우리가 Google Earth AI를 소개했을 때, 원격 탐사, 기상, 홍수 수문학, 인구 역학을 아우르는 지리공간 기반 모델 제품군과 함께 Gemini 기반 에이전트가 이러한 모델들을 연결하여 교차 모달 질문에 답변할 수 있는 방법을 보여주는 초기 프로토타입을 공유했습니다.
그 이후로 우리는 지리공간 추론(Geospatial Reasoning) 에이전트를 초기 개념에서 행성 규모의 데이터에 대한 다단계 지리공간 추론과 맞춤형 예측 모델의 자율 학습을 위해 구축된 훨씬 더 강력한 실험적 시스템으로 발전시켰습니다. 오늘 우리는 세 가지 소식을 공유합니다:
- 새로운 기술 보고서 지리공간 추론에 관한 보고서: 우리는 GeoKTools와 GeoExpertQueries를 포함한 네 가지 벤치마크에 걸친 체계적인 평가를 제시합니다. GeoKTools와 GeoExpertQueries는 우리가 개발하여 연구자들이 자신의 지리공간 추론 에이전트를 테스트할 수 있도록 공개하는 두 가지 새로운 벤치마크입니다. 우리의 결과는 Earth AI의 전문 도구와 계획 수립이 기본 제공 LLM보다 갖는 가치를 정량화합니다.
- 실제 파트너 테스트에서 얻은 인사이트: 지난 몇 달 동안 우리는 소규모의 사회적 임팩트 및 상업 파트너 조직 그룹 — 세계보건기구(WHO) 아프리카 지역사무소, People in Need, GiveDirectly, Milken Institute 그리고 WPP — 를 초청하여 질병 발생 조사, 재난 대비, 청정 에너지 스크리닝과 같은 이들 조직의 실제 업무 흐름을 지원하기 위해 에이전트를 테스트하게 했습니다.
- Google Earth와 Google Cloud에서의 얼리 액세스 확대: 우리는 다단계 지리공간 분석과 행성 규모 예측 모두에 대한 실험적 액세스를 확대하고 있습니다. Ask Google Earth를 위한 실험적 딥 리서치 업데이트에 대한 얼리 액세스를 제공합니다. 또한 맞춤형 업무 흐름을 구축하는 개발자를 위해 에이전트 간 API에 대한 얼리 액세스를 제공하며, Gemini.
지리공간 추론의 새로운 기능
범용 LLM과 표준 코딩 도구는 실제 공간 문제에서 어려움을 겪습니다. 행성 규모의 데이터셋은 방대하며, 정확하게 결합하기 위해 신중한 다단계 계획이 필요한 전문 지도 및 위성 형식을 갖추고 있기 때문입니다. 복잡한 공간 워크플로를 실무에서 처리하기 위해 우리의 에이전트는 네 가지 핵심 기능을 결합합니다:
Earth AI 기반 모델 및 행성 규모 데이터와 연결
이 에이전트는 Gemini를 Earth AI의 기반 모델 기능 — WeatherNext, Flood Forecasting, 그리고 Population Dynamics Foundation Model (PDFM), AlphaEarth Foundations 및 Remote Sensing Foundations — 와 더불어 다음의 정보를 함께 활용합니다: Google Maps Platform (예: 장소 정보, 경로 안내, 대기질, 옥상 태양광 잠재력), Google Earth Engine, Data Commons 그리고 Google Dataset Search.
모듈형 스킬, 사전 계획 수립 및 전용 공간 작업 공간
Earth AI 기능은 모듈형 스킬로 패키징되어 있으며, 에이전트는 사용자 질문에 필요한 경우에만 이를 호출합니다. 복잡한 작업을 실행하기 전에 에이전트는 단계별 분석 계획을 수립하고, 해당 지역의 데이터 커버리지가 부족할 경우 적절한 대체 데이터셋을 선택하며, 전용 작업 공간에서 대규모 지도 레이어를 처리합니다. 이러한 접근 방식은 방대한 양의 공간 데이터로 에이전트 컨텍스트가 과부하되는 것을 방지하면서, 정확성을 유지하고 데이터 출처를 추적합니다. 모든 응답에는 에이전트의 계획과 사용된 데이터 소스가 표시되어 전문가가 가정을 검토하거나 데이터셋을 대체할 수 있습니다.
