인공지능 활용을 위한 (한우) 수급예측 개념 잡기

개념 메모장 by 김성호, 2023. 11. 17.

이 한 장에 담긴 내용을 풀어보면 다음과 같다.

인공지능을 이용한 (한우) 수급예측은 시계열적 연속성에 그 기반을 두고 있다. 그러나보니 연결된 흐름에서 발생하는 상방·하방의 변동성 만큼 오차 범위로 작동하다 보니 주기를 형성함에 변수로 나타나게 된다. 물론, 해당 변동성 마저 포함해서 인공지능이 알아서 알맞은 답을 내놓는다면 그것만큼 좋은 일은 없겠으나, 현재 인공지능은 말 그대로 아이다. 어떻게 학습을 시키느냐에 따라 해당 학습의 결과를 내게 되는 1대 1 방정식에 가깝다.

기간 쪼개기

그래서, 시계열적 연속성을 부분으로 쪼개보면 어떨까 착안해 본다. 특정기간 만 반복 학습함으로써 우리가 얻고자 하는 바를 특정 짓는 일이다. 특정 기간 만 반복 학습함으로써 얻어낼 수 있는 이점에는 무엇보다도 미래의 어느 시점에 대해 상방·하방의 방향성을 짚어낼 수 있다는 것이다. 상방 만 줄기차게 반복 학습한 인공지능과 하방 만 줄기차게 반복 학습한 인공지능의 둘을 놓고 현재 시점에서 앞으로 상방인지 하방인지 물어보는 것도 재밌는 일이다. 미래의 어느 시점이 현재로부터 상방에 있는지 하방에 있는지 아는 것으로부터 출발해도 충분하지 않을까!

또한, 특정 기간 만 반복 학습함으로써 얻어낼 수 있는 이점에는 계절성이라고 대변되는, 수요가 몰리는 설·추석과 같은 육류 성수기를 기준으로 1개월 전후의 패턴을 반복 학습시켜 보는 일이다. 이는 시계열적 연속성을 반복 학습한 인공지능과 육류 성수기 기준으로 1개월 전후만 반복학습한 인공지능 간 차이를 비교해 봐도 재밌는 일이다.

수치 → %

인공지능은 수치를 어떻게 인지할까? 크다 혹은 적다? 수치 자체의 크기? 절대값으로 인지할까? 상대적인 크기로 인지할까? 이런 의문이 드는 건, 과거의 가격을 오늘의 가격과 동등 비교할 때 어떤 때는 시차에서 발생한 물가변동률을 적용해서 보려는 시각과 가격 그 자체의 크기를 인정해서 보려는 시각처럼, 만약 가격 그 자체의 크기를 있는 그대로 이용하려는 시각이라면 수치 자체에 변형을 주면 좋지 못하지만, 만약 물가변동률을 적용해서 보려는 시각이라면 인공지능에게 수치 자체 보다는 변화량을 비율(%)로 인지케 하면 어떨까 하는 것이다. 수치의 변화량을 배제시켜 변동량의 비율 만을 갖고 미래를 예측하는 일이다. 가령, 전일비 증감율을 비율로 표시하여 인지시켜 우리가 보려는 미래의 변화상을 수치가 아닌 변화량으로 보려는 시도이다. 이럼으로써 수치의 크기에서 오는 오차를 줄이고, 과거의 수치 크기와 현재의 수치 크기, 나아가 미래의 수치 크기 간에 발생하는 오차를 줄일 수 있을 것으로 기대한다.

