ㅁ 지속가능성

ㅇ 정의:
AI 기술 개발과 운영 과정에서 에너지 효율성과 환경 영향을 최소화하여 지속 가능한 발전을 추구하는 접근 방식.

ㅇ 특징:
– 전력 소비 절감 및 탄소 배출 저감
– 재생 에너지 사용 장려
– 모델 경량화 및 효율적 학습 기법 활용

ㅇ 적합한 경우:
– 대규모 AI 모델 운영 시 전력 비용과 환경 영향을 고려해야 하는 경우
– ESG 경영 목표와 연계된 AI 프로젝트

ㅇ 시험 함정:
– 단순히 AI를 사용하는 것이 친환경 AI가 아님
– 지속가능성은 성능 저하를 감수해야만 달성되는 것이 아님

ㅇ 시험 대비 “패턴 보기” 예시:
O: AI 모델 학습 시 재생에너지 기반 데이터센터를 활용하는 것은 지속가능성 전략에 해당한다.
X: 지속가능성을 위해서는 반드시 모델 정확도를 낮춰야 한다.

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

1. Green AI

ㅇ 정의:
모델 개발과 운영에서 에너지 효율과 환경 영향을 고려하여 AI를 설계하고 사용하는 개념.

ㅇ 특징:
– 필요 이상의 연산을 줄이고 효율적인 알고리즘 채택
– 환경 영향 지표(탄소 배출량 등) 측정 및 공개

ㅇ 적합한 경우:
– 연구 및 산업 현장에서 AI의 환경 발자국을 줄이려는 경우

ㅇ 시험 함정:
– Green AI는 단순히 저성능 모델을 의미하지 않음

ㅇ 시험 대비 “패턴 보기” 예시:
O: Green AI는 모델 학습 시 에너지 소비를 줄이는 것을 목표로 한다.
X: Green AI는 AI 모델의 정확도를 반드시 낮춘다.

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

2. Energy-Efficient Training

ㅇ 정의:
AI 모델 학습 과정에서 하드웨어 및 알고리즘 최적화를 통해 에너지 소비를 최소화하는 방법.

ㅇ 특징:
– Mixed Precision Training, Batch Size 최적화, 체크포인트 저장 최소화 등
– GPU/TPU 자원 효율적 사용

ㅇ 적합한 경우:
– 대규모 데이터셋 학습 시 전력 비용 절감 필요

ㅇ 시험 함정:
– 에너지 효율적 학습이 항상 학습 속도를 늦추는 것은 아님

ㅇ 시험 대비 “패턴 보기” 예시:
O: Mixed Precision Training은 Energy-Efficient Training 기법 중 하나다.
X: Energy-Efficient Training은 반드시 모델 크기를 줄여야 한다.

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

3. Carbon-Aware AI

ㅇ 정의:
AI 운영 시 전력 사용의 탄소 배출량을 고려하여 실행 시점과 위치를 최적화하는 접근.

ㅇ 특징:
– 전력망의 탄소 집약도 데이터 활용
– 저탄소 시간대 또는 지역에서 연산 실행

ㅇ 적합한 경우:
– 클라우드 기반 AI 서비스에서 탄소 배출 저감 목표 달성

ㅇ 시험 함정:
– Carbon-Aware AI는 단순히 재생에너지를 사용하는 것과 동일하지 않음

ㅇ 시험 대비 “패턴 보기” 예시:
O: Carbon-Aware AI는 전력망의 탄소 집약도를 고려하여 작업을 스케줄링한다.
X: Carbon-Aware AI는 데이터센터의 위치와 무관하다.

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

4. Low-power AI

ㅇ 정의:
저전력 환경(모바일, IoT, 엣지 디바이스 등)에서 효율적으로 동작하도록 설계된 AI.

ㅇ 특징:
– 모델 경량화(프루닝, 양자화 등)
– 전력 소모 최소화 하드웨어 설계

ㅇ 적합한 경우:
– 배터리 기반 장치에서 AI 기능 제공

ㅇ 시험 함정:
– Low-power AI는 반드시 성능이 낮은 AI를 의미하지 않음

ㅇ 시험 대비 “패턴 보기” 예시:
O: 양자화는 Low-power AI 구현을 위한 대표적인 기법이다.
X: Low-power AI는 서버 환경에서만 사용된다.

ㅁ 추가 학습 내용

정리 내용

1. Green AI vs Energy-Efficient AI
– Green AI: AI 개발, 배포, 운영 전 과정에서의 환경 영향을 최소화하는 개념. 데이터 수집, 모델 학습, 추론, 폐기까지 포함한 라이프사이클 전반 고려.
– Energy-Efficient AI: 주로 모델 학습 과정에서의 에너지 효율을 높이는 데 집중. 계산 자원 사용 최적화, 학습 시간 단축, 전력 소모 절감에 초점.

2. 지속가능성 평가 지표
– FLOPs(Floating Point Operations): 연산량 측정 지표.
– 전력 소비량(kWh): 실제 소모된 전력량.
– 탄소 배출량(gCO2eq): 전력 사용에 따른 온실가스 배출량.

3. 탄소 집약도(Carbon Intensity) 데이터 출처
– 전력망 운영기관에서 제공하는 지역별 전력 탄소 집약도 데이터.
– 글로벌 탄소 모니터링 서비스(예: 전 세계 전력망 탄소 배출 추적 플랫폼).

4. Low-power AI 주요 기술
– 모델 압축: 파라미터 수 축소, 경량화 네트워크 구조.
– 지연 허용 범위 내 연산 최적화: 실시간성 요구에 맞춘 효율적 연산.
– 전력 예산 기반 스케줄링: 제한된 전력 내에서 최적 성능을 내도록 작업 스케줄 조정.

5. 시험 출제 함정
– ‘친환경 AI’를 단순히 ‘모델 크기 축소’로 오해하게 하는 문제 가능성 높음.
– 에너지 효율화(Energy Efficiency)와 환경 영향 최소화(Environmental Impact Reduction)는 동일하지 않음. 예를 들어, 에너지는 적게 쓰지만 재생 불가능한 자원을 많이 쓸 수 있음.

6. ESG 경영과의 연계
– 기업이 AI 도입 시 환경(Environment), 사회(Social), 지배구조(Governance) 측면의 지속가능성 목표와 연결.
– 사례: AI 기반 에너지 관리 시스템, 탄소 배출 모니터링 솔루션, 친환경 물류 최적화.

시험 대비 체크리스트

– Green AI와 Energy-Efficient AI 정의와 차이 명확히 구분할 수 있는가?
– 지속가능성 평가 지표(FLOPs, kWh, gCO2eq)의 의미와 측정 방법을 알고 있는가?
– 탄소 집약도 데이터의 주요 출처를 기억하고 있는가?
– Low-power AI 기술 3가지를 예시와 함께 설명할 수 있는가?
– 친환경 AI를 단순히 모델 경량화로 보는 오해를 피할 수 있는가?
– 에너지 효율화와 환경 영향 최소화의 차이를 사례로 설명할 수 있는가?
– ESG 경영과 AI의 연계 사례를 2개 이상 제시할 수 있는가?