스마트 기기의 지속적인 발전과 데이터에 대한 수요가 증가함에 따라, 과거에는 클라우드 서버에서만 수행되던 복잡한 연산이 이제 네트워크의 가장자리(edge)로 이동하고 있다. 여러 가지 이유(예: 지연(latency)에 민감한 응용과 데이터 프라이버시 요구)로 인해, 데이터 기반 연산을 데이터가 생성되는 원천에 더 가깝게 가져오는 과정에서 엣지 컴퓨팅 패러다임이 형성되었다. 기계 학습과 함께 엣지 컴퓨팅은 강력한 로컬 의사결정 도구가 되었으며, 엣지 러닝(edge learning)의 등장으로 이어졌다. 그러나 후자는 하드웨어와 네트워킹 측면에서 지연에 민감하면서도 자원을 크게 소모하는 성격을 보인다. 본 연구에서 이러한 문제를 해결하거나 최소화하기 위한 새로운 방법들이 제안되었다. 먼저, 엣지 러닝 및 추론(ELI)에 대한 대표적인 통신 방법을 데이터 압축, 지연, 자원 관리에 초점을 맞추어 조사하였다. 다음으로, 감시 네트워크에 적용할 경우 사건이 포함된 데이터만을 고려하여 전송 및 저장 자원을 유의하게 절감하는 ELI 기반 비디오 데이터 우선순위 지정 프레임워크를 제안하였다. 또한 다양한 통신 측면을 엣지 러닝과 관련하여, 그 문제점을 분석하고 장점과 단점을 강조하는 방식으로 비판적으로 고찰하였다. 마지막으로, 남아 있는 과제와 쟁점들을 논의한다.

*본 초록은 AI를 통해 원문을 번역한 내용입니다. 정확한 내용은 하기 원문에서 확인해주세요.