ARM, AI의 미래를 결정하는 3가지 과제

ARM, AI 시대 성공의 3대 과제 제시: 성능, 소형화, 데이터 출처 인공지능(AI)은 소비자가 구매하는 제품을 더욱 유용하게 만드는 세상을 열고 있습니다. 음성 비서의 자연스러운 사용자 인터페이스부터 미래의 자율주행차까지, AI는 우리 생활의 거의 모든 전자제품에 적용되어 실질적인 가치를 제공합니다. 하지만 AI가 약속한 잠재력을 실현하기 위해서는 기업들이 직면한 세 가지 핵심 과제를 해결해야 합니다. 첫째, AI는 사용자의 높은 기대를 충족시킬 만큼 우수한 성능을 발휘해야 합니다. 둘째, AI는 대상 하드웨어에 관계없이 전력, 메모리, 연산 부하를 최소화하도록 최적화되어야 합니다. 이는 더 넓은 범위의 가치를 창출하는 데 필수적입니다. 셋째, AI는 윤리적이고 합법적으로 수집된 데이터를 기반으로 구축되어야 하며, 이는 현재와 미래의 심각한 법적 및 평판 위험을 줄이는 데 중요합니다. AI 분야의 음향 인식 리더인 Audio Analytic은 이러한 과제 해결에 앞장서고 있습니다. 이 회사는 단순히 음성이나 음악을 넘어선 광범위한 소리를 인식하고 이를 소비자 기기에 적용하는 데 특화되어 있습니다. 학술적 결과가 아닌 실제 적용 사례를 바탕으로 시작했기 때문에, Audio Analytic은 AI 커뮤니티가 이제 막 주목하기 시작한 여러 과제를 이미 발견하고 해결해왔습니다. 1. 성능: AI는 이미 초기 수용 단계를 넘어 성숙 단계에 접어들었습니다. 과거에는 AI 탑재 자체가 가치를 부여했지만, 이제는 소비자가 조명 조건이 좋지 않아 이미지를 인식하지 못하거나 아기의 울음소리를 구급차 접근 소리로 혼동하는 등의 상황을 용납하지 않습니다. 소비자는 AI가 성숙했다고 기대하며, AI의 작동 방식에 맞춰 제품 사용 방식을 바꾸려 하지 않을 것입니다. 성능은 정확성과 견고성이라는 두 가지 요소의 조합입니다. AI는 높은 정확도를 가져야 하지만(높은 참 양성, 낮은 거짓 양성), 소비자가 사용하는 모든 환경에서 이러한 성능을 제공해야 합니다. 실리콘밸리 주차장에서만 수집한 데이터로 모델을 훈련시켜서는 뉴욕, 캠브리지, 로마, 런던, 베이징 등 어디서든 작동하는 제품을 기대하는 소비자를 만족시킬 수 없습니다. 이것이 바로 견고성이 성능의 핵심 구성 요소인 이유입니다. 높은 성능을 제공하는 능력은 머신러닝(ML) 파이프라인 깊숙한 곳에 있는 데이터와 훈련 방법론에 의해 영향을 받습니다. 2. 소형화: 강력한 클라우드 슈퍼컴퓨터와 전용 NPU 칩이 있더라도 소형 AI 시스템 설계는 여전히 성공의 핵심입니다. 클라우드는 모든 AI 애플리케이션에 적합하지 않습니다. 소비자는 자신의 데이터가 기기를 떠나 클라우드에 저장되거나 분석되는 것에 대해 불편함을 느끼며, 경우에 따라서는 실용적이지도 않습니다. 예를 들어, 음향 인식의 경우 '호출어(wake word)'와 같은 개념이 없으므로 24시간 내내 서버로 스트리밍해야 합니다. 이는 개인 정보 보호에 민감한 소비자층과 맞지 않으며 배터리 수명과 연결 요구 사항에 부정적인 영향을 미칩니다. 