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.