ICT Convergence Technology Supporting Project for Metropolitan Industry

2018년 11월

17ZT1100

세부과제 연차실적 보고서

연차실적 보고서

과제유형

1. 기초미래선도형 ( ) 2. 공공인프라형 ( ) 3. 산업화형 (

○)

대과제명

_{지역전략산업기반 ICT융합기술 지원사업}

세부과제명

_{수도권 지역산업기반 ICT융합기술 지원사업}

세부과제

책임자

소속 및 부서

서울SW-SoC융합

R&BD센터

직위

(직급)

성명

총연구기간

_{2018년 01월 01일 부터 2021년 12월 31일 까지 (48개월)}

당해연도

연구기간

2018년 01월 01일 부터 2018년 12월 31일 까지 (12개월) (1차년도)

총

연

구

비

정부출연금

_{5,632,000 천원}

당

해

년

연

구

비

정부출연금

1,408,000 천원

민간부담금

_천원

_{민간부담금}

_천원

계

_{5,632,000 천원}

_계

_{1,408,000 천원}

참여인력(M/Y)

총 연 구 기 간

60 명( 24.4 M/Y)

당해연도 연구기간

18 명( 4,48 M/Y)

참여기관

_기관명

_{연구책임자}

_기관명

_{연구책임자}

참여연구기관

위탁연구기관

한양대학교

경희대학교

키워드

(6~10개)

인공지능, 인공지능 Open API, 데이터 공유 플랫폼, AI 추론 가속기, SW

가상화 플랫폼, 일자리 창출, 고용 절벽해소

정부출연금사업 연차평가 보고서를 제출합니다.

목 차

제 1장 연구개발의 배경 ... 8

제 1절 과제 개요 ... 8 1. 과제의 정의 및 비전 ... 8 제 2절 관련 연구 및 동향 ... 9 1. 관련 연구 ... 9 2. 기술 및 산업 동향 ... 9 제 3절 과제의 필요성 및 중요성 ... 11 1. 필요성 ... 11 2. 중요성 ... 13

제 2장 과제의 목표 및 범위 ... 14

제 1절 최종 목표 ... 14 제 2절 연차별 중점 추진 내용 ... 14 제 3절 당해 연도 목표 ... 17 제 4절 당해 연도 과제 범위 ... 19

제 3장 당해 년도 추진 실적 ... 22

제 1절 당해 년도 추진 현황 ... 22

제 3절 AI 기술 전문 엔지니어 양성 교육 ... 48 1. 취업 연계 설계 전문 엔지니어 양성 교육 ... 48 2. 연구결과 활용 전문 엔지니어 양성 교육 ... 56 3. 기능안전 고려한 HSM 설계 및 교육 ... 60 제 4절 인공지능 가속 플랫폼 기술 개발 ... 63 1. AI용 SW 가상화플랫폼 구조 개발 ... 63 2. AI 네트워크 모듈별 가상화모델 개발 ... 71 3. 가상화플랫폼 기반 AI 성능추정 기술 개발 ... 77 4. AI 학습 가속 Dataflow 기술개발 ... 85 5. 고령친화 서비스 기술 개발 ... 89

제 4장 과제 수행 체계 ... 92

제 1절 추진 체계 및 방법 ... 92 1. 수도권 지역 ETRI AI 데이터 허브(인공지능 공유 플랫폼) 구축... 92 2. AI 기술 전문 엔지니어 양성 교육 ... 93 3. 인공지능 가속 플랫폼 기술 개발 ... 93 제 2절 위탁연구/외부용역 현황 ... 95 제 3절 연구시설 및 장비 현황 ... 96 1. 보유 기자재 및 시설 ... 96 2. 교육 시설 ... 98