소비자는 AI가 배터리를 소모하거나 다른 기능의 희생을 강요하지 않기를 바랍니다. 예를 들어, 음향 인식을 사용하기 위해 음성 비서 기능을 꺼야 한다면 이는 좋지 않은 경험입니다. 두 가지 모두를 원한다면 둘 다 접근할 수 있어야 합니다. 기기 제조업체가 전용 NPU 칩이든 Cortex-M 또는 Cortex-A 프로세서든 어디에 AI를 배포하든 공간은 항상 제한적입니다. 잘 훈련된 모델과 최적화된 추론 소프트웨어는 'TinyML'이 연산, 메모리 또는 전력 부담 없이 이점을 제공할 수 있음을 의미합니다. 더 나아가 제조업체는 소비자에게 여러 AI 기반 기능을 제공할 수 있습니다. '성능'과 마찬가지로 소형화의 핵심은 데이터와 훈련이라는 ML 파이프라인 깊숙한 곳에 있습니다. 하드웨어 가속이나 양자화가 일부 개선을 제공할 수 있지만, 소형화의 실제 이점은 최적화된 아키텍처, 모델, 그리고 방대한 양의 관련 훈련 및 평가 데이터에서 나옵니다. 3. 데이터 출처: ML의 가장 중요한 요소는 데이터이며, '쓰레기가 들어가면 쓰레기가 나온다(garbage-in, garbage-out)'는 잘 알려진 개념이 특히 적절합니다. 훈련 및 평가 데이터는 편향이 없어야 하며 대상 애플리케이션을 대표해야 합니다. 예를 들어 음향 인식에서 인간의 소리 인식과 기계의 소리 인식은 매우 다릅니다. 우리는 소리를 개념으로 이해하므로, 자동차 경적의 좋지 않은 녹음도 인간에게는 자동차 경적 소리로 인식될 수 있습니다. 하지만 기계에게는 전화기로 녹음되고, 압축되어 YouTube에 업로드된 후 소비자용 스피커를 통해 재생되는 소리는 전혀 다른 것입니다. 부실한 데이터가 성능 저하로 이어질 뿐만 아니라, 데이터 수집에 대한 소홀한 접근 방식은 모든 사람을 심각한 법적 및 평판 위험에 노출시킵니다. ML 시스템을 직접 설계하든 다른 회사에서 라이선스를 받든 데이터의 출처를 알아야 합니다. 이러한 상세한 추적성은 데이터가 윤리적이고 다양하며 대표적인지 알기 때문에 탁월한 성능 수준을 제공할 수 있게 합니다. 또한 상업적 애플리케이션에서 데이터를 사용하는 데 필요한 허가와 동의를 입증할 수 있게 합니다. 전 세계 규제 당국은 이제 ML을 위한 데이터 수집 및 동의 문제에 더욱 집중하고 있습니다. 업계로서 우리는 데이터를 사용할 권한이 있는지, 그리고 타인의 지적 재산권을 침해하는지 여부에 대한 질문에 답할 준비가 되어 있어야 합니다. 이 모든 것은 추적성에 달려 있습니다. 상업용 AI 시스템을 구축하는 누구든 모델을 훈련에 사용된 데이터와 ML 작업에 사용하기 위한 권한을 보여주는 관련 동의 또는 라이선스와 연결해야 합니다. 그렇지 못하는 사람들은 상당한 벌금과 장기적인 평판 손상에 직면하게 될 것입니다. 지능형 컴퓨팅 시대에 성공하려면 이 세 가지 과제를 모두 정복해야 합니다. 그 결과는 소비자의 삶의 모든 측면에서 새로운 경험과 가치를 뒷받침하는 신뢰할 수 있는 기술이 될 것입니다. ARM은 AI 개발을 가속화하는 데 필요한 하드웨어, 소프트웨어, 도구 및 전략적 파트너를 결합합니다. ARM은 차세대 지능형 제품을 제공하는 데 필요한 모든 것을 제공합니다.