지능형 사물인터넷(AIoT)을 위한 소형 AI 모델 개발 방법론

아래의 내용은 대전대학교 백성복 교수님의 수업을 바탕으로 제작하였습니다.

IoT 기술 동향: 다양한 유형의 디바이스 및 기술 융합

우크라이나의 저가형 방공시스템: 음향 센서를 이용한 러시아군 드론/미사일 탐지

 

전장 센서 네트워크의 시작: 단순 탐지 시스템

• 탱크가 생성하는 특정 강도 이상의 진동만 감지하는 단순 센서 시스템

 

AI 내장 센서로 진화: 상황 판단형 센서 네트워크

•AI 모델이 탑재된 센서: 진동의 패턴을 분석하여 분류 판단

•다양한 상황: 병사, 동물, 지진, 차량 등 감별 가능

AIoT: 지능형 사물인터넷의 개념

• AIoT = AI(인공지능) + IoT(사물인터넷)
• 단순 연결을 넘어 스스로 학습하고 성장하는 시스템 지향
• 차별화된 고객 가치 제공으로 가전 시장의 경쟁력 확보
• 사람 중심(People-Oriented IoT)의 지능형 융합기술

 

AIoT 확산에 따른 분야별 기술 적용 동향

가전제품 : IoT에서 AIoT로의 진화

• 기존 사물인터넷 기반 가전은 원격 제어 또는 상태 모니터링 기능에 한정
• 인공지능 기술이 결합된 AIoT 제품은 스스로 학습하고 사용자 행동을 분석하여 더 똑똑하고 자동화된 동작 수행

 

헬스케어 분야 : AIoT 기반 개인 맞춤형 건강 관리

• 기존 헬스케어 IoT는 환자의 상태를 센서를 통해 실시간 모니터링
• AIoT 기술을 활용하면 수집된 데이터를 바탕으로 실시간 건강 분석 및 이상 징후 예측 가능
• 이를 통해 개인별 맞춤형 건강 관리 및 질병 예방 서비스 실현

 

스마트 농업 분야 : 데이터 기반 농업 혁신

• IoT 기반 농업은 토양, 환경, 정보를 수집하여 작물 생육을 지원
• AIoT 적용 시, 수집 데이터에 기반한 정확한 분석 및 자동 제어 기술을 활용하여 생산성 향상
• 병해충 감지, 최적의 영농 계획 수립 등 스마트한 농업관리

-> AIoT는 기존 IoT를 넘어 데이터 분석, 학습 기반의 지능형 서비스 제공

     주요 분야에서 AIoT확산으로 효율성, 정확성, 맞춤형 서비스가 핵심 가치로 부상 

공장 자동화를 위한 AIoT 필요성

• 산업 현장의 기계는 고장이 발생하면 큰 비용과 사고를 유발
• 예방 정비를 위한 상태 모니터링이 필수
• 센서를 통한 진동 데이터 수집이 주요 수단으로 활용됨
• AI 기반 이상 탐지를 통해 고장 징후를 초기에 포착 가능

베어링에 장착된 가속도 센서 구성

• 베어링 부위는 기계 고장의 주요 원인이 되는 영역
• 각 기계의 베어링에 가속도 센서를 장착하여 진동 측정
• 고속 샘플링이 가능한 세서를 사용해야 미세한 이상 감지 가능
• 다양한 위치에서 수집된 다채널 데이터를 분석에 활용함

센서를 통해 수집한 진동 신호

• 3축 가속도 센서로부터 실시간 진동 데이터를 수집
• 각 축은 기계의 움직임 특성을 다르게 표현
• 시간에 따른 진폭 변화는 상태 변화의 힌트 제공
• 데이터 전처리 및 특징 추출이 이후 분석의 핵심

클라우드 전송의 한계와 비용 이슈

• 고해상도 센서 데이터는 전송량이 매우 큼
• 다채널, 고주파 샘플링 시 통신 비용 및 처리 부하가 큼
• 클라우드 기반 분석은 비용 효율성과 실시간성에 한계 있음
• 디바이스에서 데이터 처리가 필요햔 이유가 명확해짐

