임베디드 AI (Embodied AI, EAI) 시스템은 시뮬레이션에서 실제 가정 및 기타 민감한 환경으로 빠르게 전환하고 있습니다. 그러나 최근 EAI 솔루션은 지시, 인지, 계획 및 상호작용과 같은 고립된 단계 내의 발전만 보여주었으며, 프라이버시 유출이 종종 회복 불가능한 고주파 배포 환경에서의 결합된 프라이버시 함의를 고려하지 않았습니다.

이 위치 논술 (Position Paper) 은 민감한 설정에서 이러한 구성 요소를 독립적으로 최적화하면 시스템적 프라이버시 위기가 발생함을 주장하며, EAI 의 프라이버시가 단계 로컬 기능 (stage-local feature) 이 아닌 라이프 사이클 수준 (life cycle-level) 의 구조적 제약 (architectural constraint) 임을 주장합니다.

이러한 도전을 해결하기 위해 우리는 다음 세대 임베디드 AI (Next-generation Embodied AI) 에 대한 안전한 프라이버시 통합 (Secure Privacy Integration, SPINE) 을 제안했습니다. SPINE 는 프라이버시를 EAI 라이프 사이클 전반에 걸친 단계 간 결합을 통괄하는 동적 제어 신호로 취급하는 통합 프라이버시 인식 프레임워크입니다.

SPINE 는 EAI 파이프라인을 다양한 단계로 분해하고 단계 경계 전체에 걸쳐 문맥 민감성을 조율하기 위한 다중 기준 프라이버시 분류 행렬 (multi-criterion privacy classification matrix) 을 설정합니다.

우리는 예비 시뮬레이션 및 실제 사례 연구를 수행하여 프라이버시 제약이 하류로 전파되어 시스템 행동을 재형성하는 방식을 개념적으로 검증하고, 분산된 프라이버시 패치 (fragmented privacy patches) 의 부족함을 보여줌으로써 안전한 그러나 기능적인 임베디드 AI 시스템으로의 미래 연구 방향을 동기화합니다.

우리는 https://github.com/rminshen03/EAI_Privacy_Position 에서 SPINE 프레임워크 및 사례 연구를 상세히 설명합니다.