데이터로 심는 미래
The Engine of Green Innovation
The Catalyst for a Greener Future
Treewiz(트리위즈)는 'Tree(나무)'와 'Wizard(마법사)'의 합성어로,
마치 마법처럼 복잡한 환경 데이터를 분석하여 최적의 수목 솔루션을
제시한다는 의미를 담고 있습니다.
하지만 그 이면에는 마법이 아닌 치밀한 과학과 공학이 자리 잡고 있습니다.
이 서비스는 조경 설계자(Landscape Architect), 시공사, 그리고 일반
소비자를 모두 아우르는 올인원 플랫폼입니다.
사용자가 웹사이트에 접속하여 대상지의 위치만 입력하면, Treewiz의 백엔드 시스템은 즉시 가동됩니다.
AWS 클라우드 상에서 작동하는 우리의 엔진은 실시간으로 기상청 API와
연동하여 해당 지역의 지난 30년간 기후 데이터를 가져오고,
산림청의 입지 토양도와 매핑하여 토양 특성을 파악합니다.
이러한 과정은 수 초 내에 이루어지며, 결과적으로 사용자는 수만 페이지의
문헌을 검토한 것과 동일한 수준의 의사결정 지원을 받게 됩니다.
Treewiz는 단순한 검색 도구가 아닙니다.
당신의 프로젝트 성공률을 획기적으로 높여줄 AI 파트너입니다.
Core Algorithm : LightGBM & Decision Tree
Treewiz의 두뇌에 해당하는 AI 모델은 Scikit-learn 프레임워크 기반의 Decision Tree(의사결정나무)와 LightGBM(Gradient Boosting Machine) 알고리즘을 앙상블하여 구축되었습니다.
우리는 왜 딥러닝(Deep Learning) 대신 이러한 알고리즘을 선택했을까요?
그 이유는 '설명 가능성(Explainability)'과 '정형 데이터(Tabular Data)
처리 효율'에 있습니다.
조경 산업에서는 단순히 '이 나무를 심으세요'라는 결과보다
'왜 이 나무가 적합한가'에 대한 근거가 중요합니다.
Decision Tree 구조는 입력 변수(예: 토양 배수 불량)에서
결과(예: 버드나무 추천)로 이어지는 판단 경로를 시각적으로 명확하게
추적할 수 있습니다.
이는 전문가와의 협업 과정에서 신뢰를 구축하는 데 필수적입니다.
또한, LightGBM은 방대한 환경 변수 데이터셋에서 학습 속도가 빠르고
메모리 사용량이 효율적이며, 무엇보다 트리 기반 모델 중 가장 높은 예측
성능을 자랑합니다.
우리는 `early_stopping_rounds=7`과 같은 파라미터 최적화를 통해
과적합을 방지하고, 검증 데이터셋(Validation Set)에 대해 98% 이상의
정확도를 달성했습니다.
우리의 모델은 기계적 학습을 넘어, 식물 생리학적 특성을 수학적으로
모델링한 결과물입니다.
Resilient and Adaptable Architecture
Treewiz의 시스템은 최신 소프트웨어 엔지니어링 기술의 집약체입니다.
우리는 안정성, 확장성, 보안성을 최우선으로 고려하여 기술 스택을
선정했습니다.
Backend : Python 기반의 FastAP프레임워크를 채택했습니다.
FastAPI는 비동기 처리(Asynchronous)를 지원하여 다수의 사용자가 동시에 복잡한 연산을 요청해도 지연 없이 처리할 수 있는 고성능을 보장합니다.
또한 자동화된 문서화(Swagger UI)를 통해 파트너사와의 API 연동을 원활하게 지원합니다.
관계형 데이터베이스인 MariaDB를 사용하여 수목 정보와 사용자 데이터를 구조적으로 저장하며, 인메모리 데이터 저장소인 Redis 캐싱(Caching) 레이어로 활용합니다.
Redis는 반복적인 조회 요청이나 세션 관리에 대해 마이크로초 단위의 응답 속도를 제공하여 사용자 경험을 극대화합니다.
모든 애플리케이션은 Docker컨테이너로 패키징되어
배포됩니다. 이를 통해 개발 환경과 운영 환경의 일치성을 보장하고, AWS EC2인스턴스 상에서 유연한 스케일링이 가능합니다.
우리는 Docker Compose를 사용하여 멀티 컨테이너 환경을 효율적으로 오케스트레이션하고 있습니다.
JWT(JSON Web Token)기반의 인증 방식을 적용하여 무상태(Stateless) 서버 구조에서도 안전한 사용자 세션 관리를 구현했습니다.
