개요이번 논문은 새로운 모델 하나를 제안하는 연구가 아니라, On-Device AI 모델을 중심으로 Edge Intelligence 전체 흐름을 정리한 Survey 논문이다.논문이 다루는 범위는 꽤 넓다. 스마트폰에서 돌아가는 음성 비서부터, IoT 센서, 스마트팩토리, 자율주행, 의료기기까지 이어진다. 단순히 “AI 모델을 작게 만드는 방법”만 설명하는 것이 아니라, 실제 디바이스에서 AI를 돌릴 때 발생하는 연산량, 메모리, 전력, 통신, 보안, 모델 적응성 문제를 함께 다룬다연구 배경: 왜 On-Device AI가 필요한가AI 모델은 계속 커지고 있다. 논문에서는 GPT-3처럼 거대한 모델이 뛰어난 성능을 보이지만, 약 175B 파라미터와 약 800GB 수준의 저장공간을 요구한다는 점을 예로 든다...

본 논문은 2026 IEEE I2MTC에 채택된 논문으로, 최근 발전하고 있는 Edge AI 프로세서와 In-Sensor AI 프로세서를 비교 정리한 논문이다.기존 TinyML이 MCU 위에서 최대한 작은 모델을 돌리는 방향이었다면, 본 논문은 한 단계 더 나아가 “AI 연산을 센서 가까이, 혹은 센서 내부에서 수행하는 것이 얼마나 효과적인가”를 보여준다.소 개최근 AI 추론은 클라우드 서버에서만 수행되는 것이 아니라, 센서와 가까운 Edge Device에서 직접 수행되는 방향으로 이동하고 있다.웨어러블, IoT, 드론, 스마트카메라, AR/VR 장치와 같은 시스템은 네트워크 연결 없이도 빠르게 추론해야 하며, 동시에 배터리와 발열 제약을 강하게 받는다.특히 Edge AI 장치는 보통 200mW 이하의 ..

Qiskit 자체는 일반 Python 라이브러리라서 Cursor, Windsurf, VSCode + Copilot, Codex CLI 같은 바이브 코딩 도구에서는 Python 프로젝트 환경만 제대로 구성하면 바로 사용 가능하다. 1. 프로젝트 생성기본적으로 파이썬 환경을 구성mkdir quantum-labcd quantum-labpython -m venv .venvsource .venv/bin/activate 2. Qiskit 설치pip install qiskitpip install qiskit-aerpip install qiskit-ibm-runtime또는 requirements.txt 를 이용하여 설치qiskitqiskit-aerqiskit-ibm-runtimematplotlibnumpyscipyju..

정의최근 자동차 한 대에는 수십 개에서 많게는 수백 개의 ECU가 탑재된다. ADAS, 전동화 시스템, 배터리 관리 시스템(BMS), 차체 제어, 인포테인먼트 등 수많은 기능이 소프트웨어로 구현되면서 검증의 중요성이 과거보다 훨씬 커졌다. 하지만 모든 기능을 실제 차량에 적용하여 시험하는 것은 비용과 시간이 많이 들고 안전 문제도 발생한다. 이러한 문제를 해결하기 위해 사용하는 검증 방법론이 바로 XIL(X-in-the-Loop)이다.XIL은 개발 단계에 따라 모델, 소프트웨어, 프로세서, 하드웨어, 실제 차량을 이용하여 기능을 검증하는 체계이다. 차량을 제작하기 전에 가상 환경에서 최대한 많은 문제를 발견하고 수정함으로써 개발 비용과 리스크를 줄이는 것이 목적이다.XIL의 구성XIL은 일반적으로 MIL..

AIoT를 처음 검토할 때 많은 기업이 AI 모델의 정확도에만 집중한다. 하지만 실제 현장에서는 AI보다 먼저 해결해야 할 문제가 있다. 센서가 제대로 데이터를 수집하고 있는지, 네트워크가 안정적으로 연결되는지, 그리고 AI가 내린 판단을 현장이 신뢰할 수 있는지가 더 중요하다. 데이터의 품질 확보는 항상 최우선예를 들어 공장 설비의 고장을 예측하는 시스템을 만든다고 가정해 보자. 진동 센서와 온도 센서를 설치하고 AI 모델을 학습시켰는데, 센서가 오염되거나 설치 위치가 잘못되면 데이터 자체가 왜곡된다. 아무리 최신 AI를 사용하더라도 결과는 신뢰하기 어렵다. AIoT 프로젝트에서 흔히 말하는 GIGO (Garbage In, Garbage Out) 현상이 바로 이런 경우다.또 다른 문제는 데이터의 양보다..

Beginner guide for local AI 내 컴퓨터에서 LLM과 지식창고 만들기 Mac, Windows, Linux에서 Ollama를 실행하고, Obsidian 노트와 연결해 나만의 RAG 환경을 만드는 초급 가이드입니다. 개인정보입력한 내용이 내 컴퓨터 안에서 처리됩니다. 오프라인모델을 받은 뒤에는 인터넷 없이도 실행 가능합니다. RAG내 노트를 검색해서 답변 근거로 활용합니다. 01 / 개념 로컬 LLM은 세 부분으로 움직입니다 앱은 화면을 보여주고, 런타임은 모델을 돌리고, 모델 파..