[월:] 2025년 09월

ㅁ 기술/아키텍처 1. Frugal AI ㅇ 정의: 제한된 연산 자원(메모리, CPU, 배터리 등) 환경에서 효율적으로 동작하도록 설계된 AI 기법. 주로 온디바이스 환경(모바일, IoT, 엣지 디바이스)에서 모델 경량화와 최적화를 통해 성능을 유지하면서 자원 소모를 최소화한다. ㅇ 특징: – 모델 파라미터 수 감소, 양자화(Quantization), 가지치기(Pruning) 등 경량화 기법 활용 – 네트워크 연결이 불안정하거나 없는 환경에서도 동작 가능

ㅁ 기술/아키텍처 ㅇ 정의: 엣지 디바이스(스마트폰, IoT 센서, 게이트웨이 등)에서 데이터를 수집 즉시 필터링, 변환, 압축, 이상치 제거 등의 전처리를 수행하는 기술. 클라우드 전송 전 데이터 품질을 높이고 전송량을 줄이기 위한 목적. ㅇ 특징: – 네트워크 대역폭 절감 및 전송 지연 최소화 – 실시간 분석 가능성 향상 – 개인정보 보호 강화(민감 데이터 로컬 처리) –

ㅁ 기술/아키텍처 1. MobileNet ㅇ 정의: 모바일 및 임베디드 기기에서 경량화된 딥러닝 모델을 구현하기 위해 개발된 CNN(합성곱 신경망) 아키텍처로, 연산 효율성을 높이기 위해 Depthwise Separable Convolution을 활용함. ㅇ 특징: – 모델 크기와 연산량을 줄여 저전력 환경에서도 실시간 추론 가능 – 하이퍼파라미터 α(Width Multiplier), ρ(Resolution Multiplier)를 통해 모델 크기와 속도를 조절 가능 – ImageNet 등 대규모

ㅁ 기술/아키텍처 ㅇ 정의: 온디바이스 AI는 클라우드 서버가 아닌 사용자의 디바이스(스마트폰, IoT 기기, 엣지 디바이스 등)에서 AI 모델을 직접 실행하여 데이터 처리와 추론을 수행하는 기술. ㅇ 특징: – 네트워크 연결이 불안정하거나 없는 환경에서도 동작 가능 – 개인정보 보호 강화(데이터를 서버로 전송하지 않음) – 지연 시간(latency) 감소 및 실시간 처리 가능 – 디바이스 성능 및 배터리

ㅁ 주요 과제 1. Explainability Audit ㅇ 정의: AI 모델이 내린 의사결정 과정을 사람이 이해할 수 있도록 설명 가능성을 점검하고 검증하는 절차. 주로 모델의 투명성, 해석 가능성, 설명의 일관성을 평가함. ㅇ 특징: – 모델 출력에 대한 근거를 명확히 제시하도록 요구함. – 규제 준수(예: EU AI Act, GDPR)와 신뢰 확보에 필수적. – 데이터 전처리, 모델 구조,

ㅁ 주요 과제 ㅇ 정의: AI 투명성은 인공지능 시스템의 의사결정 과정, 데이터 사용 방식, 알고리즘 구조 등을 이해 가능하게 공개하여 사용자가 결과를 신뢰할 수 있도록 하는 원칙과 실천을 의미함. ㅇ 특징: – 모델의 입력, 처리, 출력 과정을 설명 가능하게 함(Explainability) – 데이터 출처와 전처리 과정을 명확히 공개 – 알고리즘의 동작 원리를 비전문가도 이해할 수 있도록

ㅁ 융합/응용 ㅇ 정의: 인공신경망(Neural Network)의 학습·패턴인식 능력과 기호논리(Symbolic Logic)의 추론·지식표현 능력을 결합한 AI 접근 방식. ㅇ 특징: – 데이터 기반 추론과 규칙 기반 추론을 모두 활용 가능. – 불완전하거나 노이즈가 있는 데이터에서도 논리적 일관성을 유지. – 설명 가능성(Explainability)이 높아 의사결정 근거를 제시 가능. – 복잡한 문제를 하위 모듈로 나누어 처리하는 모듈화 구조. ㅇ 적합한

ㅁ 융합/응용 ㅇ 정의: – Knowledge Graph(KG)와 Neural Network(NN)를 결합하여, 구조화된 지식 표현과 비정형 데이터 학습 능력을 동시에 활용하는 접근 방식. ㅇ 특징: – KG는 엔티티와 관계를 그래프 형태로 표현하여 추론 가능. – NN은 이미지, 음성, 자연어 등 비정형 데이터 패턴 인식에 강점. – 결합 시 NN이 추출한 특징을 KG의 노드/관계로 매핑하거나, KG에서 추론한 결과를

ㅁ 구성/활용법 ㅇ 정의: 여러 개의 AI 에이전트가 협력하여 특정 목표를 달성하도록 작업을 분배·조율하는 관리 방식. 각 에이전트의 역할, 순서, 데이터 흐름을 설계하고 실행 계획을 통합 관리함. ㅇ 특징: – 단일 에이전트보다 복잡한 작업 처리 가능 – 워크플로우 기반 또는 이벤트 기반으로 실행 – 의사결정 로직과 통신 프로토콜이 중요 – 중앙집중형(코디네이터) 또는 분산형 구조 가능

ㅁ 경량화 ㅇ 정의: 모델 학습 과정에서 양자화를 고려하여 가중치와 활성값을 정밀도 낮은 형식(예: int8)으로 변환하는 기법으로, 추론 시 메모리와 연산 효율을 높인다. ㅇ 특징: – 학습 중에 양자화 오차를 반영하여 파라미터를 조정하므로 추론 시 정확도 손실을 최소화할 수 있다. – 실제 하드웨어에서 정수 연산을 활용해 속도와 전력 효율을 높인다. – 일반적인 Post-training Quantization보다 정확도