모든 비밀번호는 단방향 암호화되어 저장되며,
민감한 데이터 전송은 HTTPS 프로토콜을 통해 보호됩니다.
전문가의 도구를 직관적으로
Treewiz의 사용자 인터페이스(UI)는 '복잡함의 단순화'를 철학으로
설계되었습니다.
전체적인 디자인 시스템은 자연에서 영감을 받은 그린(Green)과 브라운(Brown) 컬러 팔레트를 사용하여 시각적인 편안함을 주며,
정보의 위계(Hierarchy)를 명확히 하여 사용자의 인지 부하를 줄였습니다.
핵심 기능인 'AI 수목 추천' 화면은 좌측의 입력 패널과 우측의 결과 패널로
구성됩니다.
입력 패널에서는 슬라이더와 토글 버튼을 활용하여 수치 입력을 직관적으로 처리했고, 각 항목에는 '툴팁(Tooltip)'을 배치하여 비전문가도 용어의 의미를 쉽게 이해할 수 있도록 배려했습니다.
결과 패널에서는 추천된 수목을 카드 형태로 나열하되, 적합도 순으로
정렬하여 사용자가 가장 중요한 정보부터 확인할 수 있게 했습니다.
특히 '지도에서 자생지 확인하기' 모달(Modal) 창은
네이버 지도(Naver Maps) API와 연동되어, 해당 수목의 실제 분포 지역을
시각적으로 보여줍니다.
이는 사용자가 추천 결과의 현실성을 즉각적으로 검증할 수 있게 돕습니다.
또한 모바일 반응형 웹(Responsive Web) 기술을 적용하여,
PC 모니터뿐만 아니라 현장의 태블릿이나 스마트폰에서도 완벽한
레이아웃을 제공합니다.
57개 변수의 정밀함
AI 모델의 성능은 데이터의 품질이 결정합니다(Garbage In, Garbage Out).
Treewiz는 단순한 공공 데이터를 그대로 사용하지 않고,
독자적인 데이터 파이프라인을 통해 정제하고 가공합니다.
우리는 수집된 원시 데이터(Raw Data)를 1차적으로 전처리하여 결측치나
오류를 수정합니다. 그 후, 57개 이상의 파생 변수(Derived Variables)를
생성합니다.
예를 들어, 단순한 '평균 기온' 외에도 '최한월 평균 기온', '생육 기간 적산 온도', '동해(Freezing Injury) 발생 위험도' 등 식물 생장에 결정적인 영향을 미치는 심층 지표를 계산해 냅니다.
토양 데이터의 경우, 토성(Soil Texture), 배수 등급, 유효 토심, pH, 유기물
함량 등을 입체적으로 분석합니다.
또한 지형 정보(DEM)를 활용하여 경사도와 향(Aspect)을 분석, 일조량(Insolation)을 추정하는 알고리즘까지 탑재되어 있습니다.
이러한 다차원 데이터셋은 수목별 생태적 지위(Niche)를 정확하게 정의하게 해주며, 결과적으로 AI가 각 수목의 '생존 확률'을 정밀하게 계산하는 토대가
됩니다.
이는 세계적으로도 유례를 찾기 힘든 고밀도의 조경 데이터베이스입니다.
ESG 경영의 파트너
Treewiz는 조경의 가치를 '미적 기능'에서 '환경적 기능'으로 확장합니다.
우리는 산림청 국립산림과학원의 표준 탄소 흡수량 데이터를 기반으로, 수종별, 수령별 탄소 저장량을 산출하는 알고리즘을 내장하고 있습니다.
사용자가 특정 수종을 선택하면, 해당 수목이 성목(Mature Tree)이 되었을 때 예상되는 연간 CO2 흡수량과 총 탄소 저장량을 즉시 리포팅합니다.
더욱이, 생물학적 분류(Family, Genus) 기준에 따른 추정치 보정 로직을
적용하여, 데이터가 부족한 희귀 수종에 대해서도 신뢰할 수 있는 근사값을
제공합니다.
이 기능은 건설사의 친환경 인증(LEED, G-SEED 등) 획득이나 기업의
ESG 리포트 작성 시 강력한 근거 자료로 활용될 수 있습니다.
'이 아파트 단지의 조경은 연간 자동차 100대 분량의 탄소를 흡수합니다'라는 구체적인 스토리텔링이 가능해지는 것입니다.
Treewiz는 탄소 중립 시대를 선도하는 가장 과학적인 도구입니다.