엣지 AI 모델 학습 연구 동향

최근 엣지 컴퓨팅은 인공지능 기능을 통합하여 효율성을 높이는 핵심 기술로 주목받고 있습니다. 그러나 엣지에서의 머신러닝(ML) 모델 배포 및 추론에 주로 초점이 맞춰져 있었으며, 모델 학습 측면은 상대적으로 덜 탐구되었습니다. 본 조사는 엣지 학습, 특히 엣지 환경에서의 ML 모델 학습 최적화 개념을 심층적으로 탐구합니다. 이 연구는 엣지 학습의 다양한 접근 방식과 방법론을 종합적으로 탐색하고, 기존 지식을 통합하며, 주요 도전 과제를 식별하고, 미래 동향을 제시하는 것을 목표로 합니다. Scopus와 Web of Science의 고급 검색을 활용하여 관련 문헌을 분석한 결과, 분산 학습 방법, 특히 연합 학습(federated learning)에 연구 노력이 집중되어 있음을 확인했습니다. 본 조사는 엣지 학습을 위한 ML 최적화 기법들을 비교하는 가이드라인을 제공하며, 활용 가능한 다양한 프레임워크, 라이브러리 및 시뮬레이션 도구들을 탐색합니다. 이를 통해 엣지 컴퓨팅과 머신러닝의 교차점에서 현재 연구 동향과 미래 방향에 대한 총체적인 이해를 돕습니다. 궁극적으로 본 연구는 엣지에서의 학습을 위해 설계된 최적화 방법론과 기법들 간의 정보에 입각한 비교를 위한 토대를 마련하여 관련 분야의 발전에 기여합니다.