기술/연구

대한민국 AI 혁신! 통신비 38% 줄이는 '프리즘' 모델 개발...스마트폰도 고성능 AI 돌아간다

댓글 0 · 저장 0 2025.04.09 17:38

기사 3줄 요약

1 유니스트, 통신비 38% 감소시키는 연합학습 AI '프리즘' 개발
2 이진 마스크 방식으로 모델 크기 48% 축소해 스마트폰에서도 구동
3 병원·금융권 개인정보 보호하며 AI 활용 가능성 열어

작은 기기에서도 고성능 AI를 구현하는 '프리즘' 기술

유니스트(UNIST) 유재준 교수 연구팀이 개발한 '프리즘(PRISM)'은 기존 AI 모델의 문제점을 해결한 혁신적인 연합학습(Federated Learning) 기술입니다. 연합학습이란 여러 기기에 분산된 데이터를 직접 공유하지 않고도 하나의 AI 모델을 함께 학습하는 방식인데요, 이 프리즘 기술은 기존 연합학습의 한계를 크게 개선했습니다. 연구팀에 따르면 프리즘은 로컬(개별 기기)과 글로벌(중앙 서버) AI 모델 사이에서 중개자 역할을 하는데, 통신 비용을 38%나 줄이고 모델 크기도 48% 감소시켰습니다. 이는 스마트폰이나 태블릿과 같은 작은 기기에서도 고품질 이미지 생성 같은 복잡한 AI 기능을 구현할 수 있게 해주는 중요한 발전입니다.

프리즘의 핵심 기술: 이진 마스크와 MMD 손실 함수

프리즘의 가장 큰 특징은 '이진 마스크 방식'입니다. 이 방식은 AI 모델의 모든 정보를 주고받는 대신, 꼭 필요한 부분만 선택적으로 활성화하여 통신합니다. 마치 수많은 전구 중에서 필요한 전구만 켜는 것과 비슷한데요, 이렇게 하면 통신해야 할 데이터의 양이 크게 줄어들게 됩니다. 또한 프리즘은 '최대 평균 불일치(Maximum Mean Discrepancy, MMD)' 손실 함수를 사용합니다. 이는 실제 데이터와 AI가 생성한 데이터 사이의 차이를 계산하는 방법으로, 서로 다른 환경에서도 안정적인 학습을 가능하게 합니다. 예를 들어 여러 병원의 의료 데이터가 서로 다른 특성을 가지고 있더라도, 이 기술을 통해 일관된 AI 모델을 훈련할 수 있습니다.

개인정보 보호와 효율성을 동시에 잡다

프리즘의 가장 큰 장점은 개인정보 보호와 효율성을 동시에 달성한다는 점입니다. 기존의 AI 학습 방식은 모든 데이터를 한곳에 모아야 했기 때문에 개인정보 유출 위험이 컸습니다. 하지만 연합학습은 원본 데이터를 공유하지 않고도 AI를 학습할 수 있어 개인정보 보호에 유리합니다. 이러한 특성 덕분에 프리즘은 특히 의료와 금융 분야에서 활용 가능성이 큽니다. 예를 들어, 여러 병원이 환자 데이터를 직접 공유하지 않고도 질병 진단 모델을 함께 개발할 수 있습니다. 금융 분야에서는 여러 은행이 고객 정보를 보호하면서도 자금세탁 같은 금융 범죄를 탐지하는 AI를 훈련할 수 있습니다.

확장성과 이질적 데이터 처리 능력

프리즘은 많은 참여자가 있는 연합학습 환경에서도 확장성이 뛰어납니다. 이진 마스크 방법이 통신 부담을 줄여주기 때문에 수많은 기기가 참여해도 효율적으로 모델을 훈련할 수 있습니다. 또한 MMD 손실 함수와 마스크 인식 동적 이동 평균 집계(MADA) 방식을 통해, 데이터가 균일하지 않은 환경에서도 안정적인 학습이 가능합니다.

한계점과 앞으로의 과제

물론 프리즘을 포함한 연합학습에는 한계도 있습니다. 이 기술은 여러 기기에 분산된 데이터의 불균형과 이질성에 민감할 수 있습니다. 예를 들어, 어떤 병원은 특정 질병 환자 데이터가 많고 다른 병원은 적을 수 있는데, 이런 데이터 불균형이 모델 성능에 영향을 미칠 수 있습니다. 또한 악의적인 공격에 취약할 수 있다는 보안 문제도 존재합니다. 일부 참여자가 의도적으로 잘못된 정보를 제공하여 전체 모델의 성능을 저하시키려는 시도가 있을 수 있기 때문입니다. 이러한 한계를 극복하기 위해 다양한 보안 메커니즘과 데이터 불균형 처리 기술 개발이 필요합니다. 이 연구는 2025년 싱가포르에서 열리는 국제학습표현컨퍼런스(ICLR)에서 발표될 예정입니다. 프리즘 기술이 실제 산업에 적용되면 개인정보 보호와 AI 기술 발전이라는 두 마리 토끼를 잡는 데 크게 기여할 것으로 기대됩니다.