ㅁ 기술/아키텍처

ㅇ 정의:
온디바이스 환경에서의 데이터 전처리 및 모델 경량화를 통해 리소스 효율성을 극대화하는 기술.

ㅇ 특징:
– 저사양 디바이스에서도 안정적으로 동작 가능.
– 데이터 전송 최소화로 프라이버시 보호.
– 전력 소모와 비용 절감에 효과적.

ㅇ 적합한 경우:
– 네트워크 연결이 제한적인 환경.
– 전력 소모에 민감한 IoT 디바이스.
– 대규모 데이터 전송이 부담스러운 상황.

ㅇ 시험 함정:
– Frugal AI가 항상 성능 저하를 의미한다고 생각할 수 있음.
– 클라우드 중심의 처리와 혼동 가능.

ㅇ 시험 대비 “패턴 보기” 예시:
1. Frugal AI는 데이터 전송을 최소화하여 프라이버시를 보호한다. (O)
2. Frugal AI는 클라우드 기반 기술로만 구현할 수 있다. (X)

ㅁ 추가 학습 내용

Frugal AI에 대한 학습 내용을 정리하면 다음과 같습니다:

1. **경량화 기법의 이해 및 사례 학습**
– **모델 프루닝**: 신경망의 불필요한 연결을 제거하여 모델의 크기를 줄이고 계산 효율성을 높이는 방법. 사례로는 ResNet 구조에서 불필요한 필터를 제거하여 성능을 유지하면서 모델 크기를 줄인 연구를 참고할 수 있음.
– **양자화**: 모델의 파라미터와 계산을 저비트 표현(예: 8비트)으로 변환하여 메모리 사용량과 처리 속도를 개선하는 방법. 사례로는 모바일 기기에서 TensorFlow Lite를 사용하여 양자화된 모델을 실행한 사례를 학습할 수 있음.

2. **온디바이스 전처리와 클라우드 기반 처리의 장단점 비교**
– **온디바이스 전처리**:
– 장점: 데이터 전송 비용 절감, 개인 정보 보호 강화, 실시간 처리 가능.
– 단점: 디바이스의 계산 능력 제한, 배터리 소모 증가.
– **클라우드 기반 처리**:
– 장점: 높은 계산 능력, 대규모 데이터 처리 가능, 디바이스의 자원 절약.
– 단점: 네트워크 의존성, 데이터 전송 비용 증가, 개인정보 유출 가능성.

위 내용을 바탕으로 시험 대비를 위해 개념과 사례를 확실히 익히고, 두 처리 방식의 장단점을 명확히 구분하여 혼동을 방지하는 연습이 필요합니다.