AI 모델 학습을 더욱 민주적으로 (ft. 엣지 컴퓨팅 x 탈중앙화 연합 학습)

Key Takeaways

• FLock.io는 다양한 참여자가 연합 학습 플랫폼 운영에 적극적으로 기여하도록 유도하고, 기존의 연합 학습의 취약점으로부터 비롯된 공격 벡터들을 효과적으로 차단할 수 있는 탈중앙화된 아키텍처를 설계하였다.

• 하지만 모델 생성에 직접적으로 기여할 수 있는 로컬 디바이스에 대해 진입장벽이 존재한다면, FLock.io를 통해 생성되는 민주화된 모델의 성능과 다양성을 기대하는데에는 한계가 있을 것이다.

• 이에, FLock.io는 엣지 컴퓨팅 개념을 기존 아키텍처에 더욱 실질적으로 적용하려는 이니셔티브를 통해, AI 모델이 만들어지는 전 라이프사이클을 민주화하려는 비전을 일관되게 실현하고 강화하고자 한다.

1. 배경 - 정체의 위기에 있는 AI 기반 서비스 산업의 발전

인터넷과 IT 기술의 급격한 발전으로 콘텐츠와 정보가 폭발적으로 증가하면서, 사람들은 더 나은 선택과 의사결정을 위해 자신에게 꼭 맞는, 자신만을 위한 독특한 서비스를 탐색해오게 되었다. 이러한 배경 속에서 개인화된 경험에 대한 수요가 급증하고 있으며, 단순히 효율성을 넘어 개인의 정체성과 맥락에 부합하는 서비스를 요구하는 방향으로 진화하고 있다.

이러한 변화의 중심에는 빅데이터와 AI 기술이 있다. 기업들은 AI를 통해 소비자의 데이터를 수집, 분석하여 맞춤형 서비스를 설계하고 있으며, 단순히 편리함을 넘어서 소비자의 컨텍스트를 파악하여 정서적 연결을 강화하는 방향으로 진화하고 있다. 소셜 미디어, 커머스 플랫폼, 스트리밍 서비스 등 소비자들의 일상과 친숙한 다양한 영역에서 AI는 사용자 개인의 선호와 취향을 세밀히 반영해 소비자의 경험을 최적화하며, 점점 더 높은 수준의 개인화된 경험을 제공하려 한다.

하지만 AI 기술이 점점 더 많은 역할을 요구받으면서, 데이터 윤리 및 개인정보 보호, 그리고 중앙화된 서비스에 대한 지나친 의존에 대한 논의도 깊어지고 있다. AI 기술의 발전이 이를 둘러싼 비용 효율성과 신뢰 문제를 충분히 해결하지 못한다면, 범산업적으로 AI 기술의 확산이 어려워질 것이라는 우려도 제기되고 있다.

결국, 다양한 AI 서비스가 더욱 고도화되기 위해서는 데이터 권리가 보장되면서도 중앙집중적인 학습 방식에서 벗어나 민주적인 학습 방식으로의 구조적인 개편이 필요하다.

2. 시사점 - 탈중앙화된 연합학습을 더욱 민주적으로

FLock.io가 최근 제시한 엣지 컴퓨팅(Edge Computing)과 탈중앙화된 연합 학습(Decentralized Federated Learning, DeFL)의 결합은 개인의 데이터를 보호하면서도 AI 모델 학습의 진입장벽을 낮추어, 다양한 AI 서비스가 확장 가능한 방식으로 발전할 수 있는 흥미로운 가능성을 제시한다.

2.1 FLock.io의 탈중앙화된 연합 학습

Source: FLock.io : The Base Layer for AI Democratization

우선, 연합 학습의 골자는 고유한 데이터를 가진 각 로컬 클라이언트에 AI 베이스 모델을 보내어 학습을 실시간으로 진행시키는 방식을 지칭한다. 이 때 중앙 서버가 클라이언트들로부터 학습된 파라미터들을 취합하여 글로벌 모델을 만들면, 해당 모델은 다시 로컬 클라이언트들에게 보내져 개선된 모델로 업데이트하는 과정을 반복하여 최종 모델을 완성하는 방식이다.

