.svg)
AI 솔루션 문의하기
기존 클라우드 기반 시스템에서는 로봇의 센서 데이터를 중앙 서버로 보내 처리하고, 결과를 다시 로봇에게 돌려주는 방식으로 작동했습니다. 이 방식은 많은 데이터를 네트워크로 주고받아야 하고, 통신 지연으로 인해 로봇의 판단이 늦어지며, 클라우드 서비스가 중단되면 로봇도 작동하지 못하는 문제가 있었습니다. 무선 네트워크가 불안정한 물류 센터에서는 특히 실시간 처리가 어려웠습니다.
Edge AI는 로봇 자체에 처리 능력을 주어 이 문제를 해결합니다. 센서로부터 얻은 데이터의 대부분을 로봇이 바로 처리하고, 필요한 정보만 중앙으로 보냅니다. 이렇게 하면 응답이 빨라지고 네트워크에 덜 의존할 수 있습니다.
AMR 운영 관점에서 보면 Edge AI는 단순 기술 선택이 아니라 전체 운영 방식의 변화입니다. 로봇이 더 자율적으로 판단할 수 있게 되면서 중앙 시스템은 실시간 지시보다는 전체 시스템을 어떻게 더 잘 만들 것인가에 집중하게 됩니다.
효과적인 Edge AI 시스템은 세 개의 계층으로 이루어집니다. 각 계층이 다른 역할을 담당합니다.
로봇 내부의 엣지는 로봇 자신이 가진 작은 프로세서에서 간단한 처리를 수행합니다. 이 계층은 매우 빠른 응답이 필요하지만 처리할 수 있는 능력이 제한적입니다. 따라서 크기가 작은 신경망 모델을 사용합니다. 로봇이 "앞에 장애물이 있다", "사람이 근처에 있다" 같은 급한 판단을 이곳에서 합니다.
로봇 근처의 엣지 게이트웨이는 물류 센터에 설치된 컴퓨터 기기입니다. 여기서는 로봇보다 더 복잡한 일을 할 수 있으며, 여러 로봇의 데이터를 함께 봅니다. 예를 들어 "이 구역의 작업이 많아지고 있으니 로봇들을 그쪽으로 보내자" 같은 결정을 할 수 있습니다.
클라우드 서버는 장기적인 학습과 전체 시스템의 최적화를 담당합니다. 모든 로봇의 데이터를 모아서 더 나은 모델을 만들거나, 새로운 상황에 대응하는 모델을 개발합니다. 이 작업은 하루에 한 번 또는 일주일에 한 번처럼 주기적으로 이루어집니다.
모든 센서 데이터를 네트워크로 보내는 것은 현실적이지 않으므로, 로봇이 어떤 데이터가 중요한지 스스로 판단해야 합니다.
우선순위 기반 전송은 상황에 따라 보내는 데이터의 양을 조절합니다. 갑자기 장애물이 나타나면 고해상도 이미지를 즉시 보내지만, 평소 운영 중에는 요약된 정보만 가끔 보냅니다. 예를 들어 "3시간 동안 이 통로의 최대 혼잡도가 85%였다" 같은 통계 정보로 충분합니다.
지능형 압축은 필요한 정보는 유지하면서 불필요한 부분을 제거합니다. 3D 센서 데이터에서 벽이나 천장 같은 배경은 빼고 장애물만 남기면 전송량을 크게 줄일 수 있습니다. 또한 이전 스캔과 변화가 없다면 변화만 보내서 반복되는 정보를 제거합니다.
▲ 연합 학습의 실무적 활용
연합 학습은 로봇이 자신의 데이터만으로 로컬에서 모델을 학습한 후, 학습된 결과만 중앙으로 보냅니다. 개별 데이터가 전송되지 않으므로 프라이버시도 보호됩니다. 예를 들어 센터 A의 로봇들이 10,000개의 이미지로 모델을 학습했다면, 모델의 결과(수십 MB)만 보내면 되고 원본 이미지(수 GB)는 보낼 필요가 없습니다. 중앙 서버는 센터 B, C의 로봇들의 결과와 평균하여 다양한 환경에 견딜 수 있는 모델을 만들 수 있습니다.
