“엣지 AI”는 엣지 컴퓨팅의 주요 목적 중 하나입니다.이 엣지 AI는 IoT 실현에 있어 매우 중요한 핵심 기술 중 하나로 그 보급이 확대되고 있습니다.여기서는 엣지 AI가 무엇인지, 클라우드 AI와 다른 점은 무엇인지, 엣지 AI가 주목받는 이유, 엣지 AI의 구체적인 사례를 소개합니다.
엣지 AI란?
엣지 AI는 엣지 서버에 인공 지능을 탑재하는 것입니다.엣지 컴퓨팅의 장점인 속도의 장점과 인공지능의 장점을 조화시키기 위한 기술이라고 할 수 있습니다.
인공지능의 장점은 한 번 학습하면 표준화할 수 없는 작업을 자동으로 수행할 수 있다는 것입니다.즉, 일반 컴퓨터 (폰 노이만 컴퓨터) 에서는 할 수 없는 처리를 가능하게 합니다.표준화할 수 없는 이런 작업은 지금까지 인류가 해왔던 작업의 특징이라고 할 수 있다.예전에는 전문가 시스템 등 몇 가지 유형의 인공지능이 존재했지만 최근에는 신경망 (심층 학습) 을 이용한 약 14~20개 계층의 딥러닝 형태가 대부분입니다.
일반적인 작업을 인공지능으로 만듦으로써 숙련된 엔지니어의 부족을 보완할 수 있을 것으로 판단됩니다.다른 관점에서 보면 숙련된 엔지니어의 판단과 경험이 인공지능에 넘어간다고 할 수 있습니다.구체적인 예로는 장비 고장과 부품 교체 시기를 미리 예측하는 “예측 유지보수”, 제품을 검사하는 “이미지 처리” 등이 있습니다.
숙련된 기술자들은 오랜 경험을 통해 “학습”을 진행했으며 경험을 통해 길러진 직관을 바탕으로 제품의 양질, 불량, 부품 교체 시기 등을 판단했습니다.스마트 팩토리와 IoT의 궁극적인 목표 중 하나는 이러한 경험과 판단을 인공지능에 이전하여 검사 및 유지보수의 품질을 저하시키지 않으면서 노동력을 절감하는 것이라고 할 수 있습니다.
엣지 AI와 클라우드 AI의 차이점
반면 클라우드 AI는 클라우드 서버에 인공 지능을 탑재하는 것입니다.클라우드 AI는 항상 네트워크를 통해 엣지 서버와 클라우드 서버 간에 통신이 이뤄지기 때문에 처리 속도가 느리다는 단점이 있다.
반면 AI를 엣지 서버에 올리면 엣지 서버에서만 처리가 완료되고 분석 결과와 예측 결과를 클라우드 서버로 보내기만 하면 됩니다.이 때문에 프로세스마다 통신이 필요한 클라우드 AI보다 처리 속도가 빠르다는 장점이 있다.
반면 엄청난 양의 정보를 처리할 수 있는 클라우드 AI는 학습 작업이 수월하고 새로운 이벤트가 발생할 때 다루기가 더 쉬울 것입니다.즉, 클라우드 AI는 더 유연합니다.또한 엣지 서버의 리소스가 제한되어 있고 엣지 AI의 인공 지능의 크기 (신경망의 규모) 도 제한적이라는 점에 유의해야 합니다.
이상에서 보면 기본적으로 엣지 AI와 클라우드 AI를 모두 준비해서 클라우드 AI로 학습을 수행하고 그 학습 결과를 엣지 AI로 보내는 것이 가장 좋은 시스템 구성이라고 할 수 있습니다.구체적으로 말하자면 클라우드 AI는 방대한 양의 정보를 이용해 먼저 학습하고, 학습이 어느 정도 진행되면 학습 결과를 엣지 AI로 전송한다.그리고 학습 결과를 얻은 엣지 AI가 실제 처리를 수행합니다.그러면 Edge AI가 불량이라고 판단한 분석 결과를 Cloud AI로 전송하고, Cloud AI로 다시 학습하는 데 활용하고, 학습 결과를 Edge AI로 반환합니다.이러한 일련의 과정을 반복함으로써 제품을 검사할 때 불량품의 검출률을 높일 수 있습니다.
