마이크로컨트롤러급 엣지 디바이스를 위한 임베디드 머신러닝: 데이터, 특징, 평가 및 배포 파이프라인

임베디드 머신러닝 (Embedded machine learning)은 추론 (inference) 과정을 클라우드 서비스에서 메모리, 에너지, 지연 시간 (latency)의 엄격한 제한 내에서 데이터를 수집하고, 신호를 전처리하며, 모델을 실행하고, 동작해야 하는 자원 제약적 디바이스로 이동시킵니다. 본 논문은 마이크로컨트롤러 (microcontroller)급 플랫폼을 위한 임베디드 머신러닝 워크플로우 (workflow)에 대한 시스템 중심의 종합적인 분석을 제시합니다. 일반적인 머신러닝 입문 과정에서는 종종 생략되는 엔지니어링 결정 사항들, 즉 샘플링 (sampling) 및 버퍼링 (buffering), 차원 축소 (dimensionality reduction)로서의 특징 추출 (feature extraction), 클래스 불균형 (class imbalance) 상황에서의 검증, 모델/런타임 공동 설계 (model/runtime co-design), 그리고 스트리밍 배포 (streaming deployment)에 중점을 둡니다. 논문 전반에 걸쳐 두 가지 대표적인 신호 군 (signal families)이 사용됩니다. 첫 번째는 관성 운동 인식 (inertial motion recognition)으로, 2초 길이의 3축 가속도계 윈도우 (window)를 원시 샘플 (raw samples)에서 제곱평균제곱근 (root-mean-square) 및 스펙트럼 특징 (spectral features)으로 변환한 후 분류합니다. 두 번째는 키워드 검출 (keyword spotting)으로, 오디오를 샘플링하고, 앨리어싱 방지 (anti-aliased) 처리를 거쳐 멜 주파수 셉스트럼 계수 (mel-frequency cepstral coefficients)로 변환한 뒤, 소형 1차원 컨볼루션 네트워크 (one-dimensional convolutional network)로 처리합니다. 본 논문은 데이터 큐레이션 (data curation), 양자화 (quantization), 임계값 설정 (thresholding), 스케줄링 (scheduling), 그리고 현장 모니터링 (field monitoring)을 포함하여, 견고한 온디바이스 추론 (on-device inference)을 위한 실질적인 설계 규칙을 제시하며 결론을 맺습니다.