연합학습(Federated Learning)은 인공지능(AI)을 학습하는 기존 방식과 달리, 사용자가 직접 사용하는 데이터를 처리하고 여러 위치에 분산된 훈련 데이터를 사용하여 심층신경망(DNN Deep Neural Networks)을 훈련시킬 수 있는 새로운 AI 학습 패러다임이다.

특히, 연합학습은 개인 정보 등 민감한 데이터를 서로 직접 공유할 필요가 없이 여러 번의 반복 학습 과정에서 공유되는 모델은 단일 조직이 자체적으로 보유한 것 보다 훨씬 광범위한 데이터를 얻게 되는 것으로 더욱 매력적이다.

이는 상대적으로 적은 데이터로 최적화한 AI 모델을 개발할 수 있다. 방대한 데이터를 저장하는 스토리지 나 이런 데이터를 처리하기 위한 고성능 프로세서를 사용자 개인 디바이스로 분산했으며, 필요 사항만을 공유해 최적화한 모델을 다시 배포한다.

여기에, 세계 최초로 연합학습을 로봇에 적용하기 위해, 독일 훼스토(Festo)와 카를스루에 공과대학교(Karlsruhe Institute of Technology), 캐나다 워털루대학교(University of Waterloo)과 함께 '피킹 로봇(picking robots)을 위한 연합학습(Federated Learning for Robot Picking. 이하, LAIROP) 프로젝트'를 통해 '분산 인공지능(Distributed AI)' 방법을 사용하여 피킹 로봇을 더 똑똑하게 구현하는 방법을 위해 공동 프로젝트가 지난 16일(현지시간) 시작됐다.

독일 자재취급 및 물류연구소(Institute of Material Handling and Logistics. 이하, IFL)의 조나단 오벨(Jonathan Auberle)는 "로봇 한 대의 데이터보다 여러 위치에서 다재다능한 학습데이터를 모아 인공지능 알고리즘을 사용하여 더 강력하고 효율적인 솔루션을 개발할 수 있는 방법을 조사하고 있습니다"라고 말했다.

지금까지 연합학습은 환자 데이터 보호가 특히 높은 우선순위인 이미지 분석을 위한 의료 부문에서 주로 사용되었다. 이를 통해 의료전문가들은 임상 데이터를 직접 공유할 필요 없이 공유 모델에 대해 협업할 수 있는 것이다.

연구팀은 한 뉴런이 다른 뉴런에 얼마나 강하게 연결되어 있는지를 알려주는 신경망의 로컬 가중치인 저장된 지식 조각만 중앙 서버로 전송된다. 거기에서 모든 스테이션의 가중치가 다양한 기준을 사용하여 수집되고 최적화 된다.

그런 다음, 개선된 버전이 로컬 스테이션으로 재생되고 프로세스가 반복된다. 이번 프로젝트의 목표는 데이터 보호 지침을 준수하면서 산업 및 물류 4.0을 위한 인공지능의 강력한 사용을 위한 새롭고 더 강력한 알고리즘을 개발하는 것이다.

FLAIROP 연구 프로젝트에서 연구팀은 로봇이 민감한 데이터와 회사 비밀을 공유하지 않고 서로 학습할 수 있는 새로운 방법을 개발하고 있으며, 프로젝트 기간 동안 로봇 학습을 위해 총 4개의 자율 피킹 스테이션으로 2개는 IFL에, 2개는 훼스토에 설치한다.

캐나다의 설명가능한 AI(XAI) 스타트업 다윈AI(DarwinAI)와 워털루대학는 추가 파트너다.

다윈 AI의 CEO 쉘든 페르난데스(Sheldon Fernandez)는 “우리의 설명가능한 인공지능 플랫폼을 FLAIROP 프로젝트에 제공하게 된 것을 기쁘게 생각합니다. XAI 기술이 연합학습에 대한 새로운 접근 방식과 함께 우리 제안의 중요한 측면을 나타내는 이 흥미진진한 프로젝트를 위한 고가치의 인간 루프(human-in-loop) 프로세스를 가능하게 하기를 바랍니다” 라고 말했다.

한편, 훼스토(Festo)는 독일 에슬링겐 암 네카어(Esslingen am Neckar)에 본사를 두고 있는 글로벌 기업이다. 이 회사는 35개 이상의 산업 분야에서 300,000명의 공장 및 프로세스 자동화 고객에게 공압 및 전기 자동화 기술을 공급한다.

전 세계 61개국 250개 이상의 지사에 약 20,000명의 직원을 두고 2020년에 약 28억 4천만 유로(약 3조 8500억원)의 매출을 달성했다. 매년 매출의 약 8%를 연구 개발에 투자하고 있다.