전문가 팀이 몇 주 걸리던 지리공간 예측 모델링을, 자연어 질문 한 줄로 몇 분 만에 끝내는 자율 AI 시스템이 나왔다. 에볼라 확산 예측 Recall@10 83.3%, 나이지리아 식량안보 예측 정확도 2배. 구글 Earth AI의 '행성 예측 엔진'이 왜 등장했는지, 어떻게 작동하는지, 그리고 그 안에 숨은 실무 노하우 — 데이터 누수 차단, 공간 교차검증, 임베딩 융합 — 를 사례 중심으로 깊이 풀어본다.
2026년 5월, 콩고민주공화국(DRC)에서 분디부교 에볼라바이러스(BDBV) 발병이 시작됐다. 방역 당국 앞에 놓인 질문은 단 하나였다.
"다음 주, 519개 보건구역(health zone) 중 어디에서 새 감염이 터질 것인가?"
백신과 의료진은 한정돼 있다. 519곳 전부를 지킬 수는 없다. 열 곳을 골라야 한다면 어디를 골라야 하는가 — 이 질문에 대한 답의 정확도가 곧 사람의 생명이다.
구글 리서치가 2026년 8월 27일 공개한 행성 예측 엔진(Planetary Prediction Engine, PPE)은 이 질문에 이렇게 답했다. 5주 연속 예측에서 새로 감염된 18개 보건구역 중 15개를 '고위험 상위 10곳' 안에 정확히 지목한 것이다. Recall@10 기준 83.3% — 전문 역학자들이 손수 만든 베이지안 모델(약 73%)보다 10.3%p 높은 성적이다.
놀라운 점은 정확도가 아니다. 이 모델을 만든 것이 사람이 아니라는 점이다. PPE는 자연어 질문 하나를 받아 데이터 발굴 → 정제 → 피처 엔지니어링 → 모델 학습 → 검증 → 보고서 작성까지 지리공간 모델링의 전 과정을 스스로 수행하는 자율 AI 시스템이다. 전문가 팀이 몇 주를 쓰던 일이 몇 분~몇십 분으로 줄었다.
이 글에서는 이 개념이 왜 나오게 되었는지(지리공간 예측의 오래된 병목), 무엇으로 만들어졌는지(10년치 Earth AI 생태계), 어떻게 작동하는지(3단계 파이프라인의 내부), 그리고 무엇보다 우리가 실무에서 훔쳐올 수 있는 노하우가 무엇인지를 논문·블로그·기술 문서를 바탕으로 깊이 파헤친다.
기후 재난, 감염병, 식량 위기 — 지구적 문제일수록 "어디에서, 언제"라는 공간적 답이 필요하다. 그리고 역설적으로, 데이터는 이미 차고 넘친다. 위성은 매일 지구 전체를 찍고 있고, 각국 통계청·WHO·UN은 수만 개의 지표를 공개한다.
문제는 데이터가 있다는 것과 예측 모델이 나온다는 것 사이의 거리다. 지리공간 예측 모델 하나를 만들려면 전문가 팀이 이런 일을 거쳐야 한다.
인도주의 위기 대응에서 이 시차는 치명적이다. 에볼라가 주 단위로 번지는데 모델이 월 단위로 나오면, 그 모델은 지도(map)가 아니라 부검 보고서다.
"모델링 자동화"라면 AutoML이 이미 있지 않은가? 2018년 무렵부터 AutoML은 하이퍼파라미터 탐색과 모델 선택을 자동화했고, 최근의 LLM 기반 데이터 과학 에이전트들은 Kaggle 문제를 곧잘 푼다. 하지만 지리공간 문제 앞에서는 모두 같은 벽에 부딪힌다.
| 단계 | 기존 AutoML / DS 에이전트 | 지리공간 문제가 요구하는 것 |
|---|---|---|
| 입력 데이터 | 이미 정리된 표(tabular) 하나를 받아서 시작 | 위성 래스터·센서스·이동성·기후 등 흩어진 데이터를 찾아와 결합하는 것 자체가 일의 80% |
| 피처 | 주어진 컬럼 안에서 변형 | "야간 조명이 경제활동의 프록시"라는 도메인 지식 기반 신호 발굴 |
| 검증 | 무작위 분할(random split) | 무작위 분할은 공간 자기상관 때문에 성능을 과대평가 — 지역 단위 분할 필요 |
| 누수 방지 | 중복 컬럼 제거 수준 | 타깃과 같은 설문에서 파생된 변수, 인과적으로 하류인 변수까지 걸러야 함 |
요컨대 기존 자동화는 "밥상이 차려진 뒤"를 자동화했다. 지리공간 예측의 진짜 병목은 밥상을 차리는 일 — 데이터 발견, 결합, 그리고 도메인 지식이 필요한 신호 선택 — 이었다. PPE는 바로 이 앞단을 LLM 에이전트에게 맡긴 첫 번째 본격 시스템이다.
