온디바이스 AI는 클라우드 서버에 의존하지 않고 스마트폰, 태블릿, PC 등 기기 자체에서 AI 기능을 수행하는 기술이라고 하셨는데 그렇다면 시스템 업데이트와 같은 외부에서 자료를 받아와서 하는 작업은 어떻게 수행할지 궁금합니다.

온디바이스 AI는 데이터를 서버로 보내지 않아 보안에 유리하다고 하지만, 기기 자체에 중요한 정보가 저장되기에, 애초에 그 기기가 도난당하거나 해킹되면 오히려 공격 대상이 뚜렷해지고, 보안 취약점이 될 수 있지 않나라는 생각이 들었다. 

 

강연 중에 온디바이스 AI와 연합학습이 기존의 클라우드 기반 AI에 비해 개인정보 보호 측면에서 큰 강점을 갖고 있다는 말씀에 깊은 인상을 받았습니다. 실제로 사용자 데이터를 디바이스 내부에서 처리하고, 서버에는 원본 데이터를 보내지 않기 때문에 프라이버시 침해 위험을 크게 줄일 수 있다는 설명이 매우 설득력 있게 느껴졌습니다.
그런데 최근에 AI 보안 관련 자료를 찾아보던 중, ‘기울기 유출'이나 ‘모델 반추 공격’ 같은 기법을 통해, 학습 과정에서 전송되는 모델 업데이트나 파라미터만으로도 원본 데이터를 유추해낼 수 있다는 연구 사례를 보게 되었습니다. 즉, 연합학습처럼 원본 데이터를 직접 공유하지 않는 방식에서도, 학습에 참여한 디바이스의 민감한 정보가 유출될 수 있다는 우려가 존재한다는 것입니다.

AI 모델이 지속적으로 발전하면서 새로운 업데이트가 필요한 경우가 있을 것 같은데 온디바이스 AI는 클라우드 연결 없이도 모델을 업데이트 하는 방법이 있는지, 없다면 최신 AI기능을 어떻게 사용자에게 제공하는지 궁금합니다.

테슬라의 휴머노이드 로봇 ‘옵티머스’는 인간처럼 걷고, 물건을 들고, 카메라로 주변을 인식하며 스스로 판단하고 움직입니다. 이러한 동작 대부분은 인터넷 없이 로봇 내부에서 처리되는 온디바이스 AI 기술로 작동됩니다.

강의에서는 개인정보 보호를 장점으로 강조했지만, 기기 내 AI가 모든 데이터를 ‘침묵 속에’ 처리한다는 점에서 투명성이 떨어질 수도 있을 것 같습니다.
예를 들어 애플 시리의 비공개 AI 분석 등은 오히려 사용자의 이해 없이 이루어지는 감시가 될 수 있을 것 같아서요.

클라우드 중심 AI는 대규모 서버, 네트워크, 데이터센터를 기반으로 한 거대 기업(Google, Amazon 등)의 독점 구조를 형성해왔습니다. 온디바이스 AI는 분산형 처리 방식이므로, 산업 구조 자체에 탈중앙화, 에지 컴퓨팅 중심의 변화가 예상됩니다. 또한 무거운 AI에서 가벼운 AI로의 전환이 많은 변화를 불러오지 않을까 궁금합니다.

온디바이스 AI는 서버 없이 디바이스 자체에서 데이터를 처리해 빠른 반응과 높은 프라이버시를 제공하는 기술로, 현재는 주로 스마트폰, 차량, 헬스케어 등에 활용되고 있습니다.

하지만 향후에는 우주, 군사, 재난대응 등 극한 환경에서도 통신이 불가능하거나 지연이 큰 상황에서 자체 판단과 추론이 가능한 AI가 필요해질 것입니다.

이런 환경에서 온디바이스 AI는 중요한 역할을 할 수 있지만,
고온·방사선·전력 제한 등 극한 조건에 견디는 하드웨어와 에너지 효율성, 신뢰성 있는 판단 알고리즘 같은 기술적 보완이 필수입니다.

따라서 이 질문은 단순한 기술 확장이 아닌, AI의 생존성과 자율성을 미래 산업과 연계점에서의 의문이 생겨서 질문한 것입니다. 

