학습된 인공지능 모델을 모바일/임베디드 디바이스에 배포하기 위한 최적화… | [7급 서울시 인공지능] 26년 1회차 기출문제 상세 페이지

1[7급 서울시 인공지능] 26년 1회차
학습된 인공지능 모델을 모바일/임베디드 디바이스에 배포하기 위한 최적화 및 경량화 기술에 대한 설명으로 가장 옳지 않은 것은?
1
컴퓨팅 자원이 제한된 모바일/임베디드 장치에서 정확도를 크게 낮추지 않으면서도 효율적인 경량 모델 배포를 지원하는 기술이다.
2
가중치의 수치 정밀도를 기존 32비트 부동소수점(FP32)에서 16비트 부동소수점(FP16)으로 낮추는 반정밀도(half precision)를 사용하면 모델 예측 정확도의 손실을 최소화하면서 모델 용량을 약 1/2 수준으로 줄일 수 있다.
3
양자화(quantization) 기법을 사용해 FP32 가중치를 INT8 정수로 변환하여 모델 용량을 약 1/4 수준으로 대폭 줄일 수 있다.
4
모바일 디바이스용 연산 정밀도 축소 및 양자화 기술의 궁극적인 목적은 모바일 기기 내부에서 수행되는 역전파(backpropagation) 기반의 학습(training) 연산을 가속화하기 위함이다.
해설

모바일용 정밀도 축소와 양자화의 주 목적은 학습이 아니라 기기 내 추론(inference)의 가속과 경량화이므로, 역전파 학습 가속이라는 설명은 옳지 않다.

모델은 서버에서 학습을 마친 뒤 경량화해 배포하고, 모바일 기기에서는 주로 순전파 추론만 수행해 메모리·연산량·전력 소모를 줄인다.

  • 자원이 제한된 기기에서 정확도를 크게 낮추지 않고 효율적인 경량 모델 배포를 지원한다는 설명은 옳다.
  • 32비트에서 16비트 부동소수점으로 낮추면 가중치 크기가 절반이 되어 용량이 약 1/2로 준다는 설명은 옳다.
  • 32비트 부동소수점을 8비트 정수로 양자화하면 용량이 약 1/4로 준다는 설명은 옳다.

오류나 개정된 내용이 보이면 알려주세요

이어서 풀어보기

[7급 서울시 인공지능] 26년 1회차 20문항 이어서 보기문제·정답·해설을 한 페이지에서 이어서 볼 수 있어요7급 서울시 인공지능 기출문제 암기장 전체 보기