제 5장 연구 성과 및 기대효과 ... 99

제 1절 연구 성과 ... 99 1. 개발 성과지표 ... 99

2. 성과확산 ... 104

제 6장 차년도(19년) 수행계획 요약 ... 105

제 1절 개발 목표 ... 105

그림 목차

그림 1. 수도권 지역산업기반 ICT 융합기술 지원 비전 ... 8 그림 2. 수도권 지역산업기반 ICT 융합기술 지원 개념도 ... 14 그림 3. 인공지능 학습/추론 가속 SW 가상화 플랫폼 ... 20 그림 4. . 인공지능 학습/추론 가속 플랫폼의 주요 성능 추정 요소 ... 21 그림 5. ETRI AI 공유플랫폼 아키텍춰 ... 31 그림 6. 언어분야 학습데이터 가공 도구... 33 그림 7. 시각분야 학습데이터 가공 도구... 34 그림 8. ETRI 개체명 인식기 태그 분류체계(예시)... 36 그림 9. 보육복지 관련 개체명 신규 태그 ... 37 그림 10. 전처리 사전 ... 39 그림 11. 로우텍스트 파일 예시 ... 40 그림 12. 개체명 주석 텍스트 파일 예시 ... 40 그림 13. 팩트체킹 모델 ... 41 그림 14. 기술체험 서비스 시스템 프로토타입 구성도 ... 44 그림 15. 기술체험 서비스 사용자 분류 및 기능 ... 45 그림 16. 대학방문 설명회 사진 ...오류! 책갈피가 정의되어 있지 않습니다. 그림 17. 취업연계 교육생 선발 사진 ...오류! 책갈피가 정의되어 있지 않습니다. 그림 18. 취업연계 교육현장 사진 ... 53 그림 19. 수료식 행사 사진 ...오류! 책갈피가 정의되어 있지 않습니다. 그림 20. 기능안전 설계 개념 교재 ... 62 그림 21. 숫자 인식을 위한 CNN 모델 예시 ... 63 그림 22. RNN 구조 예시 ... 64 그림 23. CNN 가속기를 위한 SOC 가상화 플랫폼 구조 ... 65

그림 27. CNN 가속기 블록도 및 메모리맵 ... 70 그림 28. CNN 가속기를 포함하는 SOC 가상화 플랫폼 구조 생성 ... 71 그림 29. 다양한 레이어의 연결로 구성되어 있는 CNN 모델 예시 ... 72 그림 30. 가상화 CONVOLUTION 모듈 개발 ... 72 그림 31. 가상화 FULLY-CONNECTED 모듈 개발... 73 그림 32. 가상화 POOLING 모듈 개발 ... 74 그림 33. 가상화 SIGMOID 모듈 개발 ... 74 그림 34. 가상화 RELU 모듈 개발 ... 75 그림 35. 비트 개수에 따른 파라미터 양자화 비교... 76 그림 36. 파라미터 양자화 기법에 따른 추론 정확도 비교 ... 77 그림 37. SOC 가상화 플랫폼 기반 AI 가속기 동작 예시 ... 77 그림 38. HOST에서 ACCELERATOR로 전송되는 데이터 구조 ... 79 그림 39. ZC706을 이용한 CNN 가속기 개발 ... 83 그림 40. CNN 학습 과정 예시 ... 85 그림 41. 학습을 위한 풀링 모듈... 86 그림 42. 학습을 위한 CONVOLUTION 모듈 ... 87 그림 43. 학습을 위한 FULLY-CONNECTED 모듈... 87 그림 45. 간단한 구조의 CNN 가속기... 88 그림 46. 외부 메모리 접근 최적화를 위한 CNN 가속기 구조 ... 88 그림 47. 시계열 데이터 중첩을 통한 학습데이터 전처리 ... 90 그림 48. 시계열 데이터 중첩 크기에 따른 인공지능 추론 정확도 비교... 90 그림 49. 11개 센서 부착 위치 선별 ... 91

표 목차

표 1 AI 전문엔지니어 양성 및 취업연계 설계전문교육 내역(‘18년) ... 19 표 2. 파라미터 양자화를 적용에 따른 HW 자원 사용량 및 성능 변화 ... 68 표 3. ZYNQNET 모델의 각 레이어 처리에 필요한 데이터 크기 ... 80 표 4. ZYNQNET 세부 구조 ... 82 표 5. SOC 가상화 플랫폼 기반 CNN 가속 성능 추정 결과 ... 84 표 6 연구개발 성과지표 ... 106