엣지 AI가 주목받는 이유
엣지 AI 도입으로 “현장에서의 발견 및 현장에서의 분석”이 빠른 속도로 가능해진다.즉, 이상 발생/탐지/분석/알림을 클라우드 AI에 비해 지연 없이 빠른 속도로 수행할 수 있습니다.엣지 AI가 주목받는 가장 큰 이유다.이는 자동차 (자율 주행) 및 생산 시스템과 같이 밀리초 단위의 처리가 필요한 분야에서 특히 효과적인 기술입니다.
자율 주행 분야에서는 숙련된 운전자의 판단과 경험을 생산 시스템 분야의 숙련된 엔지니어의 판단과 경험, 그리고 Edge AI에 이전하는 것을 생각할 수 있습니다.또한 엣지 AI는 생산 장비에 문제가 발생해 비상 정지가 이뤄졌을 때 처리 속도 측면에서 유리할 것이다.두 분야 모두 전문가가 부족하며 엣지 AI는 문제 해결의 효과적인 수단으로 여겨지고 있습니다.
엣지 AI의 구체적인 예
그렇다면 엣지 AI를 사용하는 구체적인 예는 무엇일까요?
품질 검사를 예로 들자면, 과거에 사람에 의한 검사에서는 “제품의 육안 검사” -> “시각적으로 시각화된 이미지의 판단” -> “양/불량 판단”의 흐름을 취하는 것이 일반적이었습니다.이 “판단”→ “합격/불합격 판정” 부분에서는 숙련된 기술자가 “뇌”를 사용하여 판단을 내립니다.반면 최근 자동 검사 기술을 이용한 품질 검사에서는 “카메라로 제품 촬영”-> “촬영 이미지 판단”-> “양/불량 판단”의 흐름을 취합니다.그러면 “촬영한 이미지의 판단” → “양/불량 판단” 부분에서 숙련된 기술자의 “두뇌” 대신 인공 지능을 사용하는 것을 생각할 수 있습니다.
클라우드 서버 또는 엣지 서버에 인공 지능을 적용할지 여부는 검사에 처리 속도가 필요한지 여부를 기반으로 결정해야 합니다.예를 들어 대량 생산으로 각 제품의 품질 검사를 위한 시간이 충분하지 않은 경우 Edge AI가 적합할 수 있습니다.반면에 품질 검사에 시간이 걸리고 노동력을 절약하고 싶다면 엣지 AI 대신 클라우드 AI로 충분합니다.
다음으로 장애 예측 (예측 유지 관리) 에 대해 살펴보겠습니다.여기서 숙련된 기술자는 예를 들어 “장치의 소리 또는 진동 느낌”→ “변경 사항 파악”→ “이전 고장 이후 시간 고려” → “판단”의 흐름에서 고장 징후를 유추합니다.하고 있다고 생각됩니다.따라서 기기에 설치된 센서가 소리와 진동의 변화를 포착하고 타이머에서 오는 시간 등을 고려하여 인공지능을 이용해 종합적으로 판단한다면 이론적으로 인공지능으로 대체가 가능하다.(실제로는 “학습”의 문제와 여러 가지 작은 문제가 있습니다.이러한 문제를 해결하는 것은 생산 엔지니어링 부서의 기술을 보여주는 쇼케이스라고 할 수 있습니다.)
이러한 경우 장애 예측부터 경보 발령까지 걸리는 시간이 최대한 짧으면 후속 대응 계획 (이를 “유지 관리 계획”이라고 함) 을 세우는 것이 더 쉽습니다.따라서 속도 측면에서 유리한 엣지 AI를 도입하여 유지보수 계획을 세울 시간을 벌 수 있을 것이다.
또한 인공 지능을 도입하려면 “학습”이 필요하지만 이러한 “학습”에는 숙련된 엔지니어의 경험이 필요한 경우가 많습니다.따라서 해당 분야의 숙련된 기술자가 정년기에 맡기는 최종 업무는 점점 더 인공지능에 자신의 경험을 맡기는 일이 될 것으로 보인다.
Edge AI는 엔지니어 부족 문제를 해결하는 효과적인 수단 중 하나입니다.
지금까지 Edge AI에 대해 설명했습니다.Edge AI는 인공 지능의 이점을 최대한 빨리 실현하도록 설계된 기술입니다.구식 생산 라인에서는 생산 엔지니어가 항상 생산 라인에 있었고 경험과 직관에 따라 라인을 유지했습니다.이러한 생산 엔지니어가 부족한 지금, 판단과 경험을 인공 지능으로 성공적으로 이전할 수 있다면 엣지 AI는 노동력 부족 문제를 해결하는 효과적인 해결책 중 하나가 될 수 있습니다.