온디바이스 AI는 내 스마트폰 안에서 작동하고, 연합학습은 여러 사람이 데이터를 공유하지 않고도 함께 AI를 발전시키는 기술입니다. 하지만 만약 어떤 사람의 기기에는 잘못된 정보나 이상한 데이터가 저장돼 있다면, 그 사람의 AI가 전체 AI 학습에 잘못된 영향을 줄 수도 있을 것 같습니다.   이런 문제를 해결하기 위한 방법에 대해 생각해보고자 이같은 질문을 해보았습니다. 

온디바이스 AI는 외부와의 연락을 끊고 기기 내에서만 사용하기 때문에 업데이트 등이 어려울 수 있습니다. 만약 새로운 내용이 들어가야 한다면 업데이트를 해야 하나요?

• 온디바이스 AI와 연합학습 모두 기기 성능, 네트워크 연결성, 모델 크기, 에너지 소모 등에서 한계가 있습니다. 이를 극복하기 위한 경량화 모델, 효율적 통신 프로토콜, 하드웨어 최적화, 분산 학습 알고리즘 개선 등의 최신 동향을 알고 싶습니다.

온디바이스 AI가 사용자 몰래 하거나 개인정보같은거로 안 좋게 될수 있을거같은데 이러한 문제를 해결하는게 쉬운일인지 어려운일인지 해결할수는 있는지 궁금합니다

온디바이스 AI는 기기 내부에서 데이터를 처리하기 때문에, 클라우드에 정보를 보내지 않고도 사용자에게 맞춤형 서비스를 제공합니다. 하지만 이 과정에서 사용자의 위치 정보, 생체 정보, 습관 등 개인적이고 민감한 정보가 지속적으로 수집되고 분석됩니다.

물론 데이터가 외부로 나가지 않는다는 점은 프라이버시를 보호하는 장점이 있지만, 기기 내부에 저장되는 정보조차 누군가에게 노출될 가능성도 있습니다. 또한 사용자가 이를 정확히 인식하지 못한 채 AI를 사용하는 경우도 많습니다.

따라서, 사용자의 동의 없이 민감한 정보를 계속 수집하고 분석하는 행위는 윤리적으로 정당한가?라는 의문이 듭니다.

 온디바이스 AI는 사용자의 상태를 바탕으로 인터넷 연결 없이 수시로 가동되는 요즘 화두가 되고 있는 인공지능입니다. 그런데 여기서 온디바이스 AI의 대답을 출력하려면 사용자의 상태 정보가 자료로 제공되어야 하는데, 이 상태에 대한 측정은 절대적인 측정인가요 상대적인 측정인가요? ***절대적인 측정이란 사용자에 관계없이 어느 일정한 수치에 도달하거나 그 일정한 수치를 나타내면 반응을 출력하는 방식을 의미합니다(즉, 모든 사용자의 체질 등 개인적인 요소에 관계없이=====> 일정한 반응)
 반면에 ***상대적인 측정이란 사용자의 개인 상태에 맞춤화하여 개인에 맞는 정보를 제공하는 방식을 의미합니다(사용자의 신체, 생리 활동 등을 주기적으로 측정하여 규칙 등을 나타내는 것)
 온디바이스 AI에서는 개인에 맞춤화된 AI 시스템이 요구되는데, 현재 화두되고 있는 온디바이스 AI는 어느 측정 방향을 적용하고 있는지 궁금합니다.

이 강의를 들으면서 저는 온디바이스 ai를 통해 인공지능의 독립화에 대해 집중하게 되었습니다.
온디바이스 ai는 클라우드에게 영향받지 않기에 모델 학습에 사용되는 데이터 또한 그 기기로만 입력받을 수 있다면 하나의 독립적인 기기 그 자체로 ai가 만들어 질 수 있을 것 같았습니다.

저는 이 방법이 인간의 학습과 비슷하다고 생각했습니다. 인간 또한 독립적으로 오감에 의해 주변의 데이터를 통해 학습하면서 성장합니다.
이런 인간과 온디바이스 ai의 비슷한 점은, 크롤링으로 데이터로 인해 창작된 인공지능 생성물들이 저작권을 인정받지 못한다는 점을 보완할 수 있었을 것 같았습니다. 
크롤링을 통한 무분별한 정보 수집이 아닌 인간처럼 주변 환경에 따라 기기만의 데이터셋을 만들고 그것을 기반으로 하면 ai마다의 독창성도 있을 것이고 센서로 인한 직접 데이터 수집이니 이런 방법으로 만들어진 ai 생성물은 저작권 인정을 받을 수 있을까요?