마지막 병목은 사람이다. 지리공간 데이터 과학자는 세계적으로 희소하고, 그들이 있는 곳(선진국 연구기관)과 그들이 가장 필요한 곳(위기 현장)은 대개 다르다. 나이지리아의 식량안보 담당자, 지방정부의 방재 담당자에게 "GEE에서 NDVI를 뽑아 ADM2 경계로 존별 집계하세요"라는 말은 도움이 아니다. 자연어로 묻고 모델로 답받는 인터페이스는 이 전문성 격차를 우회하는 유일한 현실적 경로다.
PPE를 이해하려면 그것이 올라탄 Google Earth AI라는 지층을 먼저 봐야 한다. 구글은 지난 10여 년간 지구를 각기 다른 렌즈로 모델링하는 개별 AI들을 쌓아왔고, 2025년부터 이를 'Earth AI'라는 이름으로 묶기 시작했다.
| 영역 | 대표 모델/서비스 | 하는 일 | 규모·실적 |
|---|---|---|---|
| 날씨·기후 | WeatherNext | AI 앙상블 전지구 기상 예측 | 기존 대비 8배 빠른 생성, 1시간 해상도 |
| NeuralGCM | 물리 방정식 + ML 하이브리드 대기 모델 | 인도 몬순 예측 등에 활용 | |
| MetNet | 위성 기반 강수 나우캐스팅 | Google 검색·지도에 탑재 | |
| 재난 | Flood Hub | 하천 홍수 7일 선행 예보 | 100+개국, 7억 명 커버 |
| Groundsource | 공개 웹 문서를 재난 이력 데이터로 변환 | 150+개국 260만 건 홍수 이력 발굴 | |
| 위성 이미지 | AlphaEarth Foundations | 지구 전체를 64차원 임베딩으로 압축한 '가상 위성' | 10m 해상도, 연 1.4조 개 임베딩 |
| Open Buildings | 위성에서 건물 윤곽·높이 추출 | 18억 개 건물 매핑 | |
| 인구·사회 | PDFM | 검색·이동 트렌드를 지역 임베딩으로 압축 | 미국 ZIP코드·카운티 전역 |
| Mobility AI | 교통 시뮬레이션·도로 인사이트 | Traffic Simulation API | |
| 환경 API | Air Quality / Pollen | 대기질 500m 해상도, 꽃가루 5일 예보 | 대기질 전 지구, 꽃가루 65+개국 |
| 생태 | SpeciesNet / Perch / ForestCast | 야생동물 분류·생물음향·산림손실 예측 | SpeciesNet 약 2,500종 분류 |
이 카탈로그에서 두 가지를 읽어야 한다.
첫째, 개별 모델은 이미 실전에 있다. Flood Hub의 홍수 경보는 구호단체 GiveDirectly가 홍수가 오기 전에 현금을 선지급하는 근거가 되고 있고, 보험 중개사 McGill and Partners는 X(구글 문샷 팩토리)의 Bellwether와 함께 폭풍이 오기 전에 피해액을 추정해 보험금 지급을 앞당긴다. 하버드·마운트시나이·보스턴아동병원 연구진은 PDFM으로 ZIP코드 단위 MMR 백신 접종률을 추정해 저접종 클러스터를 찾아냈다 — 실제 홍역 발병 지역과 일치했다.
둘째, 그럼에도 이 모델들을 조합해 새 질문에 답하는 일은 여전히 사람 몫이었다. "나이지리아 어느 지역이 식량 위기인가?"라는 질문에 답하려면 누군가 AlphaEarth와 PDFM과 기후 데이터를 꺼내 손으로 엮어야 했다. 2025년 11월 구글이 공개한 Geospatial Reasoning(제미나이 에이전트가 Earth AI 모델들을 도구로 호출하는 프레임워크)이 이 조합을 자동화하기 시작했고, PPE는 그 위에서 '예측 모델 구축'이라는 가장 무거운 작업까지 자동화한 것이다.