제 1장 연구개발의 배경

제 1절 과제 개요

1. 과제의 정의 및 비전

가. 과제의 정의

수도권 지역 ETRI AI 데이터 허브(인공지능 공유 플랫폼) 구축 및 지역 수요 기반 In-house R&BD 과제(중과제)는 수도권 지역의 중소·중견기업 역량강화를 통한 기술경쟁력을 제고하고 매출 및 고용의 증대를 견인하기 위한 과제로 다음의 3가지 역할을 수행한다. ｏ 인공지능기술 개발에 사용 가능한 데이터 인프라를 구축하고 이용환경을 제공하여 국가 지 능정보산업 발전 생태계 조성 ｏ AI 분야 전문 인력의 양적·질적 부족과 미래 수요에 대비한 고급 인재 확보를 위한 전문 인력 양성 ｏ 데이터 기반의 인공지능 기술 발전을 위해 방대한 데이터를 실시간으로 빠르게 처리하고 전력 효율성과 보안성 제고를 위한 하드웨어 개발

나. 비전

제 2절 관련 연구 및 동향

1. 관련 연구

가. 인공지능 인프라 조성

ｏ 한국정보화진흥원(NIA) 주관으로 운영중인 인공지능 통합 포털은 법률, 특허, 관광 도메인 에 지식베이스 중심의 서비스 제공 ｏ ETRI 인공지능 연구결과물을 바탕으로 공공 인공지능 API·DATA 서비스 포털을 구축하고, 이를 통해 인공지능 응용 서비스 개발에 관심 있는 개인과 기업 지원 중

나. 인공지능 가속을 위한 아키텍처 개발

ｏ 한국연구재단 주관의 리서치펠로우 사업으로 2016.11.01. ~ 2019.10.31. 기간 동안 “인공 지능용 뉴럴 네트워크에 최적화 된 뉴로모픽 컴퓨팅 하드웨어 아키텍쳐 개발” 과제를 통 해 인공지능 애플리케이션 특징에 맞춰 뉴로모픽 컴퓨팅 하드웨어 아키텍처를 개발하고 있 음 ｏ 한국산업기술평가관리원 주관의 시범형 기술개발 사업으로 2016.08.01. ~ 2018.07.31. 기 간 동안 “인공지능을 위한 고효율 GPU 구조 개발” 과제를 통해 인공신경망 가속에 특화 된 GPU ISA 설계 및 성능 검증 플랫폼을 개발하고 있음

다. 인공지능 가속 플랫폼 기술 개발

ｏ 판교 테크노밸리 연계 개방형 SW-SoC 가상화 플랫폼 개발 “ 과제에서 IoT 게이트웨이용 SW-SoC 가상화 플랫폼 기술을 개발하였음

ｏ “ 근거리 통신 IoT 단말을 지원하는 Secure IoT Hub용 지능형 반도체 개발 ” 과제에서 Secure IoT Hub용 지능형반도체 가상화 플랫폼 기술을 개발

2. 기술 및 산업 동향

가. 해외 동향

지식베이스 개발이 진행되고 있음

- 은 1,500만장의 이미지를 무료로 연구자와 기업에게 개방하여 시각부문 인

공지능기술 발전의 기초 제공

- 아마존 AWS(Amazon Web Services)는 공공 데이터를 한 곳에 저장 제공하는 클라우드 서 비스(IaaS, PaaS)로 시장 활성화에 기여 ｏ 글로벌 ICT기업은 AI 플랫폼을 기반으로 타산업과의 협력을 통해 개방형 생태계 구축에 주 력, 핵심시장 선점을 가속화 ｏ 선진국들은 AI 암흑기에도 지속적인 장기 투자를 통해 뇌 과학 등 기초 원천기술을 확보하 고, AI 핵심 기술개발과 인재양성에 주력

