 필요합니다. 이는 마치 레이싱 카 엔진을 고치는 법은 모르면서 운전법만 아는 사람이 엔진을 수리하려는 것과 같습니다. 대부분의 고고학자는 역사에는 천재적이지만 프로그래머는 아니며, 대부분의 프로그래머는 청동기 시대의 베틀과 현대의 베틀 차이조차 모릅니다. 이 논문은 그 간극을 다룹니다. 질문은 이것입니다. 역사 전문가들이 코딩을 배울 필요 없이 초지능형 AI를 사용할 수 있는 도구를 만들 수 있을까? 그리고 우리의 소중하고 비밀스러운 데이터를 클라우드로 보내는 대신, 자신들의 연구실 안에 안전하게 보관하면서도 가능할까?

---

"AmalthAI" 매직 박스

고고학자를 위한 '매직 박스' 역할을 하는 새로운 오픈 소스 플랫폼, AmalthAI를 만나보십시오. 이것을 과학을 위한 하이테크 사용자 친화적 비디오 게임 콘솔이라고 생각하면 됩니다. 혼란스러운 코드 줄과 씨름하는 대신, 연구자들은 간단한 웹 인터페이스를 사용하여 유물 사진을 업로드하고, 컴퓨터에게 무엇을 배우고 싶은지 알려준 뒤, 마법이 펼쳐지는 과정을 지켜볼 수 있습니다.

이 논문은 이 플랫폼을 먼지 쌓인 고고학의 세계와 미래지향적인 인공지능의 세계를 잇는 가교로 소개합니다. 이 플랫폼은 머신러닝을 사용하고 싶지만 이를 밑바닥부터 구축할 기술적 배경이 없는 문화유산(Cultural Heritage) 전문가들을 위해 특별히 설계되었습니다.

작동 원리: 세 가지 초능력

AmalthAI는 고고학자들에게 이미지를 분석할 수 있는 세 가지 주요 초능력을 부여합니다:

1. 분류기 (The Classifier, 분류하는 자): 고대 직물의 사진들이 뒤섞인 거대한 더미가 있다고 상상해 보십시오. 분류기는 사진을 보고 "이것은 양모로 만들어졌습니다" 또는 "이것은 방적 기술을 사용하여 만들어졌습니다"라고 말합니다. 혼돈을 깔끔한 카테고리로 정리해 줍니다.
2. 세그멘터 (The Segmenter, 강조하는 자): 때로는 사진에서 중요한 부분이 아주 미세할 수 있습니다. 예를 들어 점토 위의 희미한 실 자국 같은 것입니다. 세그멘터는 디지털 형광펜처럼 작동하여 배경의 흙이나 균열은 무시하고 오직 그 특정 부분만을 정밀하게 그려냅ay냅니다.
3. 검출기 (The Detector, 찾는 자): 이것은 발굴 현장의 사진 속에서 모든 깨진 도자기 파편을 찾아내는 것처럼, 복잡한 장면 속에서 특정 물체를 찾아냅니다.

가장 멋진 점은 무엇일까요? 플랫폼이 모든 힘든 작업을 처리한다는 것입니다. 이 플랫폼은 Kubeflow(매우 체계적인 로봇 관리자라고 생각하십시오)라는 시스템을 사용하여 수천 번의 실험을 동시에 실행하며, 최상의 결과를 얻기 위해 다양한 설정을 시도합니다. 심지어 "하이퍼파라미터 튜닝(Hyperparameter Tuning)" 기능도 갖추고 있는데, 이는 마치 스마트한 조수처럼 기계의 노브와 다이얼을 자동으로 조정하여 최상의 성능을 끌어내므로, 고고학자가 직접 추측할 필요가 없게 만듭니다.

"믿을 수 있는" 기능: 왜 안전하고 스마트한가

박물관과 대학의 가장 큰 걱정 중 하나는 **데이터 주권(Data Sovereignty)**입니다. 많은 고대 유물은 국가 소유이거나 이미지가 어디로 가야 하는지에 대한 엄격한 규칙이 있습니다. 이미지를 아무 클라우드 서버에나 업로드할 수는 없습니다. AmalthAI는 **자체 호스팅(self-hostable)**이 가능하다는 점으로 이 문제를 해결합니다. 즉, 시스템 전체를 박물관이나 대학교 내부에 있는 컴퓨터에서 실행할 수 있다는 뜻입니다. 데이터는 건물 밖을 절대 떠나지 않습니다. 마치 당신만이 열쇠를 쥐고 있는 개인 도서관을 가진 것과 같습니다.