PPE의 성능을 이해하려면 그것이 딛고 선 두 개의 지리공간 파운데이션 모델을 알아야 한다. 첫 번째가 2025년 7월 딥마인드가 공개한 AlphaEarth Foundations다.
아이디어는 단순하고 강력하다. 광학 위성 이미지, 레이더(SAR), 3D 레이저 매핑, 기후 시뮬레이션 등 수십 개 관측 소스를 전부 녹여, 지구 육지 전체를 10×10m 격자로 나누고 격자마다 64개의 숫자(64차원 임베딩)로 요약하는 것이다.
핵심 발상의 전환은 이것이다: "이미지를 주지 말고, 이미지를 이해한 결과를 주자." 덕분에 후속 모델(PPE 포함)은 위성 영상 처리 파이프라인 없이, 임베딩 64개 컬럼을 테이블에 join하는 것만으로 "그 땅의 물리적 상태"를 피처로 갖게 된다.
두 번째 재료는 PDFM(Population Dynamics Foundation Model)이다. AlphaEarth가 '땅'을 요약한다면, PDFM은 '사람'을 요약한다.
PDFM은 구글 검색 트렌드, 지도의 방문 밀집도(busyness), 주변 시설(POI) 구성, 날씨·대기질 같은 집계·익명화된 신호를 그래프 신경망으로 학습해, 미국의 모든 ZIP코드와 카운티를 330차원 임베딩으로 표현한다. 개인 데이터가 아니라 '지역의 집단적 패턴'이라는 점이 중요하다.
이 벡터가 담는 것은 통계청 조사로는 잡히지 않는 미세 신호들이다. 어떤 동네에서 무엇이 검색되는지, 사람들이 언제 어디로 움직이는지 — 이런 패턴은 실업률, 빈곤율, 질병 유병률과 강하게 상관한다. 실제로 PDFM 임베딩은 GeoCLIP·SatCLIP 같은 기존 위치 인코더를 능가하며, 완전 지도학습 베이스라인보다 나은 실업률·빈곤율 예측을 보였다.
두 임베딩의 조합이 PPE의 비밀 병기다. 땅의 상태(AlphaEarth 64차원) + 사람의 패턴(PDFM 330차원)을 기본 피처로 깔고 시작하면, 어떤 예측 문제든 "무(無)에서 피처를 만드는" 대신 "이미 세계를 요약해 둔 표현 위에 몇 개의 문제 특화 신호만 얹는" 문제로 바뀐다. 파운데이션 모델이 NLP에서 했던 역할 — 사전학습된 표현 위에 가벼운 미세조정 — 이 지리공간에서 재현되는 것이다.
이제 본체를 열어보자. PPE는 LLM 오케스트레이터가 지휘하는 3단계 모듈형 파이프라인이다. 아래 인터랙티브에서 에볼라 질문 하나가 모델이 되는 전 과정을 단계별로 따라가 볼 수 있다.
첫 단계에서 LLM은 질문을 받아 작업 유형을 스스로 분류한다(공간 회귀 / 초해상도 다운스케일링 / 공간 전파 모델링 / 역학 나우캐스팅). 이 분류가 이후 모든 단계에 제약을 전파한다 — 감염병 문제라면 이동성 행렬과 시설 접근성 계산이 켜지고, 일반 회귀라면 정적 인구통계에 집중한다.
그 다음이 백미인 근거 기반 신호 발굴(Grounded Signal Discovery)이다.
여기서 실무자가 주목할 부분: PPE는 "상관관계가 높은 변수"를 찾는 게 아니라 "문헌이 인과적 연결을 지지하는 변수"를 찾는다. 야간 조명이 경제활동의 프록시라는 것, 식생 이상치가 작황 부진의 선행 지표라는 것 — 이런 도메인 지식을 LLM이 문헌 검색으로 동원한다. 사람 전문가가 며칠 걸려 하던 문헌 리뷰가 신호 선택 루프 안에 내장된 셈이다.