연합학습된 AI는 우리의 개인정보를 다른 곳에 유출시킬 우려가 없다는 장점이 있다. 그럼 메타버스 분야에서도 개인적인 데이터를 누군가에게 유출하지 않으면서 AI가 학습될 수 있으니 AI가 나를 대변하는 메타버스를 만들 수 있을 것이다. 이러한 환경은 여러 사람을 필요로 하는 정신학 설문 등에 보다 저렴하고 솔직하게 답할 수 있는 아바타를 구현하는 등 여러 면에서 효율적으로 쓰일 수 있지 않을까?

연합학습은 각 기기가 자신의 데이터를 기반으로 AI를 훈련한 뒤, 그 결과만을 서버에 보내 전체 모델을 개선하는 방식이라고 알고 있습니다. 이론적으로는 개인정보 보호와 분산처리라는 장점이 있지만, 현실에서는 모든 기기가 동일한 조건을 갖추고 있지 않습니다. 어떤 사람의 스마트폰은 최신형이고 데이터도 풍부한 반면, 어떤 기기는 오래되고 느릴 뿐 아니라 데이터도 적고 품질이 낮을 수도 있습니다. 특히 이렇게 수집된 데이터가 편향되어 있거나, 특정 기기에서 생성된 결과가 전체 모델에 과도한 영향을 미친다면 오히려 학습 성능이 떨어질 수도 있지 않을까요? 이런 기기 간 차이가 실제 연합학습 시스템에서 어떻게 보완되거나 조절되는지 궁금합니다.

온디바이스 기술은 기기 내부에서 AI가 파악하고 처리해서 외부의 연결이나 데이터 없이도 할 수 있는 기술이라고 이해했는데 그럼 이 기술이 용량만 허용된다면 진짜로 하나의 세계를 외부의 접촉 없이 만들수도 있을까?

만약 기기를 분실하거나 도난당했을 때, 암호화된 사용자 정보 외에 기기 내에 저장된 'AI 모델 자체'나, 사용자에 맞춰 미세조정되며 생성된 '개인화 데이터'를 추출해낼 가능성은 없는지 궁금합니다. 만약 가능하다면, 이는 사용자의 생각이나 행동 패턴까지 유출될 수 있다는 의미인데 이를 막을 보안 장치가 있을까요?

온디바이스 AI와 연합학습이 개인정보를 외부로 보내지 않고도 AI 서비스를 제공할 수 있다는 점에서 주목받지만, 실제 보호 효과와 법적·윤리적 충분성에 대한 의문이 제기된다.

온디바이스 AI는 클라우드에 데이터를 전송하지 않고도 스마트폰이나 웨어러블 기기 등 사용자 개인의 디바이스 안에서 실시간으로 학습하고 반응하는 기술이다. 여기에 연합학습이 결합되면, 수많은 사람의 기기에서 동시에 학습하면서도 개인정보는 보호되고, 정확도는 점점 높아진다. 이 기술이 발전할수록 내 AI는 나의 말버릇, 감정 패턴, 관심사, 건강 상태, 일상 루틴까지 학습하게 되고, 점점 나를 더 정확히 예측하게 된다. 이쯤 되면 질문이 생긴다. ‘이제 나보다 나를 더 잘 아는 AI가 나를 대신해 의사결정을 하게 된다면, 나는 여전히 내 삶의 주인이 맞을까?’

인공지능을 사용할 때 가장 걱정되는 것 중 하나가 개인정보가 외부로 유출되는 일입니다. 그런데 온디바이스 AI는 데이터를 기기 안에서 처리한다고 해서, 개인정보 보호에 더 좋다고 들었습니다. 실제로 얼마나 안전한지, 어떤 방식으로 개인정보를 지키는지 궁금해져서 이 질문을 만들었습니다.

