▲ 서울대학교 컴퓨터공학부 강유 교수[출처=서울대학교 컴퓨터공학부]서울대학교(총장 유홍림) 공과대학(학장 김영오)에 따르면 컴퓨터공학부 강유 교수팀이 개인정보 보호나 보안 등의 이유로 학습 데이터 사용이 어려운 상황에서도 딥러닝 모델의 성능 저하를 최소화하며 경량화할 수 있는 혁신적인 인공지능(AI) 기술을 개발했다.이번 연구 논문은 2025년 4월24일부터 닷새간 싱가포르에서 열리는 세계적 AI 학술대회 ‘ICLR 2025’에 채택된 바 있다.올해로 13회를 맞는 ‘ICLR (International Conference on Learning Representations)’은 기계 학습 및 딥러닝 분야에서 세계 최고 권위를 자랑하는 학회다.프라이버시 보호나 보안 문제로 학습 데이터 접근이 어려운 상황은 현실에서 딥러닝 모델을 훈련시킬 때 겪는 큰 어려움 중 하나다.이를 해결하기 위해 개발된 ‘제로샷 양자화(Zero-shot Quantization, 이하 ZSQ)’는 훈련 데이터 없이 모델을 양자화할 수 있는 기술이다.그러나 기존의 ZSQ 기술은 합성 데이터의 노이즈, 부정확한 특징에 기반한 예측, 어려운 데이터의 잘못된 하드 레이블(Hard Lavel, 1가지 정답만 있는 레이블)이 야기하는 오차 발생 등으로 모델 성능 저하를 불러오는 치명적 한계를 보였다.이에 강 교수팀은 훈련 데이터를 사용하지 않고도 딥러닝 모델의 성능을 유지하며 효과적으로 경량화시킬 수 있는 ZSQ 기술인 ‘SynQ (Synthesis-aware Fine-tuning for Zero-shot Quantization)’ 기법을 제안했다.이는 실제 학습 데이터셋이 없는 환경에서도 종전의 ZSQ 기술에 쉽게 적용할 수 있는 중요한 기법으로 평가받고 있다.연구진은 SynQ의 3가지 핵심 기술로 딥러닝 모델의 성능을 향상시켜 기존 ZSQ의 약점을 극복하는 성과를 거뒀다.먼저 저역 통과 필터(low-pass filter)를 적용해 데이터의 고주파 노이즈를 제거했다. 그리고 사전 학습된 모델과 양자화된 모델 사이의 클래스 활성화 맵(Class Activation Map, 이하 CAM)을 정렬해 딥러닝 모델의 예측 정확도를 높였다.아울러 사전 학습된 모델이 어려운 샘플에 대해 오류를 일으킬 수 있는 점을 고려해 이러한 샘플에는 하드 레이블 대신 소프트 레이블(Soft Rabel, 확률로 표현된 정답)만을 사용함으로써 잘못된 학습을 방지했다.즉 SynQ는 사전 학습된 모델이 생성한 합성 데이터를 저역 통과 필터로 정제한 뒤 CAM 정렬과 난이도 기반 손실 함수 적용을 통해 양자화된 모델을 미세 조정함으로써 실제 데이터 없이도 모델 성능을 유지하며 경량화를 달성하는 원리를 지닌다.향후 SynQ 기법은 고성능의 경량 딥러닝 모델을 구현할 수 있는 AI 산업의 핵심 기술로 자리 잡을 전망이다. 특히 학습 데이터 없이도 모델의 정확도를 유지한 채 압축할 수 있는 SynQ를 활용하면 스마트폰, IoT(사물인터넷) 기기, 자율주행 센서 등 자원이 제한된 엣지 디바이스 환경에서도 고성능 AI를 안정적으로 운용할 수 있을 것으로 예상된다.연구 책임자인 강유 교수는 “SynQ 기술은 개인 데이터 유출 없이 모델을 경량화할 수 있는 강점 덕분에 보안 및 프라이버시 침해 문제를 줄이는 데 기여할 수 있다”고 강조하며 “나아가 이 기법을 적용하면 그간 대량의 학습 데이터에 접근하기 어려웠던 소규모 기업 및 기관도 고성능 AI를 손쉽게 활용할 수 있기 때문에 다양한 분야에서 AI 기술 확산 및 대중화가 가속할 것으로 기대된다”고 밝혔다.

