브라우저 기반 머신러닝 프레임워크 MLitB

초록

MLitB는 JavaScript로 구현된 브라우저 전용 머신러닝 프레임워크로, 웹소켓·웹워커·Node.js 서버를 이용해 전 세계의 다양한 디바이스를 동시 학습에 참여시킨다. 분산 확률적 경사 하강법(SGD) 기반의 동기식 학습과 JSON 기반 모델 저장을 통해 재현 가능하고 설치가 필요 없는 학습·예측 환경을 제공한다.

상세 분석

MLitB는 “모든 인터넷 연결 디바이스를 학습 노드로 활용한다”는 목표 아래 설계된 최초 수준의 시스템이다. 핵심 설계 선택은 JavaScript와 현대 웹 API(웹워커, 웹소켓, XHR)를 이용해 클라이언트‑서버 간 비동기 이벤트 흐름을 구현한 점이다. 클라이언트는 UI 워커(‘boss’)가 생성한 여러 워커에게 학습, 데이터 로드, 파라미터 전송 등 역할을 할당하고, 각 워커는 별도 스레드에서 독립적으로 실행된다. 서버는 Node.js 기반 마스터와 데이터 서버로 구분되며, 마스터는 연결된 클라이언트를 관리하고, 매 iteration마다 파라미터를 집계(reduce)하고 재분배(map)한다. 이때 사용된 ‘맞춤형 map‑reduce 동기식 이벤트 루프’는 분산 SGD의 동기식 버전을 구현한다. 각 클라이언트는 로컬 데이터 샘플을 미니배치 단위로 처리하고, 계산된 그래디언트를 서버에 전송한다. 서버는 모든 그래디언트를 평균화한 후 새로운 파라미터를 브로드캐스트한다. 이러한 동기식 방식은 수렴 안정성을 보장하지만, 네트워크 지연·클라이언트 이탈에 민감하다. 논문은 클라이언트 이탈 시 데이터와 작업을 재할당하는 메커니즘을 제시했으며, 최대 100개의 동시 클라이언트 실험에서 1.5배 정도의 속도 향상을 관찰했다.

MLitB가 JavaScript를 선택한 이유는 웹 브라우저의 보편성(전 세계 90% 이상 사이트)과 활발한 엔진 최적화(예: V8, SpiderMonkey) 때문이다. 현재 JavaScript는 고성능 수치 연산 라이브러리가 부족하지만, 최근 WebGL·WebGPU와 같은 GPU 가속 API가 등장하면서 브라우저에서도 대규모 행렬 연산이 가능해졌다. 논문은 아직 GPU 지원을 구현하지 않았지만, 향후 WebGPU를 통한 가속이 설계에 자연스럽게 통합될 수 있음을 강조한다.

재현 가능성 측면에서 MLitB는 모델·알고리즘·파라미터를 모두 JSON 형태로 직렬화한다. 이를 ‘research closure’라 부르며, 다른 연구자가 동일한 파일을 로드해 바로 학습을 재현하거나 파라미터만을 이용해 추론을 수행할 수 있다. 이러한 접근은 기존 딥러닝 프레임워크(Caffe, TensorFlow)의 복잡한 환경 설정을 회피하고, 브라우저만 있으면 즉시 실행 가능한 ‘공공재’ 형태의 모델 배포를 가능하게 한다.

하지만 몇 가지 한계도 존재한다. 첫째, 브라우저 기반 클라이언트는 메모리·CPU·전력 제약이 크며, 특히 모바일 디바이스는 배터리 소모와 온도 관리가 필요하다. 둘째, 동기식 SGD는 느린 클라이언트가 전체 학습 속도를 제한하는 ‘straggler’ 문제에 취약하다. 셋째, 현재 구현은 데이터 전송에 zip 파일과 XHR을 사용해 효율성을 높였지만, 대규모 이미지·비디오 데이터셋을 실시간 스트리밍하기엔 한계가 있다. 마지막으로 보안·프라이버시 측면에서 클라이언트가 원본 데이터를 서버에 전송하지 않고 로컬에서만 학습하도록 하는 연합 학습(Federated Learning) 방식이 아직 구현되지 않았다.

이러한 과제를 해결하기 위해 논문은 향후 연구 로드맵으로 (1) WebGPU 기반 GPU 가속, (2) 비동기식 또는 탄력적 SGD 설계, (3) 연합 학습 프로토콜 도입, (4) 클라우드·그리드와의 하이브리드 연동을 제시한다. 전반적으로 MLitB는 브라우저를 ‘전 세계적인 저비용 컴퓨팅 풀’로 전환하려는 시도로, 학술 재현성, 교육, 대중 참여형 AI 서비스 등 다양한 응용 가능성을 열어준다.