온디바이스는 AI가 클라우드에 접속하지 않고도 스마트폰이나 번역기 등의 기기에서 즉각적으로, 그리고 자체적으로 작동할 수 있다고 소개합니다. 그러나 이는 우리가 통상적으로 알고 있는, 인공 지능은 인터넷이 있어야만, 거대한 정보의 바다, 즉 클라우드가 있어야만 작동한다는 사실과 다릅니다. 어떻게 온디바이스 AI는 인터넷 없이도 기기에서 바로 말하고 듣고 번역까지 하는 모습을 보일까요? AI에 필요한 정보가 모두 그 기기 안에 물리적으로 있어야 하고, 연산이나 데이터까지 전부 있어야 하는데 어떻게 가능한 걸까요?

블록체인기술도 한 곳에서 데이터를 모으는 것이 아니고 자체적이라는 점이 비슷한 것 같은데 공통점과 차이점이 궁금합니다.

온디바이스 AI는 사용자의 스마트폰과 같이 클라우드 AI가 사용하는 데이터 센터보다 낮은 성능을 가지는 기기에서 작동합니다. 클라우드 AI와 비슷한 수준의 성능을 사용자의 기기 내에서 끌어낼 만한 방안이 있을 지 궁금합니다.

온디바이스가 아무리 기기안에 내장되어 있어 정보가 유출이 되지 않는다고는 하지만 사람들이 느끼기에는 예를 들어 "제 3자가 내 말을 듣고 있네" 같은 걱정이 들 수 도 있습니다. 이에 대해 어떻게 해결해야 할까요?

 온디바이스 AI에 관한 설명을 듣고 어디서나 이용할 수 있는 AI라는 생각이 들었습니다. 이 온디바이스 AI와 지향성 마이크를 이용하면 주변에서 어떤 소리가 나는지 화면에 표시해서 청각장애인분들께 도움을 드릴 수 있지 않을까요?

온디바이스 연합학습이 데이터 프라이버시 측면에서 가지는 이점은 무엇인가요?

연합학습을 해서 정보는 여러 곳에 있어 소유권이 확실하지 않을것 같고,정보의 오류 등의 문제가 발생했을 때,누구의 책임인지 정의하기 힘들것이라 예상되어서

전력 문제라는 것이 강의에 나와있었는데 이것을 해결할 구체적인 해결방안이나 미래기술이 있는지 궁금합니다

연합 기술의 한계점에 대해서 궁금하고 그한계점을 보완할 수 있는 방법에는 뭐가 있을까요

다른 기술들처럼 온디바이스AI도 빠르게 발전하고 있는데  미래 발전가능성은 어느정도 일까 궁금했습니다.

온디바이스 ai는 강의에서도 언급했듯이 하드웨어 자원과 전력 소비에 한계가 있는데 이를 해결할수 있는 방안이 나와있거나, 가장 유럭한 것이 있나요?

데이터를 중앙 서버로 전송하지 않고 모델을 학슴시킬 수 있다는 점에서 개인정보 보호에 어떤 이점을 제공하는지 궁금해졌다.
 

이번 강의 영상을 보니, 온디바이스 AI의 기관별 연합훈련의 사례는 이전까지 들어본 경험이 없다는 것을 깨달아버려서, 다른 사례로는 무엇이 있는지에 관한 궁금증과 호기심이 발동되었기 때문이다

온디바이스 AI가 환자들의 상태를 딥러닝하여 의사나 간호사들에게 환자의 상태를 실시간으로 전달해주는 시스템 같은 것이 될 수 있는지,만약 된다면 어떤 이득이 있을지가 궁금합니다  예)배터리 소모가 덜하다 
그리고 일반 기기처럼 공유가 가능한지도 궁금합니다 

AI 통합 학습은 영상에서 나왔듯이 여러 긍정적 효과를 가져올 수 있지만, 너무 어린 나이에 사용하면 AI 과의존 문제 등을 일으킬 수 있다. 이를 어떻게 해결하면 좋을까?

