ㅁ 하드웨어/응용

ㅇ 정의:
– 지능형 엣지는 데이터 처리를 클라우드가 아닌 네트워크의 말단(엣지)에서 수행하며, AI 모델을 내장하여 실시간 분석과 의사결정을 가능하게 하는 장치나 시스템을 의미함.

ㅇ 특징:
– 저지연(밀리초 단위) 응답 가능
– 네트워크 불안정 시에도 독립적 동작 가능
– 데이터 전송량 감소로 네트워크 비용 절감
– 센서, 카메라, IoT 디바이스와 직접 연동
– 전력 및 연산 자원 제약 환경에 맞춘 경량화 모델 사용

ㅇ 적합한 경우:
– 자율주행차, 스마트 팩토리, 원격 의료, 보안 감시 등 실시간성이 중요한 환경
– 개인 정보 보호를 위해 로컬에서 데이터 처리 필요 시
– 네트워크 대역폭이 제한된 현장

ㅇ 시험 함정:
– 엣지 AI와 클라우드 AI를 혼동하는 경우 많음 (데이터 처리 위치 차이 강조)
– 지능형 엣지가 반드시 인터넷 연결이 필요한 것으로 오해
– 엣지에서 모든 연산이 가능한 것은 아님(복잡 연산은 여전히 클라우드 필요)

ㅇ 시험 대비 “패턴 보기” 예시:
– O: “지능형 엣지는 데이터 분석을 데이터 발생 지점에서 수행하여 지연을 줄인다.”
– X: “지능형 엣지는 반드시 클라우드와 실시간 연결되어야 한다.”

ㅁ 추가 학습 내용

지능형 엣지 시험 대비 추가 학습 정리

1. AI 모델 경량화 기법
– 양자화: 모델 파라미터를 저정밀도로 변환하여 연산량과 메모리 사용량 감소
– 프루닝(Pruning): 중요도가 낮은 뉴런이나 연결을 제거하여 모델 크기 축소
– 지연 로딩(Lazy Loading): 필요한 시점에만 모델이나 데이터 로드하여 자원 효율성 향상

2. 엣지 디바이스 전력 관리 및 발열 제어
– 저전력 모드 활용, 동적 전압·주파수 조절(DVFS)
– 발열 분산 설계, 방열판·팬·히트파이프 등 냉각 기술 적용

3. 네트워크 토폴로지에서의 역할 구분
– 엣지(Edge): 데이터 발생 지점 근처에서 실시간 처리
– 포그(Fog): 엣지와 클라우드 사이의 중간 처리 계층, 지연 감소 및 데이터 전처리
– 클라우드(Cloud): 대규모 저장, 복잡한 분석, 장기 학습 수행

4. 엣지 AI 칩셋 특성과 선택 기준
– NPU: AI 연산에 특화된 전용 프로세서, 고효율·저전력
– TPU: 구글이 개발한 텐서 연산 최적화 칩, 대규모 행렬 연산에 강점
– GPU: 병렬 연산 성능 우수, 범용성 높음
– 선택 기준: 연산 성능, 전력 소모, 발열, 비용, 개발 생태계

5. 보안 측면의 온디바이스 암호화/인증 기법
– 하드웨어 기반 보안 모듈(TPM, Secure Enclave)
– 데이터 전송 전 암호화, 디바이스 간 상호 인증
– 키 관리 및 무결성 검증 절차

6. 엣지 AI의 장점과 한계
– 장점: 지연 시간 단축, 네트워크 부하 감소, 개인정보 보호 강화
– 한계: 모델 업데이트 어려움, 하드웨어 자원 제약, 데이터 동기화 문제