자체 데이터 가져오기
조직은 공개 데이터만으로 운영하는 경우가 드뭅니다. 이제 사용자는 Geospatial Reasoning agent API를 통해 자체 데이터셋을 CSV 스프레드시트, 사용자 지정 지도 경계(GeoJSON) 또는 클라우드 테이블 형태로 입력할 수 있습니다. 그런 다음 에이전트에게 자신의 개인 위치 정보를 Earth AI의 글로벌 모델 및 카탈로그와 결합하도록 요청할 수 있습니다.
다단계 추론에서 자율적인 Planetary Prediction으로
복잡한 분석 질문에 답변하는 것 외에도, 이 에이전트는 최근 발표된 Planetary Prediction Engine의 기반이 됩니다. 사용자의 지역 질병 발생률, 작물 수확량 또는 전력망 정전과 같은 지역 결과 데이터를 입력받으면, 에이전트는 관련 인구 및 환경 신호를 자동으로 선택하고, 당사의 Population Dynamics Insights 와 연간 Satellite Embedding dataset (각각 PDFM과 AlphaEarth Foundations를 기반으로 구축된 Google 제품)을 활용하여 공간 예측, 초해상도 다운스케일링 및 예보를 위한 검증된 머신러닝 모델을 학습시킵니다. 최근 공공 보건 연구에서 이러한 인구 및 위성 신호를 결합함으로써 인구통계학적 기준선 대비 건강 결과 예측이 12% 향상되었으며, 8배 더 세밀한 공간 해상도의 매핑이 가능해졌습니다.
당사의 Geospatial Reasoning 에이전트는 사용자의 질문에 대해 먼저 다단계 워크플로를 계획한 다음, 쿼리와 관련된 핵심 Earth AI 도구, 데이터셋 및 모델을 선택하고, 마지막으로 컨텍스트 윈도우 외부의 워크스페이스에서 계획의 각 단계를 실행합니다. 답변은 여러 Earth AI 기능을 텍스트, 표 및 지도 기반 보고서에 통합합니다.
Geospatial Reasoning 에이전트 평가하기
도메인 특화 도구와 사전 계획이 지리공간 추론에 미치는 영향을 측정하기 위해 당사의 기술 보고서 는 Gemini 3.8 Flash와 Gemini 3.1 Pro에서 네 가지 에이전트 구성을 비교합니다: (1) 단독 LLM, (2) 기본적인 웹 검색 및 지도 그라운딩 도구를 갖춘 LLM, (3) Earth AI 도구(예: Remote Sensing Foundations 및 WeatherNext 3)를 갖췄으나 사전 계획이 없는 LLM, 그리고 (4) 모든 쿼리를 전용 계획 단계로 시작하여 사용 가능한 기능을 검토해 무엇을 할 수 있고 없는지 평가하고 답변 도출에 필요한 검색 및 처리 단계를 수립하는 완전한 Geospatial Reasoning 에이전트입니다.
당사는 기본 Gemini 모델부터 지리공간 추론에 최적화된 기술과 오케스트레이션이 점진적으로 추가된 에이전트에 이르는 네 가지 에이전트 구성을 평가합니다.
이 평가는 전문가 수준의 개방형 분석, 다중 도구 오케스트레이션, 그리고 결정론적 답변을 가진 커뮤니티 개발 지리공간 문제를 다루는 네 가지 벤치마크에 걸쳐 진행됩니다. CBGB 와 UnivEARTH 는 각각 지리공간 코드 생성과 질의응답을 시험하는 외부 개발 벤치마크 두 가지입니다. 단일 질문이나 사용 사례를 넘어서는 어려운 작업에서 에이전트를 시험하기 위해 당사는 두 개의 새로운 벤치마크를 개발했습니다. GeoExpertQueries 는 위기 대응력, 입지 선정 및 공공 보건과 같은 도메인의 분석 모범 사례를 담은, 전문가가 작성한 골든 워크플로가 포함된 복잡한 실제 쿼리를 도입합니다. GeoKTools 는 검증 가능한 답변이 있는 템플릿화된 쿼리를 담고 있으며, 각 쿼리는 1~4개의 서로 다른 지리공간 도구를 올바르게 선택하고 사용해야 합니다. 이 스위트는 전체적으로 이전의 지리공간 추론 시스템 평가보다 훨씬 폭넓은 커버리지를 제공합니다. 지리공간 에이전트의 연구 및 개발을 가속화하기 위해 당사는 두 개의 새로운 벤치마크의 개발 스플릿을 전체 공개 합니다.