▲ (좌측부터) 강유 서울대 인공지능협동과정/컴퓨터공학부 교수, 김종진 컴퓨터공학부 박사과정생[출처=서울대학교 공과대학]서울대(총장 유홍림) 공과대학(학장 김영오)에 따르면 인공지능(AI) 협동과정/컴퓨터공학부 강유 교수 연구팀이 다양화 추천을 고려한 개인화 순차 추천 기술을 개발했다.연구팀이 개발한 사용자 간 순서를 고려한 다양화 추천 기술 ‘사피드(Sequentially Diversified Recommendation via Popularity Debiasing and Item Distribution, 이하 SAPID)는 상품 추천시 다양성 보장이 어려운 점을 극복했다.‘다양화 추천(Diversified Recommendation)’이란 온라인 쇼핑몰 등의 플랫폼에서 판매하는 상품들을 제외되는 품목 없이 골고루 사용자들에게 추천하는 시스템을 말한다. 전자상거래 플랫폼의 수익을 극대화하는 핵심 요소이기 때문에 최근 관련 연구들이 주목받고 있다.기존 연구들은 플랫폼 사용자 개개인의 선호 상품 정보를 취합한 후 선호도가 비슷한 상품 중 다른 사용자들이 좋아하지 않는 아이템을 추천하는 방식으로 다양화 추천에 접근했다.그러나 이 방식은 미래의 사용자가 어떤 상품을 선호할지에 관한 정보는 사전에 반영시킬 수 없기에 앞으로 이뤄질 상품 추천의 다양성은 보장하기 어려웠다.SAPID는 사용자들의 과거 구매 데이터를 바탕으로 미래의 상품별 수요를 예측해 현재 어떤 상품을 추천해야 다양성이 높아질지 판단하는 원리로 작동된다.연구진은 각 상품의 플랫폼 등장 빈도를 참조해 유명 제품에 편중되지 않게 아이템을 추천하도록 SAPID 모델을 훈련 데이터셋으로 학습시켰다.이 과정을 거친 SAPID는 플랫폼 사용자에게 아직 추천되지 않은 상품이나 인기도가 낮은 상품을 우선적으로 추천함으로써 다양성을 증대시키는 역할을 수행한다.앞으로 개발된 기술은 사용자들에게 순차적으로 상품을 추천해야 하는 여러 이커머스 플랫폼에서 기대 수익을 극대화하는 기술로 활용될 것으로 기대를 모으고 있다.SAPID를 통해 쇼핑몰 메인 화면에 각 상품이 노출되는 순위를 조정하면 전체적인 상품 판매량을 늘리고 재고를 줄일 수 있기 때문이다.정헌재단의 학술연구 지원을 받아 수행된 본 연구의 성과는 2025년 3월 데이터 마이닝 및 머신 러닝 분야의 최우수 학회인 ‘WSDM (Web Search and Data Mining) 2025’에 발표될 예정이다.한편 연구논문의 제1저자인 서울대 컴퓨터공학부 김종진 박사과정생은 순차 번들 추천 과정에서도 추천 품목의 다양성을 반영시키는 연구를 진행 중이다.강유 교수는 “상품 추천의 정확성과 다양성을 모두 제고할 수 있는 SAPID는 학문적 가치뿐 아니라 실용성도 높은 기술이다. 향후 온라인 쇼핑몰이나 온라인 콘텐츠 제공 서비스의 매출 증대 및 재고 소진에 크게 기여할 것으로 전망된다”고 포부를 밝혔다.