현실로 다가온 머신 러닝 – 현명한 활용

인공 지능(AI)의 유형 중 하나인 머신 러닝(ML)은 의료 진단, 이미지 처리, 분류, 예측, 회귀 테스트 등 다양한 응용 분야에서 이미 효과적으로 사용되고 있습니다. ML의 활용에서 일반적으로 사용의 안전과 결과의 유효성 저하라는 두 가지 리스크가 영역이 있습니다.

그림 1: 산업용 사물 인터넷(IIoT)의 다양한 상호 연결은 시스템에 머신 러닝을 결합하면 더욱 효율적으로 관리할 수 있습니다. (이미지 출처: SlideShare.net)

AI 보안 공격은 새로운 것이 아니지만 계속해서 더 치밀해지고 있습니다. 공격에 취약한 부분을 통해 권한이 없는 사용자가 몰래 들어오거나 데이터를 추출할 수 있습니다. 리스크에 취약한 분야는 입력 데이터, 알고리즘 설계, 출력 결정 등 세 분야입니다.

머신 러닝은 사람이 달성하기 어려운 수준으로 방대한 양의 데이터에 액세스하여 학습할 때 최상으로 달성할 수 있습니다. 공격에는 트레이닝을 마친 모델이 “백도어” 생성으로 인해 감염되거나 악성 페이로드 또는 트리거가 침투되는 경우가 포함됩니다. 이 세그먼트의 AI 알고리즘은 복잡하고 예측이 불가능하며 표준과 규제의 대상이 아니고 자체적인 데이터를 기반으로 하기 때문에 조작을 감지하기가 더욱 어렵습니다.

보안 외에도 위험한 분야가 하나 더 있습니다. 머신 러닝 모델은 사람이 제작하는 것이기 때문에 모델에 편향이 있을 수 있습니다. 데이터 편향은 위험하며 주의 깊은 관리가 필요합니다. 편향 관리는 머신 러닝 리스크 관리에 있어 매우 큰 부분을 차지합니다.

데이터 부족 및 양호하거나 적합한 데이터의 존재 여부에 관련한 리스크도 있습니다. 최적의 출력을 위한 최고의 입력 데이터를 찾을 수 있는 충분한 데이터 포인트를 가진 가변 데이터가 부족하면 심각한 문제가 발생할 수 있습니다. 머신 러닝 모델을 구성하는 데이터는 데이터 유형, 타임 프레임, 기타 가변 형태가 다양해야 합니다.

마지막으로, 출력 해석이 있습니다. 출력 데이터가 잘못 해석될 수 있습니다.모델은 추정치와 가이드를 제공하지만, 모델이 어떻게 생성되었는지, 어떤 추정이 이루어졌는지, 출력 데이터가 무엇을 의미하는지를 파악해야 해석이 유효할 수 있습니다.

문제가 있는 사례가 이미 여러 번 발생했습니다.

• 2016년 브렉시트 사태 시 영국 파운드 환율이 2분 만에 6% 하락한 것은 알고리즘으로 인한 것이었습니다.
• 미국 전역의 형사사법제도에서 재범률을 예측하기 위해 사용하는 알고리즘에는 인종에 대한 편견이 있습니다.
• 많은 뇌 연구 결과는 기능적 자기공명영상(fMRI)에서 통계 추정 오류와 버그의 발견 이후 의심을 사고 있습니다.
• 2017년 비트코인 가격이 급상승하자 해커 집단은 무료 Google 클라우드 인스턴스를 사용하여 마이닝을 실행했습니다. Google Cloud 인스턴스에서는 Google Cloud의 이상 감지 시스템을 사용하고 있었기 때문에 고객은 경고를 받을 수 있었습니다.

머신 러닝 시스템은 여러 가지 어려운 문제를 해결하고 있습니다. 보안과 정확도에 악영향을 받을 수 있다는 사실은 적용된 기술의 발전과 이를 사용하는 성공적인 응용 분야의 성장에 따라 달라질 수 있습니다.

머신 러닝의 최근 발전

STMicroelectronics는 최근 머신 러닝 ST 파트너 프로그램(Machine Learning ST Partner Program)의 공인된 파트너사인 Cartesiam과 함께 STM32G4에 대한 최초의 머신 러닝 애플리케이션을 발표했습니다. ST는 개발자들이 데이터를 수집한 다음 PC의 신경망 트레이닝 프레임워크에서 처리하는 방식으로 손쉽게 신경망을 트레이닝하여 걷기, 뛰기, 수영 등 구체적인 활동을 인지할수 있도록 STM32Cube.AI를 출시했습니다. 출력 데이터는 활동을 인지하기 위해 STM32 MCU를 활성화하는 코드로 변환됩니다.

그림 2: STMicroelectronics SensorTile 평가 기판 (이미지 출처: STMicroelectronics)

Cartesiam의 NanoEdge AI는 마이크로 컨트롤러에서 학습 단계를 실행합니다. 엔지니어는 특정 상황에 대해 완벽한 사전 교육을 마친 모델을 제작할 수 없는 경우 이 솔루션을 찾게 되지만 여전히 머신 러닝을 이용해 스마트 솔루션을 구축하려고 합니다. MCU에서 교육 단계가 실행되어 의도된 환경에서 기기의 정상적인 동작을 학습한 다음 같은 MCU에서 추론을 실행하여 비정상적인 동작을 감지하고 보고합니다.

NanoEdge AI를 통해 개발자는 로컬 AI 교육 및 분석 기능을 손쉽게 C 코드로 통합할 수 있으며 C 코드는 STM32 MCU에 최적화됩니다. Cartesiam은 시연을 통해 머신 러닝 라이브러리가 STM의 SensorTile 모듈인 SensorTile 평가 기판(그림 2)을 사용하여 진동 분석을 통해 BLDC 모터의 동작을 학습하고 내장형 STM32L4 MCU를 통해 비정상적인 동작을 감지하고 보고하는 원리를 소개했습니다.

머신 러닝 코어는 LSM6DSOX iNEMO와 같은 STMicroelectronics의 첨단 센서에서도 찾아볼 수 있습니다. 이 코어는 유한 상태 신호 발생기(FSM), 첨단 디지털 기능과 결합하여 초저전력 상태에서 정확도가 높은 고성능 배터리 구동 IoT, 게이밍, 웨어러블, 소비자 가전용 AI 기능으로 전환하는 기능을 제공합니다. 일반적인 OS 요구 사항을 지원하는 이 장치는 실제, 가상, 배치 센서에 동적 데이터 배칭을 위한 9KB RAM을 제공합니다.

모든 형태의 인공 지능과 머신 러닝은 계속해서 놀라운 발전을 보이고 있으며 이는 새로운 응용 제품, 출력 강도와 지속적인 활용을 가능하게 해주는 보안 유지 기능, 두 가지를 조합한 형태로 나타날 것입니다.