새로운 GeoKTools(왼쪽) 및 GeoExpertQueries(오른쪽) 벤치마크의 예시 쿼리. GeoKTools는 특정 지리공간 도구 및 데이터셋을 선택하고 사용하는 에이전트의 능력을 테스트하는 반면, GeoExpertQueries는 개방형 다단계 워크플로에 대한 추론 능력을 평가합니다.
결과 및 주요 시사점
평가에서 두 가지 주요 시사점이 두드러집니다: 첫째, 공간 추론에는 도메인 특화 기술이 필수적입니다. 기본 도구만 갖춘 에이전트(웹 검색, 지도 그라운딩, 코드 실행)는 정량적 공간 작업에서 어려움을 겪습니다. Earth AI 기술을 에이전트에 장착하면 GeoExpertQueries, GeoKTools, CBGB 전반에서 큰 폭의 향상이 나타납니다. 유일한 예외는 UnivEARTH로, 여기서는 단독 LLM도 93.6%를 기록하는데, 이는 원본 NASA 기사와 답변이 공개 웹에서 이용 가능하기 때문일 가능성이 높습니다.
둘째, 사전 계획이 개방형 실제 워크플로를 가능하게 합니다. Earth AI 기술만으로도 CBGB와 GeoKTools와 같은 좁은 범위의 작업은 충분히 수행할 수 있지만, GeoExpertQueries의 개방형 문제를 해결하려면 다단계 분석 전반에 걸쳐 에이전트가 방향을 잃지 않도록 하고, 공간 도구 대신 웹 검색을 사용하는 것과 같은 신뢰할 수 없는 가정이나 지름길을 택하지 않도록 사전 계획이 필요합니다.
아래 표는 Gemini 3.8 Flash를 사용한 네 가지 벤치마크 전체의 점수를 보여줍니다:
점수는 0–100이며, 세 번의 실행 평균입니다. 각 벤치마크의 채점 방식이 다르므로 행 내에서 비교할 것, 행 간 비교는 하지 마십시오.
기술 보고서는 한계점도 다룹니다. GeoExpertQueries 점수는 에이전트의 성능을, 분석이 취해야 할 단계를 정의하는 전문가 워크플로와 비교하는 자동 채점기(autorater)에서 나온 것이며, 정확한 최종 답을 비교하는 것이 아닙니다. 따라서 우리는 에이전트의 결과물을 전문가가 검토하고 발전시킬 수 있는 강력한 초안으로 간주할 뿐, 최종 답으로 간주하지 않습니다.
실전에서 활용되는 Earth AI: 파트너와의 초기 테스트
이 연구가 실제 세계의 과제에 어떻게 적용되는지 평가하기 위해, 소수의 파트너 그룹에게 실험용 에이전트를 가장 어려운 문제에 테스트할 수 있는 초기 접근 권한을 제공했습니다. 공중보건, 재난 대응, 인프라 계획 분야에서 이들이 Earth AI를 실제로 활용하는 방식의 개요는 다음과 같습니다:
- 세계보건기구(WHO AFRO) & 콩고민주공화국(DRC)의 INRB: 콩고민주공화국(DRC)에서 2026년 에볼라 발병이 시작될 무렵, WHO AFRO의 다카르 비상대비및대응 허브(Emergency Preparedness and Response Hub) 는 지리공간 추론(Geospatial Reasoning) 에이전트를 사용하여, 위험 노출도와 인구 이동성이 높은 외딴 광산 회랑 지역을 산림 감소(위성 영상 기반), 광산 부지(지도 및 웹 데이터 기반), 인구 데이터를 교차 대조하여 매핑했습니다. 몇 분 만에 팀은 노출된 정착지 48곳을 정확히 찾아내고 45,500명이 넘는 위험에 처한 사람들의 위치를 파악했습니다. 이는 보통 수 주가 걸리는 과정이었습니다. 이를 통해 현지 대응팀은 이동 실험실을 선제적으로 배치하고 국경 감시를 조율할 수 있었습니다. 한편, DRC의 국립생물의학연구소(National Institute for Biomedical Research) (INRB)의 역학 모델링 및 정보 부서(UMIE)는 Planetary Prediction Engine을 사용하여 에볼라가 감염되지 않은 지역으로 확산될 위험을 추정했습니다. 이동 흐름과 과거 사례 추세, Earth AI 모델 및 데이터세트를 결합한 이러한 주간 인사이트는 사례가 도래하기 전에 조율자들에게 중요한 계획 시간을 제공합니다.
