산업 현장에서 장비 고장을 예측하고 유지보수하는 것은 매우 중요합니다. 이를 위해 인공지능(AI) 모델을 훈련해야 하지만, 여러 공장이나 현장에 분산된 장비 센서 데이터를 한곳에 모으는 것은 보안, 프라이버시, 네트워크 대역폭 등의 문제로 쉽지 않습니다. 이러한 문제를 해결하기 위해 중앙 서버를 통해 각 장비의 모델 업데이트를 취합하는 연합 학습(federated learning) 방식이 주로 사용되어 왔습니다.
최근 arXiv에 발표된 연구에 따르면, 중앙 서버 없이 장비들이 서로 직접 통신하며 AI 모델을 학습시키는 '고십 학습(gossip learning)' 방식이 연합 학습과 거의 동등한 성능을 보였습니다. 연구팀은 NASA C-MAPSS 터보팬 엔진 데이터셋을 활용해 LSTM(Long Short-Term Memory) 기반 고장 감지 모델을 훈련했으며, 동기식 링 고십(synchronous ring gossip) 방식을 연합 학습(FedAvg), 개별 로컬 학습, 그리고 중앙 집중식 학습과 비교했습니다. 그 결과, 고십 학습은 연합 학습과 유사한 F1 점수(89.6% 대 89.9%)를 기록하며, 중앙 코디네이터 없이도 효과적인 분산 학습이 가능함을 입증했습니다. 이는 특히 데이터 이질성이 중간 정도일 때 서버리스(serverless) 분산 학습의 실용적인 대안이 될 수 있음을 시사합니다.
이번 연구는 분산된 환경에서 AI 모델을 효율적으로 학습시키는 새로운 가능성을 제시합니다. 중앙 서버가 없다는 것은 시스템 구축 및 운영 비용을 절감하고, 단일 장애점(single point of failure) 위험을 줄이며, 데이터 프라이버시를 더욱 강화할 수 있다는 장점이 있습니다. 특히, 데이터 이질성이 커질수록 더 빠른 혼합(faster-mixing) 토폴로지(topology)가 중요해진다는 점은 향후 고십 학습 연구의 방향을 제시하며, 다양한 산업 분야에서 예측 유지보수 시스템을 더욱 유연하고 견고하게 구축하는 데 기여할 것으로 기대됩니다.