즉, 각 참여자(e.g., 병원, 기업, 개인 등)는 자신의 데이터를 로컬에 보관하면서 모델 학습에 기여하되, 모델의 학습 결과값 만을 중앙 서버에 제공하기만하면 되므로 그들의 원본 데이터가 제 3자에게 노출될 걱정을 할 필요가 없어진다. 또한, 중앙 서버로부터 해당 모델 및 파라미터에 대한 구조를 전송받기 때문에 데이터 제공자들은 적어도 자신의 데이터가 어떻게 가공되어 활용되는 지에 대해서는 투명하게 확인할 수 있으며 최종 모델을 신뢰할 수 있다.

Source: FLock.io : The Base Layer for AI Democratization

하지만 이러한 장점을 가진 연합 학습에도 1) 모델 학습에 적극적이고 정직하게 참여하는 충분한 모수의 다양한 참여자들을 모집하기가 어렵다는 점, 그리고 2) 여전히 중앙 서버에 모델 학습을 위한 일부 오퍼레이션이 집중되어 있다는 점 등을 비롯한 한계들이 존재해왔다.

이에 FLock.io는 누구나 검증 가능한 투명한 네트워크 구조에 인센티브 메커니즘을 도입함으로써, 다양한 참여자가 연합 학습 플랫폼 운영에 적극적으로 기여하도록 유도하고, 위 한계점에서 비롯된 다양한 공격 벡터들을 효과적으로 차단할 수 있는 블록체인 기반의 시스템을 설계하였다.

2.2 엣지 컴퓨팅 x 탈중앙화 연합학습

하지만, FLock.io의 탈중앙화된 연합 학습 방식이 개인 데이터(예: 로컬 데이터)의 활용성을 높이고 다양한 참여자를 유도함으로써 더욱 견고한(Robust) 글로벌 모델 학습을 가능하게 할 잠재력을 가지고 있더라도, 참여자들이 실질적으로 모델 학습에 참여하는 데 진입장벽이 존재한다면, FLock.io를 통해 생성되는 민주화된 모델의 성능과 다양성을 기대하기는 어려울 것이다.

즉, 누구나 참여할 수 있는 환경이지만 이들의 실질적인 참여를 기대하기 위해서는, 모델을 학습하기 위한 과정 자체도 더욱 간소화되고 쉬워야 하는 것이다.

이에, FLock.io는 ‘엣지 컴퓨팅(Edge Computing)’의 개념을 실체화하여 참여자들의 모델 학습에 대한 진입장벽을 낮추고 다양한 로컬 디바이스들이 보다 쉽게 모델 학습에 참여할 수 있도록 여러 기반들과 인터페이스를 강화한다 - 여기서 엣지 컴퓨팅이란, 데이터를 최초 생성 위치와 가까운 곳에서 저장, 처리 및 분석하여 실시간에 가까운 빠른 결과를 제공하도록 하는 개념을 말한다.

이로써, FLock.io의 모델 학습 아키텍쳐는 엣지 컴퓨팅과 관련된 이니셔티브들과 결합되어 앞으로 1) 더욱 맞춤화되고 지역화된 특정 도메인의 애플리케이션의 성능 및 인텔리전스를 크게 개선하고, 2) 대역폭 요구 사항을 줄이며 3) 엣지 디바이스의 유휴 컴퓨팅 자원을 활용하여 중앙 서버의 계산 부담을 줄이고 더 빠른 실시간 인사이트를 제공할 수 있을 것으로 기대된다.