이미 관심이 있는 부분이여서 더욱 인상 깊게 들었습니다. 연합학습에 대해 공부하면서 다시한번 Non-IID 데이터 문제가 실제로 얼마나 심각한 문제인지 알게 되었습니다. 기본적인 FedAvg는 각 클라이언트에서 로컬 학습을 한 후 단순히 가중평균하는 방식인데, 클라이언트마다 데이터 분포가 다르면 각자 다른 방향으로 학습이 진행되어서 평균을 내도 제대로 된 글로벌 모델이 만들어지지 않는다는 점이 이론적으로 흥미로웠습니다. 특히 FedProx에서 제안한 proximal term 개념이 궁금합니다. 클라이언트 모델이 글로벌 모델에서 너무 멀어지지 않도록 제약을 거는 방식인데, 이것이 단순히 regularization 효과만 있는 것인지, 아니면 Non-IID 환경에서 수렴성 자체를 보장하는 더 근본적인 역할을 하는 것인지 의문입니다. 반면 FedNova는 다른 접근법을 취합니다. objective inconsistency 문제에 주목해서 각 클라이언트의 로컬 업데이트 횟수나 학습률 차이를 normalized averaging으로 보정하는 방식인데, 이것이 정말로 Non-IID 문제의 근본 원인을 해결하는 것인지 아니면 단순히 aggregation 과정의 bias를 줄이는 정도인지 궁금합니다.

기기 자체에서 돌아가는 AI인 온디바이스 AI는 개인정보 침해 문제를 줄일 수 있을 것이다.
그런데 만약 이 온디바이스AI가 악용된다면 어떻게 되는 걸까?
범죄에 사용된다면 해당 기기에서 정보를 빼내서 사용하는 것일까?

사용자 데이터를 기반으로 동작하는 AI 시스템에서 개인정보 보호는 필수적입니다.
이 질문은 두 기술이 어떻게 사용자 정보를 안전하게 지키는지를 직접적으로 다루고 있어 현실적인 중요성이 큽니다.

영상에서는 연합 학습이 사용자 데이터를 중앙 서버에 보내지 않으면서도 AI 성능을 높일 수 있다고 설명한다. 하지만 데이터를 공유하지 않으면 모델이 어떻게 다양한 사용자 특성을 반영할 수 있을지 궁금해졌다. 즉, 데이터가 각 기기에 머무는 상황에서 모델이 어떻게 '학습'을 계속해 나갈 수 있는지, 그 원리가 알고 싶다.

연합 학습을 실시할 때에는, 개인 정보 보호를 위해 관리자는 데이터를 총체적인 값으로 받는다는 것을 알았습니다. 이 점에서, 연합 학습 시에 데이터의 평균 등을 과도하게 끌어올리거나 끌어내리는 등의 이상치는 쉽게 감지되지 않을 수 있을 것 같습니다. 그래서 저는 이상치의 존재 여부를 알아내는 방법과, 이에 대해 대응하는 방법을 알고 싶습니다.

온디바이스 ai는 신체 정보등 다양한 개인정보에 쉽게 접근할 수 있다고 이해했습니다. 그런데  앞으로 이런 기기가 더 각광 받으려면 해결책이 필요할 것 같은데 사용자의 불안감을 줄일 수 있게 정보 노출을 최소화 하려면 어떻게 해야하는지 궁금합니다

최근에는 온디바이스 AI가 스마트폰이나 웨어러블 기기에서도 개인의 행동이나 습관에 따라 다르게 반응한다고 들었습니다. 예를 들어 같은 모델이라도 어떤 사람에게는 운동을 추천하고, 다른 사람에게는 휴식을 권할 수 있습니다. 그래서 똑같은 모델을 사용하더라도 기기 환경이나 사용자에 따라 판단이 달라질 수 있는지 궁금해졌습니다. 또한 AI가 환경에 따라 다르게 반응한다면, 그것은 단순한 계산 결과인지, 아니면 상황을 고려한 ‘판단’에 가까운 행동인지도 알고 싶었습니다.

요즘 인공지능이 스마트폰 안에도 들어간다는 이야기를 들었습니다. 특히 삼성 갤럭시 S24에 들어간 ‘온디바이스 AI’는 인터넷에 연결하지 않고도 사용자의 패턴을 스스로 학습해서 맞춤형 서비스를 제공한다고 해서 놀랐습니다.

온디바이스 AI는 점점 더 똑똑해지고, 사용자에 맞게 잘 적응한다고 들었습니다. 그러다 보면 사람처럼 상황을 스스로 판단하게 될지도 모른다는 생각이 들었습니다. 그래서 단순한 도구가 아니라 조언자처럼 될 수 있을지 궁금했습니다.