수집된 변수가 모두 모델에 들어가는 게 아니다. Feature Gate라는 자동 검문소가 네 가지 유형의 '반칙 변수'를 걸러낸다. 이 부분은 지리공간이 아니어도 모든 예측 모델링 실무에 그대로 이식할 수 있는 체크리스트다.
| 필터 | 걸러내는 것 | 구체 예시 |
|---|---|---|
| ① 수학적 구성요소 | 타깃 계산식에 들어가는 변수·하위 지수 | '주택 구매력 지수'(소득÷임대료) 예측에 '중위 임대료' 투입 — 정답 절반을 미리 보는 셈 |
| ② 동일 출처 설문 | 타깃과 같은 조사에서 파생된 변수 | 센서스 표에서 만든 '기후 취약성 점수'를 예측하며 같은 센서스의 연령·소득 통계 사용 |
| ③ 인과 방향 | 원인이 아니라 결과인 변수 | '교통 정체' 예측에 '배송 지연 건수' 투입 — 지연은 정체의 하류 증상이다 |
| ④ 시간 누수 | 예측 시점 이후의 미래 데이터 | 3월 예측 모델에 4월 집계치가 스며드는 고전적 실수 |
게이트를 통과한 표 형식 변수는 왜도 보정(log 변환), 1~99퍼센타일 클리핑, 상관계수 0.95 초과 변수 제거, 표준화를 거치고, 여기에 파운데이션 모델 임베딩(PDFM 330차원 + AlphaEarth 64차원)이 이어 붙는다.
임베딩 전처리에는 미묘하지만 중요한 디테일이 있다 — 아래 '실무 노하우' 섹션에서 자세히 다룬다.
마지막 단계에서 PPE는 4개 모델 패밀리 — 정규화 선형모델(Ridge/Lasso/ElasticNet), 그래디언트 부스팅, XGBoost, 다층 퍼셉트론(MLP) — 를 탐색한다. 거창한 신경망이 아니라 검증된 클래식 모델들이라는 점에 주목하자. 혁신은 모델이 아니라 모델이 무너지지 않게 하는 프로토콜에 있다.
Overfitting Guard Protocol은 2계층으로 작동한다.
검증 전략도 세 가지를 상황에 맞게 고른다: 무작위 분할(i.i.d. 데이터·빠른 탐색), 공간 그룹 분할(지리 경계로 나눠 공간 자기상관 누수를 차단 — 진짜 역외 일반화 측정), K-폴드(소규모·고분산 데이터).
PPE 아키텍처에서 가장 실무적인 교훈은 의외로 조용한 한 문장에 있다.
LLM 에이전트를 만들어 본 사람이라면 이 설계의 무게를 안다. 데이터를 프롬프트에 욱여넣는 순간 컨텍스트는 폭발하고, 비용은 치솟고, LLM은 숫자를 '보고 베끼다' 오염시킨다. LLM은 지휘만 하고, 데이터는 코드 실행 환경 안에서만 흐르게 하라 — 에볼라 사례에서 PPE는 이 구조로 총 793개 실행 단계를 3개 세션(약 55분)에 걸쳐 완주했다.
논문은 성격이 전혀 다른 세 지역·세 문제로 PPE를 시험했다. 각 사례가 보여주는 교훈이 다르다.
미국 전역(약 8.4만 센서스 트랙)의 CDC 건강 지표 21종(비만·당뇨 유병률 등), FEMA 국가위험지수 20종, CDC 사회취약성지수(SVI)를 예측했다. 비교 대상은 손수 큐레이션한 피처와 그리드 서치를 쓴 전문가 수제 파이프라인(SOTA).
세부를 보면 더 흥미롭다. FEMA 지표 중 '사회 취약성' 항목에서는 R² 48.2% → 67.6%로 상대 40% 개선 — 임베딩(사람+땅)이 가장 큰 힘을 쓰는 영역이 어디인지 보여준다.
식량안보 지표(FCG)는 보통 주(州, ADM1) 단위로만 보고된다. 하지만 구호 물자는 그보다 작은 지역(ADM2) 단위로 배분해야 한다. PPE는 주 단위 데이터로 학습해 하위 행정구역 단위로 다운스케일하는 문제를 풀었다(30개 주 leave-one-state-out 교차검증).
여기서 PPE가 스스로 찾아낸 변수들의 궤적이 이 시스템의 진면목이다.
PPE는 문헌 근거를 따라 야간 조명 강도(경제활동 프록시), NDVI 식생지수, 월별 식생의 다년 평균 대비 이상치 비율(작황 부진 선행 신호), 계절성 인코딩(sin/cos) 등을 차례로 발굴해 결합했다. 통계 조사가 닿지 않는 곳을 위성이 메운 것이다 — 이것이 "데이터 빈곤 지역일수록 임베딩+자동 발굴의 효과가 크다"는 이 논문의 핵심 함의다.
