ㅁ 지속가능성

ㅇ 정의:
AI 기술이 환경에 미치는 영향을 최소화하고 지속 가능한 개발을 지향하는 개념.

ㅇ 특징:
– 에너지 효율성을 강조하며, 자원 소모를 줄이는 방향으로 설계.
– 탄소 배출 감소와 친환경 기술과의 융합을 목표로 함.

ㅇ 적합한 경우:
– 대규모 데이터 처리 및 학습이 필요하지만 에너지 자원이 제한적인 환경.
– 지속 가능성을 중요시하는 기업 및 공공 프로젝트.

ㅇ 시험 함정:
– 지속가능성과 단순한 비용 절감의 차이를 혼동할 수 있음.
– 에너지 효율성만을 강조하며 다른 지속 가능한 요소를 간과할 수 있음.

ㅇ 시험 대비 “패턴 보기” 예시:
– O: 지속가능성은 AI 기술이 환경 영향을 최소화하는 것을 목표로 한다.
– X: 지속가능성은 AI 기술의 성능을 높이는 데만 집중한다.

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

1. Low-power AI

ㅇ 정의:
에너지 소모를 최소화하는 방식으로 설계된 AI 기술 및 알고리즘.

ㅇ 특징:
– 경량화된 모델을 사용하여 계산 자원을 적게 소모.
– 배터리 기반 장치나 에너지 효율성이 중요한 환경에서 사용.

ㅇ 적합한 경우:
– IoT 디바이스와 같이 제한된 전력으로 작동해야 하는 환경.
– 모바일 및 임베디드 시스템에서 AI 활용.

ㅇ 시험 함정:
– Low-power AI가 항상 성능 저하를 의미한다고 오해할 수 있음.
– 단순히 하드웨어적인 효율성만을 고려하여 기술적 차이를 간과.

ㅇ 시험 대비 “패턴 보기” 예시:
– O: Low-power AI는 에너지 소모를 최소화하는 AI 기술이다.
– X: Low-power AI는 고성능 데이터 센터에서만 사용된다.

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

ㅁ 추가 학습 내용

Low-power AI와 관련된 학습 노트 내용 정리:

1. 경량화 모델의 구체적인 사례:
– MobileNet: 모바일 및 임베디드 장치에서 사용 가능한 경량화된 딥러닝 모델로, 효율적인 연산을 위해 깊이별 분리 합성곱(depthwise separable convolution)을 활용.
– TinyML: 초소형 장치에서 머신러닝을 실행하기 위한 기술로, 저전력 환경에서도 실시간 데이터 처리가 가능하도록 설계됨.

2. 에너지 효율성을 높이는 알고리즘:
– 양자화(Quantization): 모델의 가중치와 활성화를 32비트에서 8비트 또는 더 낮은 정밀도로 변환하여 계산량과 메모리 사용량을 줄이는 방법.
– 프루닝(Pruning): 중요도가 낮은 뉴런이나 가중치를 제거하여 모델의 크기를 줄이고 연산 효율성을 향상시키는 기법.

3. 지속가능성과 관련된 법적 규제 및 글로벌 표준:
– 탄소 중립 목표: 기업 및 국가가 온실가스 배출량을 줄이고 이를 상쇄하여 순 배출량을 0으로 만드는 목표. AI 기술의 에너지 소비를 줄이는 것이 이러한 목표에 기여함.
– ESG 기준: 환경(Environment), 사회(Social), 지배구조(Governance) 측면에서 기업의 지속가능성을 평가하는 기준. AI 개발 및 운영에서 에너지 효율성과 책임 있는 자원 사용이 중요하게 고려됨.