엣지 서비스를 위한 AI 설명가능성과 성능 최적화: 새로운 이중 수준 학습 방식

본 논문은 AI 기반 에지 서비스의 설명가능성과 성능을 동시에 최적화하는 새로운 이중 수준 학습 방식을 제시합니다. 다목적 최적화 알고리즘을 통해 블랙박스 모델의 근사 정확도를 99% 이상 향상시키면서 예측 정확도 저하를 최소화하는 혁신적인 성과를 달성하여, AI 에지 서비스의 신뢰성과 안전성을 크게 높일 것으로 기대됩니다.

복잡한 AI 모델은 강력한 예측력을 제공하지만, 그 의사결정 과정을 이해하기 어렵다는 한계를 가지고 있습니다. 특히, 네트워크 에지와 같이 신뢰성이 중요한 환경에서는 AI 모델의 결정에 대한 설명가능성(Explainability)이 필수적입니다. Foivos Charalampakos, Thomas Tsouparopoulos, Iordanis Koutsopoulos 세 연구원이 발표한 논문, "Joint Explainability-Performance Optimization With Surrogate Models for AI-Driven Edge Services"는 이러한 문제에 대한 혁신적인 해결책을 제시합니다.

블랙박스 모델과 대리 모델의 조화: 99% 이상의 근사 정확도 향상

이 논문의 핵심은 대리 모델(Surrogate Model) 을 활용하는 것입니다. 복잡한 AI 모델(블랙박스 모델)의 예측을 선형 회귀 모델과 같은 해석 가능한 대리 모델로 근사하여, 블랙박스 모델의 결정 과정을 설명하는 것입니다. 하지만, 기존의 접근 방식은 블랙박스 모델과 대리 모델을 개별적으로 학습하여, 두 모델 간의 정확도 균형을 맞추는 데 어려움을 겪었습니다.

본 연구진은 이러한 문제를 해결하기 위해 이중 수준(bi-level) 학습 방식과 다목적 최적화(MOO) 알고리즘을 도입했습니다. 이는 블랙박스 모델과 대리 모델을 동시에 학습하여, 블랙박스 모델의 예측 오류와 대리 모델의 근사 오류를 동시에 최소화하는 혁신적인 접근입니다. 그 결과, 기존의 단일 작업 학습이나 다중 작업 학습 방식에 비해 블랙박스 모델의 근사 정확도(Fidelity)를 99% 이상 향상시키는 놀라운 성과를 달성했습니다. 이는 블랙박스 모델의 예측 정확도를 3% 미만만 희생하면서 얻은 결과로, 비용 대비 효과가 매우 뛰어납니다.

신뢰할 수 있는 AI 에지 서비스의 미래

본 연구는 단순히 기술적인 발전을 넘어, AI 기반 에지 서비스의 신뢰성과 안전성을 크게 향상시킬 가능성을 제시합니다. 대리 모델을 통해 블랙박스 모델의 예측 결과를 명확하게 설명함으로써, AI 시스템에 대한 사용자의 신뢰도를 높이고, AI 에지 서비스의 실질적인 적용을 가속화할 것으로 기대됩니다. 이는 자율주행, 스마트 팩토리, 스마트 시티 등 다양한 분야에서 AI의 안전하고 효율적인 활용을 가능하게 하는 중요한 발걸음입니다. 향후 연구에서는 더욱 다양한 유형의 AI 모델과 에지 서비스 환경에 대한 적용성을 검증하고, 설명 가능성과 성능 최적화 간의 균형을 더욱 효과적으로 제어하는 방법을 연구하는 것이 중요할 것입니다.