▲ 점진적 학습과 빠른 적응
로봇이 새로운 상황을 만났을 때 몇 개 예시만으로 빠르게 배울 수 있습니다. 새로운 형태의 포장상자가 등장하면 로봇이 작은 규모로 모델을 다시 학습시켜 그 상자를 인식할 수 있게 합니다. 이 경험을 다른 로봇들과 공유하므로 전체 함대가 함께 성장합니다. 또한 자주 나타나는 상황에 대한 판단 결과를 저장해두면 매번 신경망을 실행할 필요가 없어져 에너지도 절약되고 속도도 빨라집니다.
여러 로봇이 함께 일할 때 그들의 경험을 공유하면 전체 성능이 훨씬 좋아집니다.
분산 의사결정 네트워크는 각 로봇이 독립적으로 행동하면서도 주변 로봇의 정보를 활용합니다. 로봇 A가 "앞 통로에 파손된 물품이 있다"는 정보를 발견하면 가까운 로봇 B, C에게 즉시 알려줍니다. 그러면 그들이 미리 다른 경로를 준비할 수 있습니다. 이 정보 공유는 로봇들 사이의 무선으로 이루어져 중앙 서버를 거치지 않습니다. 각 로봇의 판단이 얼마나 신뢰할 수 있는가도 따져서, 신뢰도 높은 로봇의 정보에 더 큰 가중치를 줄 수 있습니다.
집단 의사결정은 여러 로봇의 의견을 합쳐서 더 정확한 판단을 만듭니다. 한 로봇의 센서가 오작동해도 다른 로봇들의 정보와 비교하면 문제를 알아챌 수 있습니다. 예를 들어 5개 로봇 중 3개가 "장애물이 있다"고 하면 신뢰하지만, 1~2개만 그렇게 하면 더 조심스럽게 판단합니다.
상황 인식은 로봇들이 주변 환경의 전체 그림을 공유하는 것입니다. "오후 3시에 이 구역은 항상 바빠진다"는 패턴을 모든 로봇이 배우면, 그 시간이 오기 전에 미리 대비할 수 있습니다. 시간이 지나면서 로봇들의 경험이 쌓여 협력이 점점 더 나아집니다.
클라우드에서 만든 복잡한 모델을 로봇에 넣으려면 상당한 축소와 변경이 필요합니다.
양자화는 모델의 숫자들을 더 간단하게 저장하는 방법입니다. 복잡한 소수점 숫자 대신 간단한 정수로 바꾸면 메모리 사용량을 크게 줄일 수 있습니다. 정교하게 하면 정확도 손실이 거의 없으면서도 속도가 크게 빨라집니다. 상황에 따라 양자화 수준을 자동으로 조절할 수도 있습니다.
프루닝은 신경망에서 불필요한 연결을 제거하는 방법입니다. 1000개의 뉴런이 있는 신경망에서 중요하지 않은 30%를 빼도 정확도는 거의 안 떨어지면서 속도는 훨씬 빨라집니다. 중요도를 계산해서 덜 중요한 부분부터 제거하면 더 효과적입니다.
모델 증류는 큰 모델의 지식을 작은 모델로 옮기는 방법입니다. 클라우드에서 만든 95% 정확도의 큰 모델을 학생 모델이 따라하도록 하면, 크기는 10분의 1로 줄어들면서도 90% 정도의 정확도를 유지할 수 있습니다.
Edge AI와 클라우드를 잘 조합하는 것이 전체 성능의 핵심입니다. 동적 오프로딩은 작업을 로봇에서 할지 클라우드에서 할지를 상황에 맞춰 결정합니다. 네트워크가 느리면 로봇에서 처리하고, 네트워크가 빠르면 클라우드에서 처리합니다. 로봇의 CPU가 바쁘면 클라우드에 맡기고, 로봇이 여유가 있으면 로봇이 합니다. 이런 결정을 자동으로 학습할 수 있습니다.
