시계열 앙상블 예측에서 불확실성을 분포로 다루는 아키텍처

Google DeepMind는 2026년 8월 Nature에 WeatherNext Cyclones 연구를 게재했다. 이 연구는 열대 저기압의 경로·강도·규모 예측에서 주요 운영 모델보다 약 하루 앞선 리드타임 우위를 보고했으며, 3일 예보 정확도가 기존 모델의 2일 예보 수준에 도달했다고 서술한다.

이 사례에서 중요한 변화는 정확도만이 아니다. 함수형 생성 네트워크(FGN)가 1000개 규모의 시나리오 앙상블을 만들고, 예측 범위를 15일까지 확장한다. 예측 결과를 하나의 값으로 끝내는 대신 가능한 결과와 그 불확실성을 함께 산출물로 다루는 방식이다. WeatherNext Cyclones, WeatherNext 2, WeatherNext 2-mini의 세 변형은 Apache 2.0으로 공개됐다.

값 하나만 제시하는 예측은 틀렸을 때 오차의 범위를 알려주지 못한다. 반면 분포는 의사결정자가 위험을 계산할 입력이 된다.

예측 분포를 만드는 구성

앙상블을 만드는 방법은 크게 두 갈래다. 물리 모델을 여러 번 적분해 멤버를 얻는 방식과 생성 모델이 다수 시나리오를 직접 생성하는 방식이다. 생성형 방식은 멤버 수를 늘릴 때의 한계 비용이 낮지만, 멤버 간 차이가 실제 불확실성을 제대로 반영하는지 검증해야 한다. 다양성이 작으면 과도한 확신으로 이어지고, 지나치게 크면 예측 정보가 희미해진다.

초기 조건의 불확실성도 분포 안으로 전달돼야 한다. 관측 오차 구조를 반영한 섭동을 적용할 수 있고, 생성형 구조에서는 잠재 변수 샘플링이 그 역할을 맡는다. 이때 샘플링 분포의 보정이 필요하다.

입력과 출력의 해상도는 분리해서 본다. WeatherNext Cyclones는 28km급 격자에서 동작하며, 거친 입력에서도 저기압 중심 추적에 필요한 특징을 유지해야 한다. 경로·강도·풍장 규모는 성격과 척도가 다르므로 각각 별도 헤드로 분리하는 편이 적절하다.

⤢✕

분포가 의사결정에 쓰이려면

리드타임이 길어질수록 분포가 넓어지는 것은 정상적인 감쇠일 수 있다. 하지만 모델 붕괴로 인한 비정상 확산과는 구별해야 한다. 단기와 장기의 확률 해석이 같은 기준으로 읽히도록 리드타임별 신뢰 구간을 따로 보정하고, 리드타임별 오차를 감시한다.

1000개 멤버를 예보관에게 그대로 제공하는 것은 해석 가능한 정보가 아니다. 경로 유형별로 군집화해 대표 시나리오와 각 군집의 확률을 보여줘야 한다. 이 과정에서 소수 군집이라도 영향이 큰 시나리오는 별도 표시해야 한다. 확률이 낮다는 이유로 제외하면 최악 시나리오에 대비할 근거도 함께 사라진다.

확률 자체도 검증 대상이다. 예측 확률과 실제 발생 빈도가 맞는지 신뢰도 곡선으로 점검하고 보정 함수를 적용한다. 지역·계절·강도 구간을 나누지 않은 전역 보정은 특정 구간의 편향을 가릴 수 있다.

운영 환경에서 확인할 조건

모델 평가는 같은 기간과 사례를 기준으로 기존 운영 모델과 나란히 수행해야 한다. 리드타임별 오차를 비교하고, 과거 데이터 재현을 넘어 실제 시즌 운영 조건의 병행 시험을 통과 요건으로 둔다. WeatherNext Cyclones는 2025년 대서양 허리케인 시즌에 운영 조건에서 시험됐으며, 미국 국립허리케인센터가 급속 강화 예측에 활용했다.

운영 설계에서는 멤버 수와 응답 시간의 교환 관계를 사전에 측정한다. 경보 발령 주기 안에 추론을 끝낼 수 있는 멤버 수 상한을 정하고, 긴급 상황에서는 멤버 수를 줄여 지연을 확보하는 축소 모드를 마련한다.

전환 초기에는 물리 수치 모델과 병행 운영하는 편이 안전하다. 두 모델의 불일치 사례를 축적하고, 차이가 큰 사례는 자동 알림으로 지정해 예보관이 먼저 검토하도록 구성한다. 데이터 기반 AI 예측은 거친 입력 격자에서도 동작해 계산 자원을 줄이고 빠른 추론으로 대량의 앙상블 멤버를 만들 수 있다. 반면 학습 데이터에 없던 극단 상황에서는 물리 법칙을 위반하는 출력을 낼 수 있고, 예측 근거를 물리적으로 설명하기 어렵다.

