자료 찾기부터 예측까지 AI가 맡는다 — 구글 ‘행성 예측 엔진’

2026년 8월 27일, 구글 리서치는 자료수집과 정리, 예측모델 훈련, 보고서 작성까지 맡는 실험체계 ‘행성 예측 엔진’을 공개했다. 콩고민주공화국의 에볼라 확산 시험에서는 다섯 차례의 주간예측을 실시해, 새로 감염이 번진 보건구역 18곳 가운데 15곳을 상위 위험지역 안에서 찾아냈다.

기존 자동기계학습은 전문가가 여러 자료를 표 하나로 정리한 뒤부터 작동한다. 행성 예측 엔진은 그보다 앞선 단계에서 시작한다. 연구자가 예측할 지역과 문제를 제시하면 인공지능이 흩어진 통계와 위성정보를 찾고 기준을 맞춘 뒤 예측모델을 만든다. 식량위기, 감염병, 재난위험처럼 시간을 다투는 문제를 겨냥했다.

지리자료는 처음부터 표 하나에 모여 있지 않다

기업이 널리 쓰는 자동기계학습은 자료가 표 하나로 정리된 뒤부터 힘을 발휘한다. 그러나 현실의 지리정보는 행정구역, 조사시점, 공간해상도가 제각각이다. 강수량은 격자지도에, 인구는 행정구역별 통계에, 지표면 변화는 위성영상에 들어 있다. 전문가는 자료를 찾고 서로 다른 기준을 맞추는 데 분석시간의 상당 부분을 할애한다.

행성 예측 엔진은 자연어 질문을 받으면 먼저 대상지역·기간·공간단위를 정한다. 이어 구글 데이터 커먼스, 구글 어스 엔진, 정부·학술기관의 공개자료에서 관련 변수를 찾는다. 단순히 상관관계가 큰 수치를 끌어오지 않고, 학술문헌을 바탕으로 원인과 대리변수를 가려내도록 설계했다.

자료 선택부터 검산까지 세 단계로 나눴다

첫 단계에서는 필요한 통계와 지리자료를 고른다. 두 번째 단계에서는 인구변화와 위성영상에서 학습한 지리공간 파운데이션 모델을 결합해 하나의 자료구조로 만든다. 세 번째 단계에서는 선형모델, 결정나무, 신경망 가운데 과제에 맞는 방식을 시험하고 성능을 평가한다.

자동화가 곧 신뢰성을 뜻하지는 않는다. 미래의 결과를 미리 암시하는 변수가 학습자료에 섞이면 성능이 부풀려진다. 연구진은 이를 막는 ‘특성 관문’을 두고, 과적합을 발견하면 모델을 다시 고르는 절차도 넣었다. 거대언어모델은 직접 계산하는 대신 자료 선택과 정리, 모델시험의 세 단계를 조정한다.

미국 질병에서 아프리카 식량·감염병까지 시험했다

연구진은 미국 질병통제예방센터의 건강지표 21개를 예측한 시험에서 평균 결정계수가 76.8%로, 전문가가 수작업으로 만든 비교모델의 60.0%보다 높았다고 보고했다. 나이지리아의 식량불안 자료를 주 단위에서 더 세밀한 지방정부 단위로 나눈 시험에서는 66.1%를 기록해 비교수치 31.5%를 두 배가량 웃돌았다.

에볼라 확산 시험의 재현율은 83.3%였다. 기존 공개모델보다 10.3%포인트 높았다는 것이 연구진의 설명이다. 단순히 과거 지도를 재현한 것이 아니라, 매주 새로 번진 지역을 그 주 이전의 자료로 예측했다는 점에서 시험의 난도가 높았다.

멋진 지도보다 입력자료가 더 중요하다

이 수치들은 구글 연구진이 선정한 과제와 비교조건에서 얻었으며, 논문은 8월 26일 공개된 사전논문이다. 아직 다른 연구진이 같은 조건에서 성능을 재현한 것은 아니다. 행성 예측 엔진도 현재 일반인이 접속하는 구글 지도 기능이나 공개 응용프로그램이 아니다.

예측오차는 자료수집, 기준정리, 모델선택 등 여러 단계에서 생길 수 있다. 공개자료가 늦게 갱신될 수 있고, 행정구역마다 조사기준이 다르며, 자료가 적은 지역은 주변 지역의 특성에 지나치게 끌릴 수 있다. 감염병이나 식량지원처럼 사람의 생명과 자원이 걸린 판단에서는 현지 전문가가 자료의 의미와 예측오차를 다시 살펴야 한다.

그럼에도 변화의 방향은 뚜렷하다. 지금까지 지리공간 분석은 자료를 다룰 줄 아는 사람이 도구를 조립해야 시작됐다. 앞으로는 연구자가 먼저 질문과 가설을 제시하고, 인공지능이 자료수집과 모델시험을 맡을 수 있다. 지도 위에 정보를 표시하는 단계를 넘어, 지구의 변화를 예측하는 작업 자체가 더 많은 사람에게 열리는 셈이다.