우리는 인공지능 (AI) 알고리즘 및 가속기 공동 설계 (Co-design), 공동 탐색 (Co-search), 공동 생성 (Co-generation)을 위한 통합적인 방법론인 A3C3를 제시합니다. 이는 기존의 하향식 (Top-down) AI 시스템 설계 흐름의 비효율성을 해결하기 위해 신경망 구조 (Neural network architectures)와 그 하드웨어 구현 (Hardware implementations)을 공동으로 최적화합니다. 전통적인 AI 배포 방식은 모델 설계와 하드웨어 매핑을 별개의 단계로 취급하는 경우가 많습니다. 즉, 먼저 정확도를 위해 알고리즘을 개발한 다음, 그 이후에야 지연 시간 (Latency), 처리량 (Throughput), 에너지 또는 리소스 제약 조건을 충족하도록 적응시킵니다. 이러한 분리는 특히 현대의 AI 워크로드 (Workloads)가 점점 더 이기종화 (Heterogeneous)되고, 메모리 집약적 (Memory-intensive)이며, 플랫폼 의존적 (Platform-dependent)이 됨에 따라 최적화되지 않은 시스템으로 이어질 수 있습니다. 대신 A3C3는 알고리즘 및 가속기 설계 공간 (Design spaces)을 모두 매개변수화하고 이를 공동으로 탐색하여, 정확도, 지연 시간, 처리량, 에너지 효율성 및 하드웨어 활용도 (Hardware utilization) 사이의 균형을 더 잘 맞추는 모델-가속기 쌍을 자동으로 생성할 수 있게 합니다. 이 기사는 Sudeep Pasricha와 Muhammad Shafique가 편집하고 Springer Nature에서 발행한 Handbook of Embedded Machine Learning의 한 장(Book chapter)입니다.