센서 근처에 AI를 배치해야 하는 이유

• 온 디바이스에서 실시간 분석으로 전송량 최소화
• 이상 여부를 현장에서 판단해 불필요햔 데이터 생략
• 모델 경량화 기술로 마이크로 컨트롤러에서도 AI 적용 가능
• 클라우드 없이도 독립적 판단 가능한 스마트 센서 시스템

센서 데이터를 활용한 이상 탐지 흐름

• 진동 데이터는 수집 후 전처리를 거쳐 특징 추출됨
• 특징 벡터는 경량 신경망 모델로 입력됨
• 출력은 정상/이상 여부를 실시간으로 판단함
• 전체 프로세스는 디바이스에서 자동으로 이루어짐

 

소형화된 AI 모델의 필요성

공장 자동화의 실시간 대응

• 산업 현장에서 기계 고장 또는 이상 징후 발생 시즉각적인 조치 필요
• 모든 데이터를 클라우드(Cloud) 서버로 전송 후 처리하면 시간 지연 발생
• 현장에서 바로 인공지능(AI) 모델을 통해 이상을 감지 대응해야 생산 중단 최소화 가능

비용 절감 효과

• 모든 센서 데이터를 클라우드로 전송하면 네트워크·서버 비용 증가
• 소형화된 시 모델을 현장 단말에 탑재하면 데이터의 대부분을 로컬에서 실시간 처리 가능
• 필요한 일부 핵심 데이터만 클라우드로 전송하여 비용 절감 실현 

전력 사용량 최소화

• 소형 A 모델은 연산량이 적어 배터리 소모와 전력 사용량을 획기적으로 절감
• 특히 무선 통신 기반의 소형 디바이스 또는 사물인터넷 환경에 적합

소형 AI 모델 사례 : 스마트폰 웨이크워드

웨이크워드란?

• 사용자가 스마트폰을 깨우거나 음성 비서를 호출하기 위해 사용하는 특정 키워드
• 대표 예시로는 "하이 빅스비", "오케이 구글", "시리야" 등이 있음

웨이크워드는 항상 대기 상태로 실시간 감지해야 하므로, 저젼력, 경량화된 AI 모델이 필수

클라우드 서버로 전송하지 않고, 스마트폰 내부에서 즉시 처리해야 빠르고 안정적인 동작 가능

 

소형화된 음성 인식 모델을 스마트폰 내에 탑재하여 초저전력 기반으로 연속 청취 기능 제공

데이터가 외부로 전송되지 않아 개인 프라이버시 보호 가능

 

아이폰 Wake-word DSP

아이폰 내 웨이크워드 처리 구조

• 일반적인 고성능 중앙처리장치를 항상 대기 상태로 유지하면 전력 소모가 매우 크기 때문에 
• 별도의 디지털 신호 처리장치(DSP)를 활용
• DSP는 저전력으로 소형 음성 인식 모델을 구동하여 웨이크워드를 실시간으로 감지

 

DSP의 메모리 요구사항

• 웨이크워드 전용 DSP는 극히 제한적인 메모리 용량을 가짐
• 현재 아이폰의 경우 약 1MB수준의 메모리 내에서 전체 음성 인식 모델과 시스템 구동 필요
• 이로 인해 소형화된 초경량 AI모델이 필수적으로 요구됨

갤럭시 Wake-word DSP

메모리 크기 및 동작 구조

• 내장 SRAM 약 612KB에서 2MB 수준
• 매우 제한된 메모리 환경에 최적화된 음성 프로세싱 알고리즘 및 웨이크워드 인식 알고리즘 실행
• RAM 내부에서 대부분의 철가 이루어지며, 외부 메모리 접근 없이 동작

Wake-word and keyword spotting

IoT 기기 유형별 제약: Wireless vs Wired

설계 시 고려 요소 

전력 소비량, 연산 능력 및 메모리, 통신 대역폭 -> AIoT 시스템 설계는 제한된 전력, 연산, 통신 자원을 전제로 최적화 추구

TinyML vs EdgeML 하드웨어 및 모델 크기

TinyML은 초저전력, 저비용 임베디드용 EdgeML은 중~대형 디바이스용

 

다음 글에서 계속 이어가겠습니다.