- “광부와 같은 이동 인구는 전통적인 종이 기반 감시가 추적할 수 있는 것보다 빠르게 이동하여 위험한 사각지대를 만듭니다. Earth AI는 위성 및 이동성 신호로 이러한 공백을 메워, 바이러스를 추후에 쫓는 대응 방식에서 다음에 어디를 칠지 적극적으로 예측하는 방식으로 전환시켜 줍니다.” Dr Etien Koua, WHO AFRO 비상대비및대응 HIS 프로그램 영역 관리자 & 허브 코디네이터 (영상 보기)
- People in Need: 지리공간 추론은 자연재해 예보를 인구 및 영상 정보와 결합하는 데 도움을 주어, 분석가의 초점을 데이터 처리에서 인사이트 제공으로 전환시켰습니다:
- "실험용 지리공간 추론 에이전트는 14개의 과거 사이클론 경로를 분석하여 수일에 걸친 수작업 GIS 작업 대신 몇 분 만에 고노출 마을을 식별하도록 도왔고, 준비된 복잡한 데이터를 즉각적인 인사이트로 전환하여 생명을 구하는 선제적 조치에 필요한 소중한 시간을 확보해 주었습니다." - Alonso Gonzales, GIS 및 원격탐사 코디네이터
- GiveDirectly: 팀은 사용자 지정 지도 경계를 업로드하여 열대성 사이클론 Maila 중 풍속 구역별 인구 노출도를 신속히 산출하고 미시시피의 토네이도 피해를 벤치마킹했으며, 하나의 작업 공간 안에서 위기 범위 파악 기간을 수일에서 수분으로 단축했습니다.
- WPP: 지리공간 추론을 사용하여 인구 동태 인사이트(Population Dynamics Insights)를 자사 독점 데이터와 연결했습니다. 이들의 사례 연구 는 Earth AI 인사이트가 자사 데이터의 프라이버시를 보존하면서 지리공간 마케팅 캠페인의 성과를 어떻게 향상시켰는지 보여줍니다.
- Milken Institute: 사전 개발 팀은 에이전트를 사용하여 자체 보유 후보 건물 1,500개 이상 목록을 Google Maps Platform의 Solar API 및 인구조사 데이터와 결합하고, 옥상 태양광 잠재력, 이동성 데이터, 인근 교통 허브, 기후 위험, 연방 투자 구역 적격성을 고려하여 커뮤니티 회복탄력성 허브 구축을 위한 입지를 검토했습니다.
이러한 파트너들과의 초기 테스트는 에이전트의 지리공간 역량에 대한 평가와 확장에 도움이 되었으며, 최근 도로망 라우팅 추가, 더 큰 규모의 사용자 업로드 데이터세트 지원, 신뢰할 수 있는 지역 데이터 출처의 개선된 탐색으로 이어졌습니다.
초기 접근 확대: 테스트 신청 방법
오늘, 우리는 이러한 실험적 지리공간 추론 기능에 대한 더 많은 피드백을 수집하기 위해 Earth AI 연구 역량에 대한 접근을 확대합니다. 제한된 초기 사용자 그룹에게 다음을 제공합니다:
- Ask Google Earth: 확장된 심층 분석 기능을 Ask Google Earth 내에서 직접 미리 보기로 제공합니다. 이를 통해 대화형 채팅 환경에서 자연어로 복잡한 공간 질문을 하고, Google Earth 프로젝트에서 데이터(본인의 데이터 포함)를 분석하며, 지도 위에서 시각적 결과를 직접 탐색할 수 있습니다.
- Geospatial Reasoning Agent API: 맞춤형 워크플로를 구동하기 위해 사용자 정의 가능한 셀프 통합을 원하는 개발자 팀을 위해, 실험적인 헤드리스 Agent-to-Agent(A2A) 서비스를 제공합니다. 초기 파트너는 Geospatial Reasoning 에이전트를 자신만의 맞춤 에이전트 및 데이터 파이프라인에 연결할 수 있습니다. 이 서비스를 자신의 Gemini for business 환경에 연결하고자 하는 팀을 위해 단계별 개발자 레시피를 제공합니다.
당사의 Planetary Prediction Engine 기능도 초기 미리 보기로 제공됩니다. 신속한 일반 언어 기반 모델링을 위한 대화형 인터페이스와 맞춤 워크플로를 위한 Agent API를 통해 모두 이용하실 수 있습니다.
이러한 연구 역량에 대한 접근에 관심을 표현하시려면 관심 등록 양식을 작성해 주세요. 저희 초기 단계 프로젝트를 가장 먼저 사용해 보고 싶으시다면 얼리 액세스 풀(Early Access Pool).