에지에서 지속 학습으로 실시간 품질 관리 혁신

초록

본 논문은 산업 현장의 실시간 품질 관리를 위해 에지 컴퓨팅 환경에 지속 학습(Continual Learning) 모델을 적용한 범용 아키텍처를 제안한다. 라즈베리 파이 기반 저전력 디바이스와 Docker·MLflow를 활용해 데이터 관리, 모델 학습·예측, 최적화 모듈을 구성하고, 치즈 제조 공정에서의 하드니스 예측 및 결함 교정 사례를 통해 catastrophic forgetting을 완화하면서 연속적인 모델 업데이트가 가능함을 실증하였다.

상세 분석

이 연구는 에지 컴퓨팅과 지속 학습을 결합한 시스템 설계에 있어 몇 가지 핵심 기술적 기여를 제공한다. 첫째, 데이터 관리 모듈은 센서 스트림과 실험실 라벨 데이터를 실시간으로 수집·전처리하고, 부정적인 예측이 발생하면 즉시 Optimizer 로 전달하는 피드백 루프를 구현한다. 이를 통해 에지 디바이스가 단순히 추론만 수행하는 것이 아니라, 현장 상황에 따라 학습 데이터를 자동으로 라벨링하고 재학습을 트리거한다는 점이 주목할 만하다. 둘째, 모델 학습 파이프라인은 MLflow와 Docker를 결합해 컨테이너화된 환경을 제공한다. 모델 버전 관리, 메트릭 로깅, 자동 재배포가 표준화되어 있어 운영 단계에서 발생할 수 있는 배포 오류를 최소화한다. 셋째, 지속 학습 코어인 TRIL³는 두 가지 서브모듈을 이용한다. XuIL VQ는 과거 작업의 합성 데이터를 생성해 메모리 사용을 최소화하면서도 지식 보존을 가능하게 하고, DNDF는 합성 데이터를 이용해 새로운 분류 태스크를 순차적으로 학습한다. 이러한 설계는 특히 표형 데이터가 중심인 제조 공정에서 효과적이며, 기존의 전체 재학습 방식에 비해 연산량과 에너지 소비를 크게 절감한다. 넷째, Optimizer는 부정 예측(결함) 발생 시 그라디언트 기반의 그리드 서치를 수행해 입력 변수의 최적 조합을 도출한다. 이는 공정 파라미터를 실시간으로 조정해 품질을 회복시키는 자동 제어 메커니즘으로, 인간‑인‑루프(Human‑in‑the‑Loop)와 결합해 라벨링 정확성을 확보한다. 마지막으로, 라즈베리 파이 4B를 에지 노드로 선택한 이유는 CPU·GPU 성능과 전력 효율, 비용 측면에서 산업 현장의 대규모 배포에 적합하기 때문이다. 전체 시스템은 클라우드 의존성을 최소화하면서도 로컬에서 완전한 학습·추론·최적화 사이클을 수행한다는 점에서 에지 AI의 실용성을 크게 높인다.