ㅁ 환경/지속가능

ㅇ 정의:
인공지능 기술을 활용하여 에너지 효율을 극대화하고, 환경 영향을 최소화하며, 지속가능한 개발을 지원하는 분야.

ㅇ 특징:
– 에너지 절감, 탄소 배출 저감, 친환경 모델 학습 기법 포함
– 산업, 건물, 데이터센터 등 다양한 분야 적용 가능
– 정책, 규제와 연계되는 경우 많음

ㅇ 적합한 경우:
– 에너지 비용 절감 목표가 있는 조직
– ESG 경영 지표 개선 필요 기업
– 친환경 인증 취득 목표 프로젝트

ㅇ 시험 함정:
– 단순 친환경 제품과 혼동
– AI 적용이 아닌 수동적 절감 사례 포함 시 오답

ㅇ 시험 대비 “패턴 보기” 예시:
O: “데이터센터 냉각 효율을 AI로 최적화하여 전력 사용량을 15% 절감했다.”
X: “태양광 패널 설치로 전력 사용량을 절감했다.” (AI 적용 아님)

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

1. Energy Optimization AI

ㅇ 정의:
AI 기반 분석과 제어를 통해 에너지 소비를 실시간 최적화하는 기술.

ㅇ 특징:
– 센서 데이터 수집 및 예측 모델 활용
– 피크 전력 수요 관리, 부하 분산 기능 포함
– 산업 설비, 스마트 빌딩, 데이터센터 적용

ㅇ 적합한 경우:
– 전력 비용 절감 필요 기업
– 전력 피크 시간대 관리 필수 산업

ㅇ 시험 함정:
– 단순 절전 모드 기능과 혼동
– AI 예측·제어 요소가 없는 경우 오답

ㅇ 시험 대비 “패턴 보기” 예시:
O: “AI가 실시간 전력 수요를 예측해 냉난방 부하를 조정했다.”
X: “정해진 시간에 조명을 끄는 타이머를 설치했다.” (AI 아님)

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

2. Green LLM

ㅇ 정의:
대규모 언어모델(LLM)의 학습·추론 과정에서 에너지 효율과 탄소 배출 저감을 고려한 모델 설계·운영 기법.

ㅇ 특징:
– 경량화, 파라미터 효율화, 저전력 하드웨어 활용
– 재생에너지 기반 데이터센터 사용
– 학습 데이터·연산량 최적화

ㅇ 적합한 경우:
– 클라우드 비용과 환경 영향을 동시에 줄이고자 하는 AI 서비스
– ESG 보고서에 AI 탄소 저감 성과 포함 필요 기업

ㅇ 시험 함정:
– 단순한 소형 모델과 혼동
– 성능 저하를 무조건 감수하는 것으로 오해

ㅇ 시험 대비 “패턴 보기” 예시:
O: “모델 양자화를 적용해 LLM 추론 시 전력 소모를 40% 줄였다.”
X: “LLM을 GPU가 아닌 CPU에서 실행했다.” (효율 저하 가능성 큼)

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

3. Carbon Footprint Estimation

ㅇ 정의:
AI 시스템 개발·운영 전 과정에서 발생하는 온실가스 배출량을 정량적으로 산정하는 기술.

ㅇ 특징:
– 전력 소비량, 하드웨어 제조·폐기, 네트워크 사용 포함
– 표준화된 배출계수와 계산식 활용
– ESG 보고, 규제 대응에 필수

ㅇ 적합한 경우:
– AI 프로젝트 환경 영향 보고 필요
– 탄소중립 목표 달성 모니터링

ㅇ 시험 함정:
– 탄소배출량 추정과 에너지 최적화를 혼동
– 단순 전력 사용량만 계산하는 경우 오답

ㅇ 시험 대비 “패턴 보기” 예시:
O: “모델 학습 시 사용한 전력량과 전력원별 배출계수를 곱해 탄소배출량을 산정했다.”
X: “전력 요금을 기준으로 탄소배출량을 계산했다.” (요금≠배출량)

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

4. Low Power AI

ㅇ 정의:
제한된 전력 환경에서도 동작 가능한 AI 모델과 하드웨어 설계 기술.

ㅇ 특징:
– 모델 압축, 연산 최적화, 저전력 칩셋 사용
– 모바일, IoT, 엣지 디바이스 적용
– 배터리 수명 연장 효과

ㅇ 적합한 경우:
– 전력 인프라가 제한된 현장
– 장시간 배터리 구동이 필요한 AI 디바이스

ㅇ 시험 함정:
– 단순한 저성능 모델과 혼동
– 성능과 전력효율의 균형 고려 필요

ㅇ 시험 대비 “패턴 보기” 예시:
O: “경량화된 CNN 모델을 ARM 기반 칩에서 실행해 배터리 사용 시간을 2배로 늘렸다.”
X: “AI 기능을 제거해 전력 사용량을 줄였다.” (AI 기술 아님)

ㅁ 추가 학습 내용

정리

1) Energy Optimization AI
– Reinforcement Learning 기반 에너지 제어 사례 학습
– 수요반응(Demand Response) 프로그램의 개념과 운영 원리
– RL 제어와 수요반응 연계 구조 이해

2) Green LLM
– 지식 증류(Knowledge Distillation)의 원리와 모델 경량화 효과
– 프루닝(Pruning)의 방법과 성능·효율 변화
– 양자화(Quantization)의 방식과 연산·메모리 절감 효과
– 각 기법의 차이점과 적용 시 고려사항

3) Carbon Footprint Estimation
– GHG Protocol과 ISO 14064 국제 표준의 목적과 구조
– Scope 1, Scope 2, Scope 3 배출의 정의와 구분 기준
– 배출량 산정 방법 개요

4) Low Power AI
– TinyML 개념과 특징
– TinyML과 엣지 컴퓨팅의 차이점
– NPU, TPU 등 하드웨어 가속기의 저전력 설계 특징

5) ESG 경영 보고서 KPI
– 각 기술 영역별 ESG KPI 지표 예시
– KPI 측정 방법과 데이터 수집 방식
– KPI를 보고서에 반영하는 절차

시험 대비 체크리스트

[ ] RL 기반 에너지 제어 사례를 구체적으로 설명할 수 있는가
[ ] 수요반응 프로그램의 목적과 운영 원리를 설명할 수 있는가
[ ] RL 제어와 수요반응의 연계 구조를 그림이나 흐름으로 표현할 수 있는가
[ ] 지식 증류, 프루닝, 양자화의 정의와 차이를 명확히 구분할 수 있는가
[ ] 각 모델 경량화 기법의 장단점과 적용 효과를 설명할 수 있는가
[ ] GHG Protocol과 ISO 14064의 차이와 공통점을 알고 있는가
[ ] Scope 1, 2, 3 배출의 정의와 예시를 제시할 수 있는가
[ ] TinyML의 개념과 엣지 컴퓨팅과의 차이를 설명할 수 있는가
[ ] NPU, TPU의 저전력 설계 특징을 이해하고 있는가
[ ] ESG 경영 보고서 작성 시 필요한 KPI 지표를 나열하고 측정 방법을 설명할 수 있는가