수치 → 범위

단적으로 우리가 미래를 맞추려는 건 무모하다. 더구나, 그것이 수량이거나 가격이라는 절대 수치라면 더욱 더 무모한 일이다. 그럼에도 현존하는 모델로 예측을 하면, 정확도라는 이름으로 해당 모델을 평가하게 되고 심하면 폐기하게 된다. 여기에서 착안해 볼 일은, 절대 수치를 상대 수치로 바꿔주는 일이다. 수치로 반복 학습시켜 수치로 결과를 예측하는 방식 보다는 수치를 범위로 변환하여 반복 학습시켜 범위로 결과를 예측하게 하면 우리가 현재 처한 낮은 정확도에서 오는 모델의 불용성을 극복할 수 있지 않겠느냐는 점이다. 수치(과거) 대 수치(미래)가 아니라, 범위(과거) 대 범위(미래)를 칭한다.

월 → 기간

우리는 월간 비교하는데 익숙하다. 1월, 2월, 3월... 12월을 밑변으로 두고 각종 가격이나 양적 변화를 평년 대비, 전년 대비 라는 방식으로 바라본다. 월간 비교로 보는 바탕에는 고래로부터 매년 매월 반복된 일이 비슷하다는 걸 전제로 한다. 아니면 비교 시점인 평년(5년) 내의 기간에 매월 반복된 일이 비슷하다는 걸 전제로 한다. 또는, 매월 반복된 일이 비슷하게 발생하거나 발생할 것으로 기대하면서 바라보는 시각에서 편리함을 좇아 바라본다.

그렇지만, 설은 매해 다르다. 추석 또한 매해 다르다. 추석 육류 성수기에 몰리는 출하량을 볼 때 해당 월이 바뀌기라도 하면 과거 2주 정도의 기간에서 미리 출하량을 늘려왔던 일이 최근에는 1개월 전부터 미리 출하량을 늘려오고 있다는 점이며, 이는 출하량이 그 만큼 많아서 분산이 필요해졌거나 짧은 기간 내 출하량이 몰리면 가격이 하락하는 현상에서 비롯되었거나 출하량 분산을 통해 수급을 조절함으로써 생산자와 유통자 모두 윈윈할 수 있는 시장원리에 기반하거나, 어찌 되었든 추석이라는 기점을 두어 출하량을 늘려왔고 해당 출하량은 1개월 정도 앞서 발생함으로써 월간 변동성을 키웠다.

양력 → 음력

그래서, 양력이 아닌 음력을 기준으로 출하량을 보게 되면 양력이 획일적인 시각으로부터 그나마 계절성을 비롯한 특정 시점의 수요몰림 현상을 반영해서 바라볼 수 있게 되는 이점이 있다. 이는 소소하지만 하나하나 잡아가다보면 미래 예측에서 오는 오차는 줄이고 정확도는 높일 수 있다는 데서 기인한다.


오늘 태어난 송아지는 22개월이 지난 평균 31개월령, 최대 60개월령에 이르기까지 출하개월이 다양하다. 다양한 출하개월령을 줄여서 특정 개월령으로 정하기 위해서는 그래야만 하는 이유를 알아내거나 (출하의향조사) 그럴 수 밖에 없는 특성 – 출하주기, 혹은 출하성향 - 을 파악하는 일이라고 본다. 여기에서 접근법이 크게 두 개로 나뉜다.

총량적 통계량 → 미세한 패턴

총량이라는 범주는 미세한 변화량을 포괄하여 거대한 흐름을 일으킨다. 총량적 흐름은 주기로 나타나며 이는 통계적 유의성을 제공한다. 다만, 앞으로도 그럴 것이다 라고 단언할 수 없는 이유는 과거의 총량적 흐름이 어느 시점까지 유효한 것인지 자신할 수 없는 일이며, 심지어 유동적으로 계속 변해가기 때문에 경향치를 파악하는데 주로 활용되고 있다. 가령, 과거 이런 패턴을 보였으니 앞으로 이런 패턴을 보일 수 있다 라는 정도.


