ㅁ 개인화 분석

ㅇ 정의:
– 사용자의 데이터를 중앙 서버로 전송하지 않고, 각 디바이스나 로컬 환경에서 데이터 분석을 수행하는 방식.
– 개인정보 보호를 강화하면서도 집계 수준의 통계나 패턴을 얻을 수 있음.

ㅇ 특징:
– 데이터는 로컬에 머무르고, 분석 결과(집계 통계, 모델 업데이트 등)만 서버로 전송.
– 분산 환경에서 프라이버시를 보장.
– 네트워크 부하 감소 및 데이터 유출 위험 최소화.

ㅇ 적합한 경우:
– 민감한 개인정보(건강 데이터, 금융 거래 기록 등)를 다루는 분석.
– 데이터가 여러 지역/조직에 분산되어 있고 통합이 어려운 경우.

ㅇ 시험 함정:
– Federated Learning과 혼동하기 쉬움: Learning은 모델 학습, Analytics는 데이터 분석 중심.
– 로컬 데이터가 절대 서버로 전송되지 않는다는 점을 간과.

ㅇ 시험 대비 “패턴 보기” 예시:
O: “서버는 각 클라이언트에서 계산된 통계만 수집한다.”
X: “모든 원본 데이터를 중앙 서버로 전송하여 분석한다.”

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

1. Federated Analytics

ㅇ 정의:
– 여러 클라이언트(디바이스, 기관 등)의 데이터를 중앙에 모으지 않고, 로컬에서 분석 작업을 수행한 후 결과(통계, 요약 정보 등)만 서버에 전달하는 분석 방식.
– 프라이버시 보호와 데이터 보안이 중요한 환경에서 사용.

ㅇ 특징:
– 원본 데이터는 로컬에 유지.
– 서버는 집계 결과를 통합하여 전체 분석 결과를 도출.
– Differential Privacy, Secure Aggregation 등 보안 기술과 결합 가능.

ㅇ 적합한 경우:
– 의료기관 간 환자 데이터 분석.
– 금융기관 간 사기 탐지 패턴 공유.
– IoT 디바이스에서 수집되는 환경 데이터 분석.

ㅇ 시험 함정:
– Federated Analytics는 모델 학습이 아닌 분석이라는 점.
– 로컬 분석 결과만 공유된다는 점을 명확히 구분해야 함.
– 중앙 서버가 개별 클라이언트의 원시 데이터를 볼 수 없다는 점.

ㅇ 시험 대비 “패턴 보기” 예시:
O: “각 클라이언트는 로컬 데이터로 통계치를 계산하고 서버에 전송한다.”
X: “서버는 모든 클라이언트의 원본 데이터를 수집하여 분석한다.”

ㅁ 추가 학습 내용

Federated Analytics와 Federated Learning의 차이
– Federated Analytics는 데이터 분석(통계 산출, 패턴 도출)에 초점을 두며, 반드시 모델 학습을 수행하지 않는다.
– Federated Learning은 분산된 데이터를 활용해 모델을 학습시키는 것이 목적이다.

공통점과 차이
– 두 방식 모두 원본 데이터를 중앙 서버로 전송하지 않는다.
– Federated Analytics는 분석 목적, Federated Learning은 학습 목적이 중심이다.

보안 및 개인정보 보호 기법
– Differential Privacy: 개인 정보 노출을 방지하기 위해 분석 결과나 모델 업데이트에 노이즈를 추가한다.
– Secure Aggregation: 서버가 개별 클라이언트 데이터는 볼 수 없고, 집계된 결과만 복호화할 수 있도록 한다.

시험 포인트
– 원본 데이터 전송 여부: 두 방식 모두 전송하지 않음
– 목적 구분: 분석(Federated Analytics) vs 학습(Federated Learning)
– 적용 사례: 통계 분석, 사용자 행동 패턴 분석(Federated Analytics) / 언어 모델, 추천 시스템 학습(Federated Learning)
– 규제 준수: Federated Analytics는 GDPR, HIPAA 등 개인정보 보호 규제를 준수하는 데 유리하다