캐싱과 미리 가져오기는 로봇이 앞으로 필요할 정보를 미리 준비해두는 것입니다. 로봇이 B 구역으로 향하고 있으면, 그 구역의 지도와 모델을 미리 다운로드해두면 실제로 필요할 때 바로 쓸 수 있습니다. 로봇의 이동 패턴을 분석해서 앞으로 어디로 갈지 예측할 수도 있습니다.
비동기 처리는 급한 일과 느려도 되는 일을 분리합니다. 장애물 회피는 즉시 하지만, 분석 데이터의 전송은 네트워크가 여유로울 때 합니다. 중요한 작업부터 먼저 처리하도록 우선순위를 정합니다.
Edge AI 시스템이 신뢰할 수 있게 작동하려면 계속해서 상태를 확인해야 합니다. 모델 성능 모니터링은 배포한 모델이 실제 환경에서 제대로 작동하는지 확인합니다. 처음에는 80% 정확도였는데 70%로 떨어진다면, 환경이 변했거나 모델이 더 이상 적합하지 않다는 뜻입니다. 이를 발견하면 자동으로 모델을 다시 학습하거나 새로운 모델을 배포할 수 있습니다. 성능 저하가 일시적인지 지속적인지 구분하는 것이 중요합니다.
이상 탐지는 로봇의 행동이 평소와 다르면 감지합니다. 평소에는 장애물을 1초 만에 감지하는데 갑자기 5초가 걸린다면, 모델 성능이 떨어졌거나 하드웨어에 문제가 있거나 환경이 변했을 수 있습니다. 자동으로 경고할 수 있습니다. 예상하지 못한 새로운 유형의 문제도 감지할 수 있는 방법들이 있습니다.
안정성 검증은 극단적인 상황에서도 로봇이 안전하게 행동하는지 확인하는 과정입니다. "이 모델이 어떤 상황이든 정지 신호를 제대로 보낼 수 있는가?"를 확인할 수 있습니다. 입력에 약간의 노이즈를 더해도 모델이 잘못된 판단을 하지 않는지 테스트합니다.
수십 개의 로봇과 여러 엣지 기기를 효율적으로 관리하려면 체계적인 운영 방식이 필요합니다.
원격 관리와 업데이트는 중앙에서 모든 로봇과 기기의 소프트웨어와 모델을 관리합니다. 새로운 모델을 배포할 때 한 번의 명령으로 모든 로봇에 배포할 수 있으며, 로봇의 운영을 방해하지 않도록 스케줄합니다. 새 모델을 일부 로봇에만 먼저 배포해서 검증한 후 전체에 배포할 수 있습니다. 점진적으로 배포하다가 문제가 생기면 즉시 이전 버전으로 돌릴 수 있습니다. 이전 버전과 새 버전을 동시에 운영하다가 안정성이 확인되면 전환하는 방법도 있습니다.
리소스 할당 최적화는 제한된 하드웨어 리소스를 여러 작업에 효율적으로 배분합니다. GPU가 제한적이면 중요한 작업만 GPU를 사용하고, 덜 중요한 작업은 CPU에서 합니다. 부하에 따라 자동으로 리소스를 조절해서 전체 처리량을 최대화합니다. 중요한 작업은 항상 필요한 리소스를 확보하도록 우선순위를 정할 수 있습니다.
보안과 암호화는 엣지와 클라우드 간의 통신을 보호하고, 로봇 내의 모델과 데이터를 안전하게 유지합니다. 모델 탈취를 방지하기 위해 암호화해서 저장하고, 인증된 로봇만 업데이트를 받을 수 있도록 제한합니다. 중요한 모델과 데이터는 특별히 보호되는 영역에서만 실행합니다. 모델의 출처를 추적하고 변조를 감지할 수 있습니다.
.svg)
.svg)
