문. 엣지 컴퓨팅과 연합학습을 활용한 제조공정의 AI 데이터 분석 모델의 제안

토픽	엣지 컴퓨팅과 연합학습을 활용한 제조공정의 AI 데이터 분석 모델의 제안
도메인	인공지능	중요도	중
참고문헌	전익진, “엣지 컴퓨팅과 연합학습을 활용한 제조공정의 AI 데이터 분석 모델의 제안”, 주간기술동향, 2022.9.14, pp2-28.

 

문. 엣지 컴퓨팅과 연합학습을 활용한 제조공정의 AI 데이터 분석 모델의 제안(2022.9.)

답.

1. 연합학습의 개념

<그림. 연합학습 개념도>

구 분	설 명
개념	- 2016년 구글에서 차세대 AI 학습방법으로 제시한 모델 - 다양한 엣지 단말에 적용이 가능한 학습 모델 - 각각의 개별 단말에서 학습이 진행되고 그 결과를 재학습하여 알고리즘을 고도화하고 일반화하는데 있음
특징	- 개별 학습함으로써 시간과 비용은 물론 효율성과 분석 대상 간의 이해관계에 있어서도 매우 효과적임 - 의료 및 보건 산업에 많이 활용될 것으로 기대됨 - 보안적 측면의 장점과 개별 학습에 대한 기능적 장점 가지고 있음

 

2. 엣지 컴퓨팅과 연합학습을 활용한 제조 공정 AI 모델

가. 모델 요약 설명

<그림. 제조공정 AI 모델>

구 분	설 명
제안 모델	- 제조 환경에서 공정 손실 비용을 최소화하고 일정한 품질 수준을 유지할 수 있는 제조 자율실행 학습 모델을 제안함
특징	- 양품 효율성 및 생산성의 최대화 그리고 공정 관리를 위한 대응 전략수립 및 의사결정 학습 모델을 포함함 - 각 공정별로 데이터를 수집하고 자율학습하는 개별 단말과 개별 단말에서 수행된 학습 결과를 수집하고 결과를 바탕으로 재학습하는 중앙 서버로 구성됨

 

나. 제조 공정의 데이터 수집 환경

<그림. 제조 공정 데이터의 흐름과 활용>

구 분	설 명
개념	- 제조 공정에 대한 환경 조사를 진행함 - 전체 대상 공정의 흐름을 파악하고 분석 대상 환경을 파악하는 것을 목적으로 함
주요 사항	- 개별 단말 및 모니터링 장치로부터 수집되는 데이터의 공유 범위와 연동 여부 판단 필요 - 데이터 수집 처리 장치 파악 및 통신 상태를 체크해서 점검 필요

 

다. 자율실행학습 알고리즘 프로세스

<그림. 실행학습 알고리즘 개발 순서도>

구 분	설 명
개념	- 제조 공정 AI 모델은 패턴학습, 패턴분류, 패턴예측의 세단계로 나누어 기술을 적용함 - 최종적으로 개별 단말의 자율학습은 각 공정별 수집된 데이터를 기준으로 학습, 분류, 예측의 순으로 진행됨
주요 사항	- 패턴의 학습과정은 데이터의 탐색, 수집, 변환 작업이 자동화되어야함 - 강화학습 기반의 분석 알고리즘을 사용함 - 각 공정에서 생성된 데이터를 단계별 군집에 따라 점수를 부여하고 합산된 점수를 통해 신호를 탐지함 - 더 많은 보상을 받기 위해 최상의 행동을 발견해 가는 과정과 최종 행동의 선택이 반복적으로 수행됨

 

라. 패턴학습 및 분류, 예측 알고리즘

<그림. 패턴학습 및 분류 알고리즘>

구 분	설 명
개념	- 패턴학습을 토대로 새로운 데이터에 대한 패턴분류가 진행됨 - 데이터의 생성속도, 종류 등의 다양성의 통합적으로 고려하여 알고리즘이 완성됨
특징	- 최적의 분류 작업을 위한 n차 반복 파티션 모듈을 적용함 - 단순 교집합이 아닌 조건부 확률의 높은 신뢰도 기반의 분류 체계를 완성함 - k-평균 군집화를 중심으로 적용하여 유형별 군집화 수행 - 복수의 예측 알고리즘을 적용하는 앙상블 모델을 통해 최상의 예측 정확도를 보이는 알고리즘 선택하는 방식 채용

 

마. 클라우드 서비스 모델

<그림. 제조 공정의 AI 데이터 분석 클라우드 서비스 모델>

구 분	설 명
개념	- 클라우드 시스템은 엣지 환경에서 다수의 모델을 배포하고 관리하는 방법을 간소화할 수 있도록 설계함
특징	- 정확한 모델을 자동으로 학습시키고 튜닝하여 연속 통합 및 지속적인 자동 업데이트 기능 포함됨 - 개별 학습 모델에 대한 결과 모니터링과 보안 및 클러스터 라이프사이클 기능을 제공함