와이즈넛, 데이터 이동 없는 연합 AI 기술 고도화…모델 크기 72% 줄여

기업과 공공기관의 인공지능(AI) 활용이 확대되고 있지만 개인정보와 기밀 데이터의 외부 반출 문제는 여전히 기술 도입을 가로막는 요인이다. 특히 금융과 의료·제약, 공공 분야에서는 여러 기관이 보유한 데이터를 결합해 분석할 필요가 있어도 보안과 규제 등의 이유로 데이터를 한곳에 모으기 어렵다. 이러한 제약을 해결하기 위한 기술로 원본 데이터를 각 기관에 보관하면서 AI 모델을 공동으로 학습하는 연합학습(Federated Learning)이 주목받고 있다. 최근에는 데이터 이동을 최소화하는 데 그치지 않고 암호화된 상태에서 분석을 수행하며 통신과 연산 효율까지 높이는 방향으로 기술 개발이 확대되고 있다.

도메인 특화 AI 에이전트 전문기업 와이즈넛(대표 강용성)은 과학기술정보통신부와 정보통신기획평가원(IITP)이 지원하는 ‘데이터 활용 강화를 위한 분산형 데이터 연합컴퓨팅 기술(deFAI, decentralized federated AI) 개발 및 실증’ 과제의 3차년도 연구를 추진하고 있다.

이번 연구는 SW컴퓨팅산업원천기술개발사업의 일환으로 진행된다. 여러 기관에 분산된 대규모 데이터를 중앙에 수집하지 않고도 분석과 AI 학습에 활용할 수 있는 연합컴퓨팅 플랫폼을 개발하는 것이 목표다. 연구기간은 2024년 7월부터 2028년 12월까지다.

연합컴퓨팅은 데이터 원본을 각 기관이나 기기에 남겨둔 상태에서 학습 및 분석 작업을 수행하는 기술이다. 기관 간 데이터 공유가 제한적인 환경에서도 공동 분석과 AI 모델 개발을 지원할 수 있다는 점에서 활용 가능성이 검토되고 있다.

와이즈넛은 이번 과제에서 AI 모델 경량화와 분산 환경의 통신 효율 개선, 개인정보 보호를 위한 연합 분석, 계층형 학습 모델 구축 등을 담당하고 있다. 스마트폰과 웨어러블 기기처럼 연산 자원이 제한된 환경에서도 AI를 활용할 수 있도록 모델의 크기를 줄이고, 중앙 서버와 지역 단말 사이에서 발생하는 데이터 전송 부담을 낮추는 기술을 개발하고 있다.

또한 원본 데이터를 한곳에 모으지 않고 암호화된 상태에서 통계 분석을 수행하는 프라이버시 보장 연합 분석 기술을 구현했다. 중앙의 대형 AI 모델과 단말의 소형 모델을 비교·연계하는 전역 계층형 학습 기술도 주요 연구 대상이다.

모델 경량화·통신 효율 개선 성과…공공·제약·금융 분야 실증 확대

와이즈넛은 올해 연구 과정에서 모델 크기와 데이터 전송량을 줄이는 기술적 성과를 확인했다.

우선 8비트 양자화(Quantization) 기법을 적용해 AI 모델의 크기를 기존 대비 72% 축소했다. 양자화는 모델의 연산에 사용되는 수치 표현을 간소화해 저장 공간과 연산 자원 사용을 줄이는 기술이다. 회사는 모델 크기를 줄이면서도 기존 성능을 유지했다고 설명했다.

중앙 서버와 지역 서버 간 통신 과정에서는 지역 캐시 기술을 활용해 데이터 전송량을 기존 대비 8.06배 줄였다. 연합컴퓨팅 환경에서는 여러 기관이나 단말이 학습에 참여하면서 통신 비용과 처리 지연이 발생할 수 있는데, 이번 기술은 이러한 데이터 교환 부담을 줄이는 데 초점을 맞췄다.

암호화된 데이터의 분석 활용 가능성도 점검했다. 원본 데이터를 이용한 분석 결과와 암호화 처리된 데이터를 이용한 분석 결과의 일치 정도를 나타내는 ‘데이터 유용성’ 지표에서 과제 목표인 0.85 이상을 달성했다.