하지만 컴퓨터가 틀린 답을 내놓으면 어떻게 될까요? 바로 거기에서 **시각-언어 어시스턴트(Vision-Language Assistant)**가 등장합니다. 이것은 단순히 숫자만 주는 것이 아니라 '말을 하는' 특별한 AI입니다. 컴퓨터가 추측을 할 때, Grad-CAM이라는 도구를 사용하여 이미지의 정확히 어디를 보고 있었는지 보여주는 "히트맵(heat map)"을 표시합니다. 그런 다음, 스마트한 텍text 생성기(시각-언어 모델)가 "여기에 솜털 같은 섬유가 보이므로 이것은 양모라고 생각합니다"와 같이 평이한 영어 문장으로 설명을 작성합니다. 이를 통해 인간 전문가는 작업 내용을 확인하고 "네, 타당합니다" 또는 "아니요, 엉뚱한 곳을 보고 있군요"라고 말할 수 있습니다. 이는 AI를 블랙박스에서 유용한 파트너로 변화시킵니다.

대규모 테스트: 점토 흔적의 미스터리

이것이 실제로 작동함을 증명하기 위해, 팀은 단순히 말로만 하지 않고 점토 위의 직물 흔적과 관련된 실제 고고학적 미스터리에 이를 적용했습니다.

고대 사람들이 젖은 점토에 천을 눌러 도자기를 만드는 모습을 상상해 보십시오. 때때로 천은 아주 작은 흔적을 남깁니다. 이러한 흔적은 드물고 취약하지만, 옷감이 무엇으로 만들어졌는지(예: 아마, 양모, 또는 쐐기풀)와 어떻게 만들어졌는지(방적, 드릴링, 또는 꼬기 등)에 대한 비밀을 담고 있습니다.

연구진은 AmalthAI에 이러한 점토 흔적에 대한 맞춤형 데이터셋을 제공했습니다. 그들은 플랫폼에 다음을 요청했습니다:

1. 세그멘테이션(Segment): 점토 위의 흔적의 정확한 경계를 찾을 것.
2. 분류(Classify): 재료(예: "이것은 아마인가, 쐐기풀인가?")와 기술(예: "방적된 것인가, 드릴로 뚫린 것인가?")을 추측할 것.

결과는 유망했습니다. 플랫폼은 전문가들이 재료를 약 **77.53%**의 정확도로 식별하고, 기술을 **85.57%**의 정확도로 식별하는 모델을 훈련하는 데 도움을 주었습니다. 더 중요한 것은, 컴퓨터가 범한 오류가 논리적이었다는 점입니다. 예를 들어, 컴퓨터는 가끔 "쐐기풀"을 다른 섬유와 혼동했는데, 이는 인간 전문가들도 구분하기 어려워하는 부분입니다. 이는 컴퓨터가 단순히 무작위로 추측하는 것이 아니라 실제로 올바른 부분을 "보고" 있었음을 시사합니다.

이것이 의미하는 것 (그리고 의미하지 않는 것)

이 논문은 AmalthAI가 비전문가도 복잡한 컴퓨터 비전 실험을 수행할 수 있게 해주는 강력한 새로운 도구임을 시사합니다. 이는 사용하기 쉽고(코딩 불필요), 보안이 철저한(데이터를 현장에 보관) 시스템을 구축할 수 있음을 증명합니다.

하지만 저자들은 과장하지 않도록 주의를 기울입니다. 그들은 현재 플랫폼에 몇 가지 한계가 있음을 인정합니다:

• 아직 모든 미세한 설정(예: 사용자 정의 수학 공식)을 수정할 수는 없으며, 이는 단순함을 유지하지만 완전한 통제를 원하는 전문가들에게는 유연성이 떨어질 수 있습니다.
• 사용자가 데이터를 업로드하기 전에 완벽하게 정리해야 합니다.
• 현재는 표준 2D 컬러 사진만 작동하며, 숨겨진 세부 사항을 드러낼 수 있는 특수 다중 스펙트럼 이미지는 지원하지 않습니다.

이 논문은 기술이 고고학을 "해결했다"고 주장하는 것이 아닙니다. 대신, 이 플랫폼이 역사와 하이테크 사이의 간극을 메우는 견고하고 작동 가능한 프로토타입임을 제안합니다. 적절한 도구가 있다면 역사학자가 데이터 과학자가 되어, 새로운 코드의 언어를 배울 필요 없이 우리의 과거를 이해하는 새로운 방법을 열 수 있음을 보여줍니다. 문은 열렸고, 매직 박스는 작동할 준비가 되었습니다.