인공지능(AI)의 학습속도를 2배나 향상시킬 수 있는 기술이 국내 연구팀에 의해 개발됐다. 이에 따라 다양한 산업분야에서 더욱 효율적인 AI 도입이 가능해질 것으로 기대된다.

서울대학교 공과대학은 컴퓨터공학부 전병곤 교수팀이 데이터 증강 과정을 최적화하는 방식으로 기존 시스템 대비 최대 2배 빠른 속도로 머신러닝 학습을 수행할 수 있는 리뱀퍼(Revamper) 시스템을 개발했다고 14일 밝혔다.

데이터 증강은 학습 데이터에 임의의 변환 연산을 적용함으로써 실질적인 학습 데이터의 수를 증가시키는 것을 말한다. 이는 인공지능 학습 모델의 정확도를 높이지만 학습의 속도를 저하시킨다는 문제가 있다.

이 문제를 해결하기 위해 전 교수팀은 새로운 데이터 캐싱 시스템인 리뱀퍼를 개발했다.

구글에서 제안한 기존 방식은 최종 증강한 표본을 일정 횟수 재사용해 학습 속도를 향상시켰지만 모델의 정확도는 저하됐다. 반면 전 교수팀은 학습된 모델의 정확도 저하 없이 표본을 재사용하는 데이터 리퍼비싱(Data Refurbishing) 기법을 제안했다.

데이터 리퍼비싱은 데이터 증강 과정을 두 부분으로 나눠 부분적인 데이터 증강 연산이 적용된 표본들을 일정 횟수 재사용하고, 학습에 사용하기 전에 나머지 증강 연산을 수행하는 방식으로 모델 정확도 저하 문제를 해결했다.

연구진은 리버비싱 방식을 효율적으로 지원하기 위해 재사용하는 표본들을 여러 학습 스텝에서 고르게 사용하는 새로운 캐싱 시스템인 리뱀퍼를 구현했다. 리뱀퍼는 파이토치(PyTorch) 데이터 로더 대비 최대 2배 빠른 인공지능 학습 속도를 제공한다.

리뱀퍼는 개발 시 사용자의 편의성을 고려해 설계했으며 기존에 사용하던 파이토치 모델을 리뱀퍼를 이용해 빠르게 수행할 수 있다.

연구진은 이번에 개발한 리뱀퍼를 파이토치 사용자들이 활용할 수 있도록 공개할 계획이다.

전병곤 교수는 “앞으로 프렌들리에이아이(friendli.ai)를 통해 초대형 인공지능을 만들어 서비스로 제공하겠다”고 밝혔다.

한편 이번 연구 결과는 오는 7월 컴퓨터 시스템 분야의 권위 있는 학회 유즈닉스(USENIX)의  연례기술컨퍼런스(ATC)에서 발표될 예정이다.

황민승 기자 다른기사 보기