ㅁ 기술/아키텍처

ㅇ 정의:

ㅇ 특징:

ㅇ 적합한 경우:

ㅇ 시험 함정:

ㅇ 시험 대비 “패턴 보기” 예시:

================================

1. 온디바이스 AI

ㅇ 정의: 클라우드가 아닌 스마트폰, IoT 기기, 엣지 디바이스 등 로컬 기기에서 AI 모델을 실행하여 데이터 처리와 추론을 수행하는 기술.

ㅇ 특징: 네트워크 연결이 불안정해도 동작, 개인정보 로컬 처리로 보안성 향상, 지연시간 감소, 하드웨어 성능 제약 존재.

ㅇ 적합한 경우: 실시간 반응이 필요한 AR/VR, 음성 비서, 스마트카메라, 개인정보 보호가 중요한 의료/금융 앱.

ㅇ 시험 함정: 온디바이스 AI는 항상 클라우드 대비 정확도가 높다는 것은 아님(O), 온디바이스 AI는 모든 경우에 전력 소모가 적다는 것은 아님(X).

ㅇ 시험 대비 “패턴 보기” 예시: “온디바이스 AI는 네트워크 연결 없이도 추론이 가능하다”(O), “온디바이스 AI는 데이터 전송량을 늘린다”(X)

================================

2. MobileNet

ㅇ 정의: 구글이 개발한 경량화 CNN(합성곱 신경망) 모델로, 모바일 및 임베디드 기기에서 효율적으로 동작하도록 설계됨.

ㅇ 특징: Depthwise Separable Convolution 사용, 파라미터 수와 연산량 감소, 정확도와 속도의 균형.

ㅇ 적합한 경우: 스마트폰 이미지 분류, IoT 카메라 객체 인식, 드론 실시간 영상 분석.

ㅇ 시험 함정: MobileNet은 항상 ResNet보다 정확도가 높다(X), MobileNet은 모바일 환경에서 사용하기 위해 경량화된 구조를 가진다(O).

ㅇ 시험 대비 “패턴 보기” 예시: “MobileNet은 Depthwise Separable Convolution을 사용한다”(O), “MobileNet은 대규모 서버 환경 전용이다”(X)

================================

3. Edge Preprocessing

ㅇ 정의: 데이터 수집 지점(엣지 디바이스)에서 전처리를 수행하여 클라우드 전송 전 데이터 용량을 줄이거나 품질을 향상시키는 기술.

ㅇ 특징: 네트워크 부하 감소, 실시간 처리 가능, 불필요한 데이터 전송 방지, 디바이스 성능 제약 고려 필요.

ㅇ 적합한 경우: 산업 IoT 센서 데이터 필터링, CCTV 영상 전처리, 자율주행차 센서 데이터 전처리.

ㅇ 시험 함정: Edge Preprocessing은 항상 데이터 품질을 저하시킨다(X), Edge Preprocessing은 네트워크 부하 감소에 기여한다(O).

ㅇ 시험 대비 “패턴 보기” 예시: “Edge Preprocessing은 데이터 전송량을 줄인다”(O), “Edge Preprocessing은 클라우드에서만 수행된다”(X)

================================

4. Frugal AI

ㅇ 정의: 제한된 자원(메모리, 연산 능력, 전력) 환경에서 효율적으로 동작하는 AI 모델을 설계·구현하는 접근 방식.

ㅇ 특징: 모델 경량화, 연산 최적화, 데이터 효율성 극대화, 비용 절감.

ㅇ 적합한 경우: 저사양 스마트폰, 배터리 제약이 있는 IoT 기기, 원격지 센서 네트워크.

ㅇ 시험 함정: Frugal AI는 항상 고성능 GPU 환경에서만 사용된다(X), Frugal AI는 자원 제약 환경에서 유리하다(O).

ㅇ 시험 대비 “패턴 보기” 예시: “Frugal AI는 저전력 환경에서 효율적으로 동작한다”(O), “Frugal AI는 데이터 낭비를 증가시킨다”(X)

ㅁ 추가 학습 내용

온디바이스 전처리 학습 정리

1. 온디바이스 AI vs 엣지 AI
– 온디바이스 AI: 스마트폰, IoT 기기 등 개별 디바이스 내부에서 AI 연산 수행.
– 엣지 AI: 온디바이스 AI를 포함하며, 게이트웨이·로컬 서버 등 네트워크 엣지에서 AI 연산 수행.
– 차이 핵심: 온디바이스는 단일 기기 중심, 엣지 AI는 네트워크 경계의 다양한 장비 포함.

2. MobileNet 버전별 특징
– v1: Depthwise Separable Convolution 도입으로 연산량 감소.
– v2: Inverted Residuals와 Linear Bottleneck 구조 도입 → 메모리 효율과 정확도 향상.
– v3: NAS(Neural Architecture Search) 기반 설계, 하드웨어 친화적 연산, Squeeze-and-Excitation(SE) 모듈 적용, v2 대비 효율·정확도 개선.

3. Edge Preprocessing 주요 기법
– 데이터 샘플링: 필요 데이터만 선택하여 처리.
– 압축: 데이터 크기 축소로 전송·저장 효율 향상.
– 필터링: 불필요 데이터 제거.
– 이상치 제거: 비정상 데이터 탐지·배제.

4. Frugal AI 구현 전략
– 지식 증류(Knowledge Distillation): 큰 모델의 지식을 작은 모델로 전이.
– 양자화(Quantization): 가중치·연산 정밀도 축소로 메모리·연산량 절감.
– 프루닝(Pruning): 중요도 낮은 파라미터 제거로 모델 경량화.

시험 대비 체크리스트
– 온디바이스 AI와 엣지 AI의 정의와 차이 구분 가능 여부.
– MobileNet v1, v2, v3의 구조적 차이와 핵심 개념(Inverted Residuals, Linear Bottleneck) 설명 가능 여부.
– Edge Preprocessing에서 사용하는 기법의 정의와 목적 숙지.
– Frugal AI의 세 가지 주요 기법과 각각의 원리·효과 이해.
– 온디바이스 전처리와 클라우드 전처리의 장단점 비교 가능 여부.
– 지연(latency)와 전력 소비 관련 O/X 문제 대비.
– 모델 경량화 기법과 해당 설명을 정확히 매칭 가능 여부.