ITPE * JackerLab

책임공유모델(SRM, Shared Responsibility Model)

개요책임공유모델(Shared Responsibility Model, SRM)은 클라우드 컴퓨팅 환경에서 클라우드 제공자(Cloud Provider)와 클라우드 사용자(고객) 간의 보안 및 규정 준수 책임이 어떻게 나뉘는지를 정의한 개념입니다. 이 모델은 ‘모든 보안 책임은 클라우드 제공자가 진다’는 오해를 바로잡고, 클라우드 보안 사고를 예방하기 위한 핵심 전략으로 활용됩니다. AWS, Azure, GCP 등 모든 주요 CSP는 SRM을 공식적으로 적용하고 있습니다.1. 개념 및 정의 항목 설명 정의클라우드 환경에서 보안과 운영 책임을 클라우드 제공자와 사용자 간에 명확히 분리한 보안 책임 모델목적역할·책임의 불분명으로 인한 보안 사고 방지, 규정 준수 명확화적용 대상IaaS, PaaS, SaaS 전 ..

앙상블 기법(Ensemble Learning)

개요앙상블 기법(Ensemble Learning)은 하나의 모델이 아닌 여러 개의 머신러닝 모델을 조합하여 예측 성능을 높이는 학습 방법입니다. 각각의 모델이 가진 약점을 보완하고, 예측 결과의 분산을 줄여 더 안정적이고 정확한 성능을 확보할 수 있습니다. 특히 Kaggle 대회 우승자들이 가장 즐겨 사용하는 실전형 전략이며, 분류, 회귀, 이상 탐지 등 다양한 ML 분야에서 폭넓게 활용되고 있습니다.1. 개념 및 정의 항목 설명 정의여러 개의 개별 모델(weak/strong learner)을 결합해 하나의 예측 결과를 생성하는 기법목적단일 모델보다 높은 정확도, 일반화 성능 확보기본 가정여러 약한 모델의 조합은 강한 모델보다 더 뛰어난 성능을 낼 수 있음2. 앙상블 기법 유형유형설명대표 기법Baggi..

엠나스넷(MnasNet)

개요MnasNet(엠나스넷)은 Google Brain이 발표한 Neural Architecture Search(NAS) 기반의 경량 CNN 모델로, 모바일 환경에서 정확도와 지연시간(latency)을 동시에 최적화하기 위해 설계된 딥러닝 구조입니다. NASNet, MobileNetV2 등의 단점을 보완하며, 실제 디바이스 측정 지연시간을 학습 목표에 직접 반영한 점에서 차별화됩니다. Edge AI·온디바이스 AI의 실용화를 위한 핵심 구조 중 하나입니다.1. 개념 및 정의 항목 설명 정의실시간 추론이 필요한 모바일 디바이스 환경에 맞춰 자동 설계된 NAS 기반 CNN 모델개발 주체Google Brain (2018, CVPR 논문 발표)핵심 특징다목표 최적화(Objective Trade-off: Accu..

넷어댑트(NetAdapt)

개요NetAdapt(넷어댑트)는 주어진 하드웨어 성능 제약(예: 연산량, 지연시간, 메모리 크기)에 맞춰 자동으로 최적의 딥러닝 모델 구조를 찾아주는 경량화 알고리즘입니다. 기존의 고정된 네트워크 구조를 사용하는 것이 아니라, 성능 손실을 최소화하면서 하드웨어 자원에 최적화된 경량 모델을 자동 탐색하여, 실제 환경에서 추론 효율을 극대화하는 것이 핵심입니다.1. 개념 및 정의 항목 설명 정의실제 하드웨어 측정 기반으로 딥러닝 모델을 자동 경량화하여 추론 효율을 최적화하는 알고리즘개발 배경수동 튜닝의 한계, 연산량 기반 최적화의 실제 성능 불일치 문제를 해결하기 위해 등장적용 분야스마트폰, IoT, 드론, 자율주행, 로봇 등의 엣지 환경 AI 모델 최적화2. 작동 방식단계설명1. 성능 측정원본 모델을 다..

셔플넷(ShuffleNet)

개요ShuffleNet은 경량 딥러닝 모델로, 모바일·IoT 환경에서도 높은 정확도를 유지하면서도 매우 낮은 연산량과 파라미터 수를 갖춘 합성곱 신경망(CNN) 구조입니다. 2017년 중국 메그비(Megvii, Face++) 연구진이 발표했으며, Group Convolution과 Channel Shuffle이라는 두 가지 혁신적 기법을 도입해 MobileNet 대비 더 높은 연산 효율을 달성한 것이 특징입니다.1. 개념 및 정의 항목 설명 정의경량 모델에서 발생하는 채널 간 정보 흐름의 한계를 해결하기 위해 ‘채널 셔플링(Channel Shuffle)’을 적용한 CNN 구조목적경량화된 모델에서 정보 병목을 최소화하면서도 정확도 향상대표 구조ShuffleNet V1, ShuffleNet V2 (2018)..

