한화비전과 광주과학기술원(GIST) 공동연구팀이 ‘연속 학습’ 기술에 기반한 음향 분류 인공지능(AI) 시스템으로 '디케이스 2026 챌린지' 내 '도메인 비의존 오디오 분류를 위한 점진 학습' 부문 1위를 차지했다. 사진은 디케이스 2026 홈페이지 내 수상 결과 캡처.(사진=한화비전)
세계전기전자공학회가 주관하는 ‘디케이스 챌린지’는 학계와 기업 연구팀이 참가해 음향 AI 기술력을 겨루는 국제 최고 권위의 대회다. 올해는 총 135개팀이 대회에 참여했다.
공동연구팀은 7개 부문 중 ‘도메인 비의존 오디오 분류를 위한 점진 학습’ 부문에서 21팀 가운데 1위에 올랐다. 소리 수집 출처를 알 수 없는 환경에서 아기 울음소리, 개 짖는 소리, 화재 경보음 등 10종의 소리를 정확하게 구분하는 미션을 성공적으로 수행했다.
공동연구팀은 AI의 ‘치명적 망각’ 해결에 집중했다. 기존 오디오 인식 AI는 녹음 장비나 장소, 주변 소음 등 환경이 달라지면 성능에 영향을 끼치는 약점이 있었다. 특히 새로운 데이터 학습 과정에서 과거 학습한 내용을 잊어버려 데이터 축적에 큰 걸림돌이 됐다. 도시 소음을 잘 구분하던 AI가 공항 환경 음향을 새로 학습하면, 도시에서 발생하는 음향 인식에 다시금 어려움을 겪는 식이다.
이는 특정 목적으로 제작된 AI 모델들 규모가 대개 초거대 범용 AI 모델과 비교해 상대적으로 작아서 발생하는 문제다. 특히 외부 환경이 시시각각 변하는 보안, 산업 안전 등 분야에서 이 문제는 AI 기술 발전을 좌우하는 핵심 과제로 꼽힌다.
공동연구팀이 개발한 연속 학습 기술에는 과거 학습한 소리 특징을 재현해 활용하는 ‘딥인버전 기반 생성형 리플레이’ 기법이 적용됐다. 딥인버전은 추가 데이터 수집 없이 소리별 분류 모델이 과거 학습한 소리와 유사한 음향 데이터를 스스로 재현하고 역산하도록 만드는 기술이다.
실내 감시 시스템에 설치된 AI가 도로 소음을 새로 배우더라도, 과거 실내 특정 소리들의 데시벨과 진폭 등 음향 특징들을 역추적하여 분류 능력을 잃지 않도록 한다. 이 기법을 통해 각 단계에서 AI가 배운 내용을 보존해 새 학습과정에서 기존 내용이 훼손되는 것을 최소화하는 데 성공했다.
한화비전은 다양한 환경에서 안정적으로 음향 정보를 쌓아가는 이번 기술을 차세대 AI 보안 솔루션 개발에 적극 활용할 예정이다. 임정은 한화비전 AI연구소장은 “연속 학습 기술은 외부 환경 속 보안 카메라 적응 능력과 직결된 것으로, 새 기술을 미래 솔루션으로 발전시켜 나갈 것”이라고 말했다.
한편 10월 28일부터 이틀간 미국 보스턴에서 개최되는 ‘디케이스 2026 워크숍’에서 연구 성과 발표 및 우승팀에 대한 시상이 이뤄질 예정이다.