서버 기반 AI는 서버를 통해 연산을 처리하는데, 온디바이스 AI는 각 디바이스에서 학습을 하므로처리 속도나 효율성에서 서버기반 ai보단 불리할것 같아요 어떤 점에서 더 유리하고 어떤 상황에서는 서버 기반 AI가 더 적합할까요?

온디바이스 AI와 연합학습은 사용자의 프라이빗한 데이터를 디바이스 내에 보관한 채로 처리함으로써 프라이버시를 보호하면서도 AI 모델을 지속적으로 개선할 수 있는 기술로 주목받고 있습니다. 그러나 각 디바이스는 성능, 메모리, 전력 사용 등에서 한계점을 지니고 있으며, 네트워크 연결 상태도 일정하지 않기 때문에, 이러한 조건 속에서 정확도와 안정성을 유지하면서도 높은 효율로 모델을 업그레이드할 방법에는 무엇이 있을까? 또한 이러한 상황에서, 생성되는 학습 정보를  수집하여, 개인 정보는 보호하면서도 지속적으로 성능 업그레이드를 가능하게 하는 가장 효과적인 방법에는 무엇이 있을까?

문뜩 chatgpt에게 로그인하지 않은 상태로 똑같은 질문을 했더니, 어떨 때는 똑같은 대답이, 어떨 때는 다른 대답이 나와서 신기했습니다. AI는 감정을 가지지 않은 프로그램이니 원래대로라면 같은 데이터값에 같은 결과가 나와야 하지만, 다른 대답이 나오는 경우도 있는 것을 보고 이 현상(?)이 인공지능의 오류인지, 아니면, 같은 결과에 같은 대답이 나오는지가 궁금해졌습니다. 

본 강의에서 다루고 있는 기술이 아무리 좋다고 해도 여러 단점이 존재할 것 같습니다. 우선 대표적으로 악용의 위험이 있을 수 있겠는데 이외에는 어떤 단점이 있고 해결방안에는 어떤 것이 있을까요? 그리고 이 기술이 아직 보편적으로 도입되지 않은 이유는 뭘까요? 본 기술을 활용하면 원래 AI를 사용할 때보다 기능이 떨어지나요?

온디바이스 AI와 연합학습을 쓰면 AI가 모든 사람에게 똑같은 걸 배우는 게 아니라, 각자의 기기에서 조금씩 다르게 학습하게 됩니다. 그러면 내 AI와 친구의 AI는 서로 다른 성향으로 학습을 누적하게 되어 서로 다르게 반응할 수도 있을 것 같습니다. 그래서 AI도 나중에는 사람처럼 개인적인 성향이나 개성이 생기게 될까라는 궁금증이 생겼습니다.

연합학습에서는 각 클라이언트가 가지고 있는 데이터 분포가 서로 다를 수 있는데, 이런 상황에서는 전체 모델이 특정 데이터에 편향되거나, 일반화 성능이 떨어지는 문제가 생길 수 있을 것 같다고 생각했습니다. 이런 경우, 연합학습 모델이 다양한 클라이언트 환경에서도 좋은 성능을 유지하려면 어떤 방식으로 대응해야 하도록 설계되는지가 궁금합니다. 

온디바이스 AI와 연합학습은 개인 데이터를 기기 밖으로 내보내지 않아 프라이버시를 지킨다. 하지만 사용자가 자신의 데이터가 어떻게 쓰이는지 완전히 알지 못할 수 있다. 데이터가 동의 없이 사용되거나, 예상치 못한 방식으로 오용될 위험도 존재한다. 또 알고리즘이 편향된 데이터를 학습하면 공정성 문제가 발생할 수 있다. 이런 문제들을 막기 위해서는 투명한 정보 공개와 사용자의 명확한 동의가 필요하고, 기술 발전과 함께 윤리적 기준도 함께 강화되어야 할 것 같다.

연구 중에 동향이 궁금합니다???