서두의 에볼라 사례다. 셋업을 정확히 적으면: 519개 보건구역 × 7주 데이터로 학습, 이후 5주를 주 단위 롤링으로 예측. 타깃은 "다음 7일간 각 구역의 신규 확진 증가량", 평가는 Recall@10 — "실제로 새로 감염된 구역 중, 모델이 찍은 고위험 상위 10곳에 포함된 비율"이다.
PPE가 자동 조립한 재료: 공식 INRB(국립생의학연구소) 확진 레지스트리 + OpenStreetMap 도로·인프라 + ERA5 기후 데이터(Earth Engine) + WorldPop 인구 + PDFM 임베딩 + OSRM 기반 실제 이동 네트워크.
이 사례는 UN 세계식량계획(WFP), INRB와의 협업으로 진행됐다. 논문 저자들이 강조하는 것은 수치보다 속도다: 발병 진행 중에, 새 주간 데이터가 도착할 때마다, 전문가 개입 없이 모델이 갱신된다. "몇 주짜리 모델링"이 구조적으로 불가능하게 만들던 대응을 가능하게 만든 것이다.
논문에서 가장 정직한 대목. 사회취약성지수를 카운티→ZIP코드로 다운스케일링할 때, AlphaEarth 임베딩을 추가하자 성능이 떨어졌다(PDFM만: R² 37.6% vs AlphaEarth 추가 시 40.1%로 표기된 조합보다 안정적 구성에서 하락). 고해상도 위성 신호가 미세 스케일에서는 고주파 노이즈와 허위 상관을 유입시킨 것이다.
교훈: 임베딩은 만능 재료가 아니라 스케일 의존적 재료다. 사회경제 타깃의 미세 단위 예측에는 사람 신호(PDFM)가, 물리·환경 타깃에는 땅 신호(AlphaEarth)가 맞는다. PPE가 이 조합을 자동 탐색으로 찾아낸다는 점 자체가 시스템의 가치이기도 하다.
PPE를 쓸 수 없더라도(현재 실험 단계, 신뢰 테스터 대상), 이 시스템에 녹아 있는 방법론은 오늘 우리 프로젝트에 바로 이식할 수 있다. 지리공간이 아닌 일반 ML/데이터 프로젝트에도 대부분 통한다.
① 누수 검사를 '체크리스트'로 형식화하라. Feature Gate의 4개 질문 — 이 변수가 타깃 계산식의 일부인가? 타깃과 같은 조사에서 나왔는가? 인과적으로 타깃의 결과(하류)인가? 예측 시점 이후 데이터인가? — 를 피처 추가 때마다 기계적으로 물어라. 특히 ②번(동일 출처 설문)과 ③번(인과 방향)은 경력자도 자주 놓친다. "예측은 잘 되는데 실전에서 무너지는 모델"의 대부분이 여기서 태어난다.
② 공간 데이터에 무작위 분할은 거짓말을 한다. 옆 동네 데이터가 학습에 있으면 우리 동네 예측은 거저먹기다(공간 자기상관). 그렇게 얻은 95% 정확도는 새 지역에 배포되는 순간 증발한다. 지역 단위로 통째로 떼어내는 공간 그룹 분할(예: leave-one-state-out)로 검증하라. 시계열이면 시간 순서 분할, 사용자 데이터면 사용자 단위 분할 — 원리는 같다: "배포 상황과 같은 방식으로 낯설게" 나눠라.
③ 임베딩에 Z-score를 먹이지 마라. PPE는 표 형식 변수에는 표준화·클리핑을 적용하지만, 임베딩 차원에는 개별 통계 변환을 하지 않고 L2 정규화만 한다. 이유가 명쾌하다: 임베딩의 정보는 개별 차원의 크기가 아니라 차원들 사이의 각도 관계(의미 위상)에 있다. 차원별로 스케일을 흔들면 학습된 기하가 망가진다. 텍스트·이미지 임베딩을 다른 피처와 섞을 때 그대로 적용되는 규칙이다.
④ 피처는 많을수록 좋은 게 아니다 — 조합을 탐색하라. 나이지리아 사례에서 PPE는 신호를 더 얹었더니 성능이 내려가는 지점을 발견하고 멈췄다. SVI 사례에서는 임베딩 하나를 빼는 게 답이었다. "모을 수 있는 건 다 넣는" 관성 대신, 애블레이션(하나씩 빼보기)을 파이프라인의 정규 단계로 두라.