요컨대, 탈중앙화된 연합 학습이 구조적으로 다양한 참여자들의 참여를 유도하고 AI 모델이 학습되는 라이프사이클을 지속 가능하게 설계했다면, 엣지 컴퓨팅 관련 이니셔티브들은 이러한 탈중앙화된 연합 학습의 원활한 운영을 돕는 촉매제 역할을 한다고 볼 수 있겠다.

현재까지 구체적인 이니셔티브 발표는 나오지 않았지만, FLock.io는 Apple Silicon 디바이스를 시작으로 추후 더 많은 개인용 컴퓨터와 모바일 기기를 통한 AI 모델의 학습 진입 장벽을 낮춰 엣지 컴퓨팅 이니셔티브를 강화할 것이라는 계획을 밝혔다.

2.3 FLock.io의 접근법에 대한 의의

필자의 이전 아티클에서 서술하였듯 FLock.io의 비전과 설계에는 AI 서비스가 최초로 생성되고 실질적으로 활용되기까지 전 과정을 민주화하려는 노력이 돋보인다.

우선, AI에 대한 깊은 지식이 없는 개인이나 기업도 쉽게 모델을 제안할 수 있도록 함으로써, 모델 생성 과정을 민주화한다. 그리고 해당 모델이 생성되고 학습되는 과정에서는 데이터 제공자들의 개인 데이터에 접근할 수 있으므로 데이터의 민주화도 함께 이루어질 수 있다.

또한, 개별 모델의 활용처가 확대됨에 따라 생성되는 경제적/사회적 가치를 다양한 참여자들과 광범위하게 공유하고, 네트워크의 운영에 참여를 통해 누구나 그 이익을 쉽게 공유할 수 있도록 함으로써, AI가 진보함에 따라 늘어나는 가치의 분배도 민주화될 수 있다.

그리고 이제는 더욱 컨텍스츄얼하고 심층적인 인사이트를 제공하는 동시에 학습의 진입장벽을 낮춰줄 수 있는 엣지 컴퓨팅의 개념을 더욱 실체화하여 기존의 아키텍처에 적용함으로써, 모델 학습 참여의 민주화에도 한발짝 다가서려 한다.

기술이 다양한 산업에 확장가능한 방식으로 발전하기 위해서는 여러 방면에서 기술에 대한 실험이 이뤄지고 연구되어야 한다. FLock.io의 AI를 민주화하기위한 이러한 접근법들은 단순히 AI 산업의 민주화를 꿈꿔볼 수 있도록 새로운 아이디어를 제공해주는 개척자로써의 의의를 넘어, 블록체인을 활용한 다양한 영역의 각 서비스들이 저마다의 방식을 더욱 확장하며 발전시키는 방식을 고민하고 연구하고 채택함에 있어 교훈을준다.

기술이 다양한 산업에 확장 가능한 방식으로 발전하려면 중앙화된 주체가 아닌, 여러 주체에 의해 다양한 측면에서의 실험과 연구가 필수적이다. FLock.io의 AI 모델 학습을 민주화하기 위한 그간의 접근법들은 단순히 우리가 AI 산업의 민주화를 꿈꿀 수 있도록 하는데 그치지 않고, 블록체인을 활용한 각 분야의 서비스들이 자신만의 고유한 방식을 확장하고 발전시키는 과정에서 중요한 통찰과 교훈을 제공한다.

3. 참고 자료

관련 아티클, 뉴스, 트윗 등 :

• FLock.io - Twitter Posting

• FLock.io - Whitepaper

• Four Pillars - FLock.io : The Base Layer for AI Democratization

• FSP Group - What Is Edge Computing? 8 Examples and Architecture You Should Know

• Ádám Szaller, Christian Fries, Botond Kádár - ”Financial aspects of a trust-based resource sharing platform,” CIRP Journal of Manufacturing Science and Technology, Volume 43, 2023, Pages 88-105.

관련 프로젝트와 인물들 :

• Four Pillars (@FourPillarsFP) - Jay (@JayLovesPotato)

• FLock.io (@flock_io)