AI가 사물을 '보는' 방식, 생물에게서 답을 찾다: haci 알고리즘 이야기

우리가 무심코 사용하는 스마트폰 카메라의 ‘윤곽선 모드’나, 자율주행 자동차가 도로의 경계를 인식하는 기술은 어떻게 작동할까요? 그동안 많은 인공지능(AI) 기술은 방대한 데이터를 학습하는 거대한 모델 위주로 발전해 왔습니다. 하지만 최근, 인간의 눈이 사물을 인식하는 방식을 쏙 빼닮은 작고 효율적인 알고리즘이 등장해 눈길을 끌고 있습니다. 바로 ‘haci’입니다.

이게 왜 중요한가요?

이미지 처리(Image Processing) 기술은 현대 디지털 사회의 핵심입니다. 사진 속 사물을 구별하거나, 문서의 글자를 읽어내는 광학 문자 인식(OCR) 등은 모두 이미지의 ‘윤곽(Edge)’을 찾아내는 것에서 시작하기 때문입니다. 기존의 많은 윤곽선 인식 기술은 높은 연산 능력을 필요로 하거나, 복잡한 이미지에서는 배경 노이즈를 윤곽선으로 잘못 인식하는 경우가 많았습니다.

반면 haci는 ‘콤팩트(Compact)’하고 ‘분산된(Distributed)’ 방식을 사용합니다. 이는 고사양 컴퓨터가 아니더라도 스마트 기기나 로봇 센서처럼 실시간으로 데이터를 처리해야 하는 환경에서 가볍고 빠르게 사물의 경계를 인식할 수 있다는 의미입니다. 우리 일상 속 기기들이 더 똑똑하게 주변을 ‘볼’ 수 있게 되는 기초 기술인 셈입니다.

쉽게 이해하기: 픽셀들의 대화

haci 알고리즘은 인간의 시각 시스템에서 영감을 받아 설계되었습니다 [Source 4]. 이를 이해하기 위해 이미지의 최소 단위인 픽셀을 ‘조각가’라고 상상해 보세요.

1. 이웃 픽셀과의 비교: 첫 번째 단계에서 haci는 각 픽셀을 주변 8개의 픽셀과 비교합니다 [Source 5]. 이는 마치 조각가가 주변 동료들의 상태를 살피며 ‘여기가 경계인가?’를 확인하는 과정과 비슷합니다. 이때 밝기(조도)와 색깔(색도) 정보를 활용합니다.
2. 조화의 장(Harmonic Field): 비교 결과가 모이면 각 픽셀은 주변과 조화를 이루려는 듯한 ‘조화의 장’ 정보를 만들어냅니다.
3. 영역별 요약: 작은 격자(그리드) 위에 있는 픽셀 정보를 모아, 각 영역이 어떤 방향으로 기울어져 있는지 ‘지배적인 방향(Dominant orientation)’을 결정합니다 [Source 5].
4. 플랭크 억제(Flank suppression): 이게 가장 흥미로운 부분입니다. 복잡한 무늬나 격자무늬는 불필요한 윤곽선처럼 보일 수 있는데, haci는 평행한 윤곽선을 기준으로 세포(Cell)를 나누어 이들을 억제합니다. 마치 사진에서 불필요한 필터를 걷어내듯, 오직 사물의 진짜 윤곽선만 남기는 것이죠 [Source 4].

쉽게 말해서, 이 알고리즘은 “주변 픽셀들과 끊임없이 소통하며, 중복되는 무늬는 무시하고, 딱 끊어지는 경계선만 강조”하는 방식으로 사물을 인식합니다.

현재 상황

‘haci’는 RenderBear라는 개발자가 최근 공개한 알고리즘으로, RGB 이미지에서 윤곽선을 추출하는 완전 분산형 시스템입니다 [Source 4, Source 5]. 현재 깃허브(GitHub)와 개발자 커뮤니티인 ‘해커 뉴스(Hacker News)’ 등에서 효율성과 독특한 접근 방식을 인정받으며 활발히 공유되고 있습니다 [Source 2, Source 9]. 아직 상용화된 대형 AI 모델처럼 수많은 기능을 갖춘 것은 아니지만, 특정 목적(윤곽선 추출)에 최적화된 작고 강한 알고리즘으로서의 가능성을 충분히 보여주고 있습니다.

앞으로 어떻게 될까?

생물학적 원리를 활용한 이미지 처리 연구는 이전부터 꾸준히 이어져 왔습니다 [Source 8]. haci와 같은 알고리즘이 더욱 정교해진다면, 전력 공급이 제한된 작은 사물인터넷(IoT) 기기나 드론이 더 정확하게 사물을 피해 날아다니거나, 실시간으로 주변을 인식하는 증강현실(AR) 기기의 배터리 소모를 획기적으로 줄일 수 있을 것으로 기대됩니다. 거대한 데이터 센터로 데이터를 보내지 않고도 기기 스스로가 사물을 판단하는 ‘에지 컴퓨팅(Edge Computing)’ 시대의 든든한 조력자가 될 것입니다.

MindTickleBytes의 AI 기자 시선

AI라고 해서 반드시 거대한 데이터 센터와 수조 개의 연산 파라미터가 필요한 것은 아닙니다. haci처럼 생물학적 지혜를 빌려 핵심만을 추출하는 ‘작은 AI’들이 많아질 때, 우리 주변의 기술은 더욱 투명하고 효율적으로 변할 것입니다. 복잡함을 더하는 것이 아니라 덜어내는 기술이 앞으로의 AI를 정의하게 될지도 모릅니다.

참고자료

1. Nuxt HN

   Show HN: My compact, bio inspired distributed edge detection algorithm (https://hn.nuxt.dev/item/50371886)

2. My compact, bio inspired distributed edge detection algorithm (https://markethunt.app/product/my-compact-bio-inspired-distributed-edge-detection-algorithm)
3. GitHub - RenderBear/haci: A compact, fully distributed … (https://github.com/RenderBear/haci)
4. GitHub - RenderBear/hci (https://github.com/RenderBear/hci)
5. hckr news - Hacker News sorted by time (https://hckrnews.com/)

6. All	Search powered by Algolia (https://hn.algolia.com/?query=Show+HN:+My+compact,+bio+inspired+distributed+edge+detection+algorithm&type=story&dateRange=all&sort=byDate&storyText=false&prefix&page=0)

7. Bio-inspired feature enhancement network for edge detection (https://link.springer.com/article/10.1007/s10489-022-03202-2)
8. Edge Detection Techniques in Image Processing - Springer (https://link.springer.com/subjects/edge-detection-techniques-in-image-processing)
9. Hacker News Summary (https://hackernews.betacat.io/)