⑤ LLM 에이전트에게 데이터를 보여주지 마라. Opaque handle 패턴 — LLM은 계획·해석·판단만 하고, 데이터는 핸들(변수명·파일 참조)로만 오가게 하라. 컨텍스트 비용이 줄고, LLM이 숫자를 환각으로 오염시킬 통로가 사라지며, 단계별 재현·디버깅이 가능해진다. 재현성이 필요한 파이프라인 LLM 호출은 temperature=0으로.
⑥ 자동화 루프에는 '멈춤 규칙'을 심어라. PPE의 자기수정은 딱 1회다. 검증 점수를 보며 무한히 재시도하는 에이전트는 결국 검증 셋에 과적합한다. 에이전트 루프를 설계할 때 재시도 횟수·예산·시간의 상한을 명시하는 것 — 사소해 보이지만 자율 시스템의 신뢰성을 가르는 결정적 디테일이다.
"구글 규모니까 가능한 얘기"로 끝나면 아깝다. PPE의 재료들은 상당 부분 이미 공개되어 있고, 파이프라인의 방법론은 오늘 재현 가능하다.
구체적인 활용 시나리오를 국내 맥락으로 옮겨보면:
그리고 방법론 차원에서 — 자연어 질문을 받아 데이터 수집·검증·모델링·보고까지 잇는 에이전트형 분석 파이프라인은 지리공간만의 이야기가 아니다. 사내 데이터 웨어하우스 위에 같은 구조(신호 발굴 → 누수 게이트 → 보수적 모델 탐색 → opaque handle)를 얹는 것이 2026년 데이터 조직의 현실적인 다음 단계다. 코어닷투데이가 기업 AI 도입 프로젝트에서 반복해서 확인하는 지점이기도 하다: 자동화의 가치는 모델이 아니라, 모델 앞뒤의 지루한 80%를 대신해 주는 데서 나온다.
한 걸음 물러나 보면, PPE는 2026년 AI의 큰 흐름 위에 정확히 놓여 있다.
지난 2년간 AI 에이전트는 "주어진 문제 풀기"에서 "문제 정의에 필요한 재료를 스스로 구해오기"로 이동해 왔다. 구글의 AI co-scientist(과학 가설 생성), 각종 MLE 에이전트 벤치마크가 앞 단계를 보여줬다면, PPE는 여기에 두 가지를 더했다. 도메인 특화 가드레일(Feature Gate·공간 검증 — 범용 에이전트에는 없는 것)과 파운데이션 모델 임베딩이라는 공용 표현(문제마다 피처를 새로 만들지 않아도 되게 하는 것). 이 조합이 "데모"와 "실전 배치" 사이의 간극을 좁혔다.
동시에 한계도 명확히 적혀 있다. 임베딩은 동결(frozen) 상태로만 쓰이며 미세조정하지 않는다. 에볼라 검증은 단 하나의 발병 사례다 — 다른 병원체, 다른 감시 인프라에서의 일반화는 미검증이다. Feature Gate의 인과 방향 필터는 형식적 인과 검증이 아니라 LLM의 판단이다. 그리고 PDFM은 아직 미국 중심 커버리지다.
그래서 사람의 역할은 사라지는 게 아니라 이동한다. 몇 주짜리 데이터 배관 작업이 사라진 자리에서 전문가가 할 일은 세 가지다: 올바른 질문을 설계하는 것(무엇을 타깃으로, 어떤 단위로, 언제까지), 자동 시스템의 산출을 감사하는 것(출처 감사 기록과 애블레이션을 읽고 승인하는 것), 그리고 모델이 가리킨 곳에서 행동하는 것(상위 10개 위험 구역에 실제로 백신팀을 보내는 결정). PPE가 전 과정의 감사 기록(provenance)을 남기도록 설계된 이유가 바로 이것이다 — 자동화가 깊어질수록, 신뢰는 투명성에서 나온다.
행성 예측 엔진이라는 거창한 이름 아래에 있는 것은, 사실 데이터 과학의 가장 오래된 덕목들이다. 문헌에 근거한 신호 선택, 집요한 누수 차단, 정직한 검증, 그리고 멈출 줄 아는 최적화. PPE의 진짜 교훈은 "AI가 이걸 다 한다"가 아니라, "이 덕목들을 기계가 강제할 수 있을 만큼 형식화했다"는 데 있다.
몇 주가 몇 분이 되는 세계에서 경쟁력은 파이프라인을 손으로 짜는 능력이 아니라, 좋은 질문을 던지고 기계의 답을 검증할 수 있는 도메인 이해로 옮겨간다. 그 준비는 지금 시작해도 이르지 않다.