최근 인공지능 기술은 단순한 클라우드 기반 처리에서 벗어나, 기기 자체에서 추론 및 학습을 수행하는 '온디바이스 AI'로 진화하고 있습니다. 특히, 개인정보 보호에 대한 요구가 커지면서 데이터를 서버에 전송하지 않고도 AI 성능을 유지할 수 있는 ‘연합학습(Federated Learning)’ 기술이 주목받고 있습니다.
이 두 기술의 결합은 프라이버시를 보장하면서도 지능적이고 반응이 빠른 서비스를 실현할 수 있는 중요한 열쇠가 될 것입니다..
그러나 이 결합이 항상 이상적인 결과를 내는 것은 아니며, 기기 성능, 네트워크 환경, 데이터 균형 등 다양한 조건이 영향을 미칩니다. 그래서 가장 효과적으로 결합되는 조건이 궁금합니다.
또, FedTherapist는 온디바이스 AI와 연합학습을 활용해 개인 정보를 외부로 보내지 않고도 진단 정확도를 높이는 것이 특징입니다. 이런한 기술은 민감한 정보를 다루는 정신의학 및 인지과학 분야에 매우 유용하게 쓰일것으로 생각이 됩니다. 각 질병의 특성에 따라 필요한 데이터 종류와 AI 분석 방식은 달라져 치매 조기진단, ADHD모니터링 등 장기적 행동 패턴 분석이 필요한 분야로 확장된다면 어떨까? 라는 생각으로 어떤 데이터와 조건이 필요한지 궁금해졌습니다.

정신건강모니터링개인정보문제해결.jpg
구글ai학습도 온디바이스로 프라이버시 문제해소.jpg

AI가 기기 안에서 바로 작동한다면, 더 빠르고 개인화된 서비스가 가능해집니다.

온디바이스AI 가 개인정보의 효율적이고 안전한 관리를 위해서 좋은 방법이라는 것을 알게되었는데, 그렇다면 중요한 개인정보를 사용하는 앱이 온디바이스여야한다는 것이 전제가 되어야합니다. 앞으로 온디바이스AI가 많아 질텐데 사람들이 의심치 않게 가짜 온디바이스를 사용할 위험이 있다고 생각했습니다. 따라서 전제 상황을 만들기 위해 온디바이스임을 확인할 수 있는 기술적인 방법이 있는지 궁금합니다.
 

온디바이스 AI와 연합학습이 중앙 서버로 데이터를 전송하지 않고 기기 내에서 처리함으로써 개인정보를 보호한다고 합니다. 또한, IoT 기기에서 실시간으로 데이터를 처리하며 개인화된 서비스를 제공하려면, 높은 연산 효율성과 개인정보 보호 모두 필요하다고 생각했습니다. 이를 위해 어떤 기술이나 새로운 접근 방식이 필요할지 궁금했습니다.

온디바이스 AI와 연합 학습은 기기내에서 데에터 처리를 하여 사용자의 개인 정보를 보호할 수 있습니다. 온디바이스 AI가 다른 분야에도 쓰일 수 있나요? 만약 그렇다면, 어떤 방식으로 적용될까요?

질문 배경 : 연합학습 기술은 중앙 서버로 데이터를 전송하지 않고 각 사용자의 기기에서 개별적으로 학습을 진행한 뒤 그 결과만을 모아 하나의 인공지능 모델을 만드는 방식으로 사생활 보호 측면에서 큰 장점을 지니고 있다고 점을 배울 수 있었습니다. 하지만 학교에서 AI의 윤리와 공정성에 대해 배우던 중 사람마다 사용하는 기기의 종류나 사용 환경, 데이터 특성이 모두 다르다는 점에서 과연 이러한 비균질한 데이터를 활용했을 때 학습 모델의 정확도와 공정성이 충분히 확보될 수 있는지에 대한 의문이 들었습니다. 

연합학습이 일반적인 것에 비해서 가질수 있는 한계점에 대해서 궁금합니다.

연합학습이 기존 일반적인 시스템에 비해서 가지는 단점이 존재할까요?
기능적으로 특별히 문제가 있는 것이 아니라면, 정보 보호 등의 이점이 있는 연합학습을 사용하지 않을 이유가 있을지 궁금합니다.

온디바이스 AI와 연합 학습이 미래 기술 발전에 어떤 영향을 미칠 것으로 예상하시나요?