엣지 AI를 위한 확장 가능한 설명 서비스 XaaS

초록

본 논문은 엣지·IoT 환경에서 XAI를 효율적으로 제공하기 위해 설명 생성과 추론을 분리하고, 설명 캐시·검증·적응형 엔진을 결합한 XaaS(Explainability‑as‑a‑Service) 아키텍처를 제안한다. 시맨틱 유사도 기반 캐시 검색, 경량 검증 프로토콜, 디바이스·요구사항에 맞는 설명 방법 선택을 통해 평균 지연시간을 38 % 감소시키면서 높은 설명 품질을 유지한다. 제조 품질 검사, 자율주행 차량, 의료 진단 등 세 가지 실험 시나리오에서 실증적으로 검증하였다.

상세 분석

이 논문은 엣지 AI 시스템에서 XAI 적용이 “동시 생성(coupled)” 방식에 의존해 연산 중복, 높은 지연, 확장성 부족이라는 근본적인 문제를 지적한다. 이를 해결하기 위해 제안된 XaaS는 설명을 독립적인 서비스로 전환하고, 세 가지 핵심 메커니즘을 도입한다. 첫째, 시맨틱 유사도 기반의 분산 설명 캐시를 구축한다. 입력 데이터를 CLIP·BERT 등 사전 학습된 임베딩 모델로 변환한 뒤 FAISS를 이용해 근접 이웃을 빠르게 탐색하고, d_sem(x, x′)<ε_sim, 예측 일치, 모델 버전 일치, 요구된 충실도 만족이라는 네 가지 유효성 조건을 만족하면 캐시된 설명을 재사용한다. 이는 동일하거나 유사한 입력에 대해 2~3 order magnitude의 비용 절감을 가능하게 한다. 둘째, 경량 검증 프로토콜을 설계한다. 전체 LIME·SHAP와 달리 15개의 퍼트베이션만으로 설명의 충실도를 추정하고, 95.5 % 이상의 무효 설명을 탐지하면서 성능 손실은 3.2 %에 불과하다. 이는 캐시된 설명이 모델 업데이트나 데이터 드리프트에 의해 손상되는 경우를 실시간으로 차단한다. 셋째, 적응형 설명 엔진은 디바이스의 연산 능력(C_i), 네트워크 대역폭(B_i), 지연 허용치(L_i) 등을 고려해 비용 함수 α·T_compute + β·T_comm을 최소화하는 설명 방법(m*)과 실행 위치(ℓ*)를 선택한다. Greedy 탐색을 통해 |M|·|L| 시간 복잡도로 최적 조합을 찾으며, 고충실도·저지연 요구가 충돌할 경우 우선순위 기반으로 대체 방법을 제시한다.

논문은 시스템 모델을 수학적으로 정의하고, 비용 최소화와 충실도·지연 제약을 포함한 최적화 문제(식 3‑6)를 제시한다. 그러나 이 문제는 다목적, 동적 환경, 캐시 조회 비용 등으로 NP‑hard에 가깝기에, 저자는 휴리스틱 기반 근사 해법을 제안한다. 또한, 가정(A1‑A5)을 명시함으로써 적용 범위를 명확히 하고, 특히 모델 업데이트 주기가 설명 요청보다 느리다는 전제하에 캐시 효율성을 확보한다.

실험에서는 제조 품질 제어(MQC), 자율주행 차량(AVF), 의료 모니터링(HCM) 세 가지 실제 워크로드에 대해 XaaS와 기존 “동시 생성” 방식, 그리고 단순 캐시·MLaaS 등을 비교한다. 평균 지연시간 감소율 38 %를 기록했으며, 캐시 적중률은 62 %71 % 수준이었다. 설명 품질은 SHAP·LIME 기준 0.840.89의 F1 점수를 유지했으며, 경량 검증으로 인한 오탐률은 4.5 % 이하였다. 또한, 다양한 디바이스(Raspberry Pi 4, Jetson Nano, 고성능 GPU)에서 자원 사용량을 측정했을 때, XaaS는 CPU 사용량을 30 %~45 % 절감하고, 네트워크 트래픽도 25 % 감소시켰다.

전체적으로 이 논문은 XAI를 시스템 수준 서비스로 재구성함으로써 엣지 AI의 실용성을 크게 향상시킨다. 특히 시맨틱 캐시와 경량 검증이라는 두 축을 결합한 설계는 기존 연구가 놓친 “설명 재사용” 문제를 해결하고, 다양한 하드웨어·네트워크 환경에 대한 적응성을 제공한다. 다만, 캐시 유효성 판단에 사용되는 시맨틱 임베딩의 품질에 따라 성능 변동이 클 수 있으며, 고차원 텍스트·시계열 데이터에 대한 임베딩 선택이 추가 연구 과제로 남는다.