RnDcircle

기술 개요

“서로 다른 단말과 데이터 환경에서도 학습 안정성·통신 효율·보안성을 함께 확보하는 연합학습 기술입니다.”

산업 별 활용 방안

IoT 기기 기반 AI 서비스를 운영하는 기업·기관

다양한 센서·단말을 연결해 AI를 운영하는 기업·기관은 기기마다 연산 성능과 데이터 구성이 달라 모든 기기에 동일한 학습 방식을 적용하기 어렵습니다. 본 기술은 단말별 하위 모델 학습과 압축 전송, 데이터 분포를 고려한 참여 단말 선정을 결합해 이질적인 기기의 공동 학습을 지원합니다. 기존 단말과 서버 구조를 유지한 채 학습 참여 선정·모델 취합·전송 모듈부터 단계적으로 결합할 수 있습니다.

개인정보 민감 데이터를 활용하는 디지털 서비스 기업·기관

개인별 이용 데이터나 단말 데이터를 AI 개선에 활용해야 하는 기업·기관은 원본 데이터를 한곳에 모으는 과정에서 개인정보 관리 부담과 데이터 이동 제약을 겪을 수 있습니다. 본 기술은 원본 데이터 대신 단말에서 학습한 모델 파라미터를 취합하고, 데이터 분포 불균형과 학습 성능 저하를 줄이는 방식으로 공동 모델 학습에 적용할 수 있습니다. 데이터 수집 체계를 전면 교체하지 않고 기존 AI 서비스의 모델 학습 단계에서 PoC로 적용 가능성을 확인할 수 있습니다.

분산 AI 플랫폼과 무선 엣지 서비스를 개발하는 기업·기관

다수의 모바일·무선 단말이 참여하는 AI 플랫폼은 통신 상태 변화, 모델 전송량, 참여 단말의 신뢰성 때문에 학습 운영이 불안정해질 수 있습니다. 본 기술은 무선 환경별 모델 압축·가변 학습률·검증 기반 모델 선별을 학습 파이프라인에 적용해 전송과 취합 과정의 운영 위험을 줄이는 데 활용할 수 있습니다. 전체 플랫폼을 교체하지 않고 서버의 취합 로직과 단말 학습 모듈을 순차적으로 결합하며 실제 환경 성능은 PoC에서 확인할 수 있습니다.

기술 설명

어떤 기술인가요?

연합학습은 스마트폰·IoT 기기처럼 데이터가 각 단말에 남아 있는 환경에서, 원본 데이터를 중앙에 모으지 않고 각 단말의 학습 결과를 취합해 공동 AI 모델을 만드는 방식입니다. 본 기술 포트폴리오는 분산 환경의 AI 학습을 안정화하고 운영 제약을 줄이는 연합학습 기술로, 성능이 낮은 참여 모델을 선별해 취합하고(특허 1), 데이터 분포가 불균형한 단말을 보완해 참여 대상을 선택하며(특허 2), 단말별 연산·무선 통신 여건에 맞춘 하위 모델을 압축 전송하고(특허 3), 라운드별 가변 학습률로 모델 최적화를 수행하며(특허 4), 조작 가능성이 있는 모델을 제거한 뒤 검증 모델만 집계하는(특허 5) 기법으로 구성됩니다.

어떤 문제를 해결하나요?

1. 단말마다 다른 데이터 분포로 인한 학습 편차

현장 단말은 보유한 데이터의 종류와 양이 달라, 일부 단말에는 특정 클래스 데이터가 없거나 한쪽 데이터에 치우칠 수 있습니다. 클래스 분포를 보완하는 합성 데이터를 구성하고 균일한 분포에 가까운 단말 조합을 선택하며, 손실 평가를 통과한 모델을 선별 취합해 데이터 편차가 글로벌 모델에 미치는 영향을 줄입니다.

2. 제한된 단말 성능과 무선 전송 부담

IoT·모바일 단말은 연산 능력, 전송 가능한 모델 크기, 무선 채널 상태가 서로 달라 동일한 크기의 모델을 일괄 학습·전송하기 어렵습니다. 단말별 여건에 맞는 하위 모델을 선택해 학습하고, 하위 모델별 변화량을 독립적으로 압축해 전송한 뒤 서버에서 취합함으로써 이기종 단말의 참여를 지원합니다.

3. 불안정한 수렴과 조작된 모델의 유입

고정된 학습률로 모델을 반복 갱신하면 최적화가 국소 최소값이나 안장점에 머물 수 있고, 손상된 단말의 데이터·모델 조작 결과가 함께 취합되면 공동 모델 성능이 저하될 수 있습니다. 라운드별 가변 학습률로 최적화 경로를 조정하고, 서버 검증 데이터로 적대적 또는 저성능 모델을 제거한 후 통과 모델만 집계합니다.