모바일넷(MobileNet)

개요MobileNet은 모바일, IoT, 임베디드 디바이스처럼 연산 및 메모리 자원이 제한된 환경에서 실시간 딥러닝 추론이 가능하도록 설계된 경량 합성곱 신경망(CNN) 구조입니다. Google이 2017년 발표한 MobileNet은 경량성과 정확도 사이의 균형을 맞추기 위해 깊이별 분리 합성곱(Depthwise Separable Convolution)이라는 혁신적인 구조를 도입했으며, 이후 다양한 변형(MobileNetV2, V3 등)을 통해 성능이 지속적으로 개선되고 있습니다.1. 개념 및 정의 항목 설명 정의경량 CNN 모델로, 연산량과 파라미터 수를 줄이기 위한 Depthwise Separable Convolution 기반 구조목적모바일·에지 디바이스에서 효율적이고 빠른 추론이 가능하도록 최적화..

덴스넷(DenseNet)

개요DenseNet(Dense Convolutional Network)은 레이어 간의 연결 방식을 혁신적으로 바꿔, 각 레이어가 이전 모든 레이어의 출력을 입력으로 사용하는 ‘전결합(Dense Connectivity)’ 구조를 가진 합성곱 신경망(CNN)입니다. 2017년 Huang et al.이 발표한 DenseNet은 파라미터 수를 줄이면서도 뛰어난 성능과 학습 효율을 보여주며, ResNet 이후의 대표적 CNN 진화 구조로 평가받고 있습니다.1. 개념 및 정의 항목 설명 정의각 레이어가 앞선 모든 레이어의 특징 맵을 입력으로 받아 연산하는 CNN 아키텍처구조 특징Dense Block, Transition Layer, Growth Rate 등의 개념 도입목표정보 손실 최소화, 특징 재사용 극대화, ..

스퀴즈넷(SqueezeNet)

개요SqueezeNet은 딥러닝 모델의 크기(파라미터 수)를 극도로 줄이면서도 AlexNet 수준의 정확도를 유지하는 것을 목표로 개발된 초경량 합성곱 신경망(CNN) 구조입니다. 2016년 Forrest N. Iandola 등 UC Berkeley 팀이 제안했으며, 경량 딥러닝 분야에서 대표적인 연구 결과로 인정받고 있습니다. 특히 모바일, 임베디드, IoT 장비와 같이 메모리·계산 자원이 제한된 환경에서 강력한 이미지 인식 성능을 제공하는 것이 특징입니다.1. 개념 및 정의 항목 설명 정의파라미터 수를 50배 이상 줄이면서도 AlexNet 수준의 정확도를 유지하는 초경량 CNN 모델모델 크기약 4.8MB (AlexNet: 약 240MB)주요 특징파라미터 절감, 연산 효율화, 경량화에 최적화된 아키텍..

레즈넷(ResNet)

개요ResNet(Residual Network, 레즈넷)은 딥러닝 모델의 층을 깊게 쌓을수록 발생하는 학습 저하 문제(Vanishing Gradient, Degradation Problem)를 해결하기 위해 제안된 잔차 학습 기반 신경망 구조입니다. Microsoft의 He et al.이 2015년 발표한 ResNet은 ILSVRC 이미지 분류 대회에서 우승하며 CNN 구조의 새로운 전환점을 마련했으며, 현재도 다양한 비전 모델 및 변형 모델의 기반이 되는 핵심 구조입니다.1. 개념 및 정의 항목 설명 정의입력 정보를 '직접 전달(skip connection)'해 잔차 학습을 수행하는 CNN 기반 딥러닝 모델목적딥러닝의 깊이 증가로 발생하는 학습 저하, 기울기 소실 문제를 해결주요 구조Residual ..

경량 딥러닝 기술(Lightweight Deep Learning)

개요경량 딥러닝 기술(Lightweight Deep Learning)은 인공지능(AI) 모델의 크기, 계산량, 전력 소비를 최소화하여 모바일, IoT, 임베디드, 에지 디바이스 등 성능 제약이 있는 환경에서도 딥러닝을 실행할 수 있도록 최적화하는 기술입니다. AI의 클라우드 중심 구조에서 벗어나 디바이스 자체에서의 추론이 가능해짐으로써 지연 최소화, 네트워크 의존도 감소, 개인정보 보호 등 다양한 이점을 제공합니다.1. 개념 및 정의 항목 설명 정의기존의 대형 AI 모델을 크기, 속도, 연산 효율 면에서 최적화하여 저사양 환경에서도 동작하도록 경량화한 기술적용 환경모바일 앱, IoT 기기, CCTV, 드론, 웨어러블, 자동차 등목적AI의 온디바이스(On-Device) 실행을 가능하게 하여 실시간 처리와..