이미 출하하기로 예정되어 있거나 어쩔 수 없이 정해진 때에 출하해야 하는 상황에 맞닿드리면 이를 반복한다. 아마도 생산자 마다, 생산자의 사육환경 마다, 생산자의 기대수익 마다, 생산자의 규모 마다 다를 것이고 다른 가운데 일정한 주기를 나타낼 수 밖에 없으리라는 기대 또한 하게 된다. 이는 누구나 반복하다보면 일정한 주기를 형성할 수 밖에 없다는데 기반한다. 매회, 매번 바뀐다면 이는 매순간이 모험이요 도전이니 불안할 수 밖에 없을 것이고 이는 그렇지 않아도 평탄치 못한 세상에서 굳건히 유지하기란 여간 쉬운 일이 아니다. 생산자는 높은 등급을 받고 싶어 한다. 이는 곧 수익으로 직결되기 때문이고, 높은 등급을 받기 위해, 더 많은 중량으로 출하하기 위한 노력은 지향점이 된다. 언제 출하하면 수익이 보장되는지, 언제 출하하면 불리한지, 언제 출하할지 반복하면서 체득하게 되어 결국 이는 주기로 나타나게 된다. 변화의 주체는 생산자이다. 현재까지의 총량적 통계는 생산자의 출하의향을 반영한다기 보다는 출하된 결과의 데이터를 활용하는데 초점을 두고 있다. 엄밀히 말하면, 생산자의 언제 변해도 이상하지 않은 출하의향을 반영한다는 변수를 배제했다고 볼 수 있겠지만, 우리는 현재 과거의 흔적으로부터 미래를 맞추려고 고민 중이기에 전제를 하지 않을 수 없다. 만약, 생산자 의향을 파악하고 생산자들이 의향조사된 행동의 결과로 나타난다면 생산자 의향만큼 미래를 예측하는데 유효한 데이터는 없을 것이다. 다만, 대전제가 무용할 만큼 무모하다는 점만 뺀다면. 세상사 생각대로 의향대로 이루어진다면 그 보다 나을 수는 없게지만 출하를 놓고 본다면 한 두 달 정도의 출하시기 조절은 예사이고, 여섯 달 정도의 출하시기 조절 또한 예사의 범주에 포함될 것으로 예상하고 있다.

출하패턴의 예는 다음과 같다. 주로, 3~5월 출생한 송아지는 몇 년이 흘러 추석 즈음에 출하한다. 이는 대전제에 해당한다. 매월 꾸분한 출하량의 변동량을 눈여겨 봐야 하겠지만, 그 보다는 시장에서 바라보는 첫 번째 시각인 “추석 때 수익을 극대화하자” 라는 그들, 생산자와 유통자의 심리에 부응한 흐름에 우선 초점을 둘 필요가 있다. 시장의 흐름을 일으키는 힘, 그 요인을 파악한다.

월 → 기간

수급 상황을 모니터링하기 위해 주로, 평년 대비, 전년 대비로 월간 변화량을 파악하면서 계절성이나 특이수요로 인한 오차를 바로잡기 위해 월이 아닌 기간 개념을 도입하거나, 음력 기준의 계절성을 반영하자는 제안을 했다. 이를 달리 말하면, 미래 예측 또한 월 단위가 아닌 기간 단위이거나 심지어 연 단위라면 좀 더 수월한 예측력을 가져갈 수 있지 않겠는가 하는 것을 말한다. 매월 학습된 양에 기반하여 월단위 예측을 하는 방식 보다는 주 단위 성별, 농가 등 세밀하게 학습된 양에 기반하여 연 단위, 반기 단위, 분기 단위처럼 범위로 예측하는 것부터 순차적으로 접근하는 것이 바람직해 보인다. 월 데이터의 학습을 통해 월 예측을 하기 보다는 보다 세밀한 주 단위, 혹은 일 단위 데이터의 학습을 통해 반드시 월 단위가 아닌 연, 반기, 분기, 월 단위로 예측을 해보자는 것이다. 김성호.


https://meatmarketing.tistory.com/m/6616

인공지능을 대하는 자세