물리 수치 모델은 지배 방정식에 기반해 물리 정합성을 보장하고 학습 데이터 밖 상황에서도 외삽 성질을 예측할 수 있으며, 오차 원인을 물리 항 단위로 추적할 수 있다. 다만 세밀한 입력과 대규모 계산이 필요해 앙상블 확대 비용이 높고 리드타임 개선 속도도 느리다. 두 방식은 대체재라기보다, 불일치 사례를 추출해 검토 대상으로 넘기는 병행 구조에서 함께 쓸 수 있다.

모델과 예보관 사이의 해석 계층

예측 대상으로는 경로, 강도, 풍장 규모처럼 의사결정에 직접 쓰이는 변수를 먼저 정한다. 파생 지표는 그 다음에 둔다. 변수마다 필요한 확률 표현도 다르다. 경로는 구간 확률이, 강도는 임계값 초과 확률이 실무 해석에 맞는다.

앙상블 크기는 멤버 증가에 따른 신뢰 구간 품질 개선이 포화되는 지점과 운영 환경의 추론 예산, 경보 발령 주기를 함께 고려해 정한다. 학습 데이터에는 희귀 극단 사례가 충분히 포함돼야 한다. 극단 사례가 부족하면 최악 시나리오가 과소 추정될 수 있다. 관측 체계가 바뀐 시점은 데이터 분할의 경계로 삼아 체계 변화가 성능 지표에 섞이지 않게 한다.

예보관 화면은 군집 대표 경로, 군집별 확률, 저확률 고영향 시나리오를 한 화면에서 비교할 수 있어야 한다. 모델이 자신 없어 하는 상태도 숨기지 않는다. 넓은 분포 자체가 의사결정에 사용되는 신호이기 때문이다.

성능 회귀는 리드타임별 오차, 신뢰도 곡선 이탈, 군집 구조 변화를 정기적으로 수집해 감시한다. 계절에 따라 성능이 달라질 수 있으므로 회귀 판정은 연 단위가 아니라 시즌 단위로 수행한다. 또한 AI 예측을 경보 발령에 반영하는 조건과 사람 판단을 우선하는 조건을 규정으로 나누고, 모델 버전 교체는 시즌 중이 아니라 시즌 사이에 수행하는 원칙과 예외 절차를 둔다.

단일 예측과 앙상블 예측의 선택 기준

구분	생성형 앙상블 예측	결정론적 단일 예측
정보량	분포 제공	값 하나
계산 비용	멤버 수 비례	낮음
위험 계산	가능	불가
해석 부담	큼	작음
최악 대비	가능	곤란
전달 형태	확률	단정

생성형 앙상블 예측은 임계값 초과 확률과 최악 시나리오를 함께 계산하게 해주며, 모델의 자신 없음도 분포 폭으로 드러낸다. 대피나 자원 배치처럼 비대칭 손실이 큰 판단에 필요한 정보다. 대신 멤버 수에 비례해 계산 비용이 증가하고, 대규모 출력을 해석 가능한 형태로 바꾸기 위해 군집화와 보정이 필요하다.

결정론적 단일 예측은 계산과 전달이 단순하고 대중에게 명확하게 전달하기 쉽다. 그러나 오차 범위를 제공하지 못하므로 위험 계산의 입력이 되지 못하며, 저확률 고영향 시나리오도 보이지 않는다. 대중 전달용 대표값과 의사결정용 분포를 분리하는 이중 출력 구성이 절충안이 될 수 있다.

대형 앙상블은 꼬리 확률 추정을 안정화하고 대표 경로 추출에 필요한 군집 구조를 뚜렷하게 한다. 반면 추론·저장·전송 부담이 증가해 경보 주기 안에 결과를 내기 어려워질 수 있다. 소형 앙상블은 빠른 경보와 이중화 운영에 유리하지만, 극단 시나리오가 표본에 들어오지 않거나 신뢰 구간이 실제보다 좁아지는 확신 과잉이 생길 수 있다. 평시에는 대형 앙상블을 쓰고 긴급 상황에는 축소 모드로 전환하는 구성이 지연과 품질을 함께 관리한다.

예측 AI가 향하는 산출물

신뢰도 곡선 기반 확률 보정은 예측 모델의 캘리브레이션 평가 절차이며, 리드타임별 오차 감시는 시계열 모델의 구간별 성능 저하 관리와 같은 구조다. 대표 시나리오와 확률을 함께 보여주는 방식은 다중 시나리오 기반 의사결정 지원의 형태가 된다. 모델 불확실성을 정보로 표시하는 설계는 사용자 신뢰 관리에도 연결된다.

앙상블 분포 출력은 예측 AI의 기본 산출 형태로 자리 잡고, 단일 값 출력은 파생 지표로 밀려나는 방향이다. 공개 가중치 기반 기상 예측 모델은 각국 기상 기관의 병행 운영 대상으로 편입될 수 있으며, 확률 보정과 신뢰도 검증도 모델 성능 지표와 동등한 평가 항목으로 다뤄지는 흐름이다. 저확률 고영향 시나리오의 표시 기준 역시 재난 대응 절차에 명문화되는 방향으로 이어진다.