Edge의 Data Privacy를 보호하는 Federated Learning

Edge Device의 Data Privacy와 Real-Time Response의 문제

---

 

Edge Privacy가 중요한 이유가 무엇일까?

Edge Device는 생체, 의료, 위치 기반 등 민감한 데이터를 경우가 많다.

이 데이터를 그대로 Central Cloud로 전송하면 보안의 위험이 증가하는 문제가 생긴다.

이때 Edge Computing을 사용하면 데이터를 Local에서 처리하거나 익명화 기술을 적용해 위험을 줄일 수 있게 된다.

 

그런데 Edge Device가 상대적으로 큰 AI Model을 돌려야 하는 경우를 생각해보자.

중앙 Cloud 시스템은 Edge Device의 데이터를 가져오는 과정에서 Delay라는 필연적인 한게가 있다.

따라서 제 시간 안에 연산을 수행하기 위해서는 중앙 Cloud가 매우 큰 Volume을 가져야 한다.

 

반면, Edge Device는 Real-Time Response를 기대한다.

이런 heavy한 머신러닝 알고리즘과 Edge의 제한된 리소스(저전력, 낮은 컴퓨팅 파워) 사이의 모순을 어떻게 해결할 수 있을까?

 

 

Federated learning

---

 

 

이를 해결하기 위해 Federated Learning의 개념이 나왔다.

 

Federated Learning이란 여러 엣지 장치가 원본 데이터를 공유하지 않고 모델을 공동 학습하는 것을 말한다.

이때 각 장치는 모델 업데이트만 전송하며, 민감한 데이터는 Local에 남기게 된다.

 

중앙 클라우드는 Global 머신러닝 모델을 돌리고, 각가의 Edge Device에는 소형화된 머신러닝 Feature들이 배포되어 있다.

이때 tinyML이 대표적이다. (즉, Edge는 자기만의 ML feature를 가지게 된다)

Edge Device는 Data 자체를 Central Cloud로 보내지 않고, Feature의 parameter나 gradient만을 중앙으로 전송한다.

이를 통해 Edge의 Data Privacy 문제와 실시간성 문제를 어느정도 해소할 수 있다는 장점이 있다.

 

중앙 클라우드의 Global Model은 지속적으로 머신러닝 알고리즘을 최적화하고,

최적화된 알고리즘을 다시 Edge로 분배하는 식으로 동작하게 된다.

 

 

연합학습의 장단점은 다음 표로 요약할 수 있다.

✅ 장점	프라이버시 강화, 전력 효율, 확장성, 일반화 성능 향상
⚠️ 단점	통신 지연, 디바이스 이질성, 비IID 데이터, 보안 위협, 디버깅 한계

 

 

 

Federated Learning의 Usecase들

---

 

 

가장 산업계에서 유용하게 쓰이는 것이 FaceID가 있다.

 

Face ID는 사용자의 외모 변화(안경 착용, 수염, 조명 등)에 기기 내에서(on-device) 지속적으로 적응한다.

즉, 얼굴 인식 모델이 사용자의 얼굴 변화를 학습하지만, 데이터는 클라우드로 전송되지 않는다는 특징이 있다.

대신, 얼굴 템플릿(생체정보 데이터)은 Secure Enclave(보안 전용 칩)에 저장되어 외부에서 접근할 수 없도록 보호된다.

 

 

Siri나 음성인식 & 받아쓰기 기능도 마찬가지이다.

 

웨이크워드 감지(“Hey Siri”) 와 음성 인식이 모두 기기 내 Neural Engine(신경망 칩) 에서 수행된다.

사용자의 음성 톤, 억양, 어휘 습관 등을 로컬에서 학습하여 개인 맞춤형 언어 모델을 구성하게 된다.

이렇게 학습된 데이터는 개인화된 개선만 반영되고, 음성 데이터 자체는 서버로 전송되지 않아 Edge Privacy를 충족한다.

 

 

 

 

삼성의 경우에도 Federated learning이 적용된 사례가 많이 있다.

삼성 헬스의 경우 심박수(heart rate), 수면 패턴(sleep pattern), 운동(workouts) 등 건강 및 활동 데이터를 처리하고 분석한다.

이때 연합 학습을 이용해 전 세계 사용자들의 데이터를 직접 수집하지 않고, 로컬에서 학습된 모델 업데이트만 중앙으로 통합한다.

이를 통해 개인 건강 데이터 노출 없이, 예측 기반 헬스 및 피트니스 모델의 정확도를 지속적으로 개선한다.

 

빅스비 역시 웨이크워드 감지(“Hi, Bixby”) 및 자주 사용하는 음성 명령을 기기 내(On-device) 에서 처리하는데,

사용자의 발음, 억양, 언어 습관, 선호도를 로컬에서 학습하여 개인화된 음성 인식 정확도를 향상시킨다.

이후 로컬 학습 결과(모델 업데이트)만 집계되어, 글로벌 ASR(Automatic Speech Recognition) 모델의 품질을 개선하게 된다.