나. 국내 동향

ｏ '13년부터 중장기 과제로 언어지능(엑소브레인), 시각지능(딥뷰) 등 AI 분야 핵심기술 개 발 추진 중 - 엑소브레인은 자연어 이해 및 지식학습을 통하여 분야별 전문가 수준의 AI 학습 중 - 딥뷰는 인공지능 학습에 필요한 이미지·영상 데이터 확보에 주력 - 우리나라는 인공지능 기술 활용 시작 단계로 인공지능 학습용 데이터 축적과 공유·활 용 수준이 미흡 ｏ 언어지능 구현에 필수적인 위키백과 기준으로 보면 우리나라는 전 세계 국가 중 27위 수준 으로 베트남(7위), 중국(9위)보다 낮고 세르비아 수준의 대단히 낙후된 상황 - 인공지능 기술 실현을 위해서는 관련 데이터의 확보와 기계학습 데이터로의 활용이 핵 심 열쇠임을 인식 ｏ 4차 산업혁명에 선제적 대응으로 국내에서도 정책적 노력을 다하고 있으나 여전히 선도국 대비 기술격차가 크고 AI 산업 생태계는 취약한 상황

제 3절 과제의 필요성 및 중요성

1. 필요성

가. IDX 연계 필요성

ｏ 4차 산업혁명의 핵심 산업인 인공지능산업 발전을 위해 다양한 데이터 인프라 구축이 시급 ｏ 수도권지역 ETRI AI 데이터 허브(인공지능 공유 플랫폼) 구축 운영으로 지능정보산업 발전 생태계를 구축하고, 지능정보 데이터 서비스 개발 지원 등을 통해 지능정보 산업 활성화를 위한 수도권 IDX 전진기지 역할 수행

ｏ ETRI 공공 인공지능 Open API 서비스와 연계한 데이터 활용 서비스 확대 지원

- ETRI 본원의 연구결과물을 재활용하여 확산 발전시킬 수 있는 시너지 효과도 필요함

나. 정책적 필요성

ｏ 정부는 국정운영 5개년 계획으로 지능정보기술 전략산업화 및 4차 산업혁명의 핵심산업인 인공지능산업 발전과 “초지능·초연결 사회의 기반 조성을 위해 데이터 공유·활용 플랫 폼 구축” 등을 추진 - 2018년도 정부연구개발 투자 방향으로 “ 4차 산업혁명 선도를 위한 기술·시장 선점형 R&D 투자”를 위해 지능정보기술과 기존 기술 및 산업을 융합한 분야에 대한 투자 확대 ｏ 정부는 양질의 데이터 개방, 신 산업중심의 생태계 조성, 국민참여 확대 등의 로드맵 제시 (제2차 공공데이터 제공 및 이용 활성화 기본계획,’16.12, 행정자치부) - 하지만 양질의 데이터는 물론 누구나 사용 가능한 공통데이터조차 부족한 실정 - 이러한 데이터의 부재는 기업들의 AI사업 수행의 애로사항으로 작용 ｏ 현) 정부는 대통령령으로 “ 4차산업혁명위원회의 설치 및 운영에 관한 규정[시행 2017.8.22.][대통령령 제28250호, 2017.8.22., 제정]”하고“4차 산업혁명의 총체적 변화 과정을 국가적인 방향전환의 계기로 삼아, 경제성장과 사회문제해결을 함께 추구하는 포용 적 성장으로 일자리를 창출하고 국가경쟁력을 확보하며 국민의 삶의 질을 향상” 추구 ｏ 청년 실업과 양질의 일자리 부족 문제 해결을 위한 신산업 분야 일자리 창출 정책에 집중

- 정부 국정운영 5개년 계획으로 지능정보기술 전략산업화 및 4차 산업혁명의 핵심산업인 인공지능산업 발전과 “초지능·초연결 사회의 기반 조성을 위해 데이터 공유·활용 플 랫폼 구축” 등을 추진 - 2018년도 정부연구개발 투자방향으로 “ 4차 산업혁명 선도를 위한 기술·시장 선점형 R&D 투자”를 위해 지능정보기술+기존 기술·산업 융합 분야 투자 확대

다. 기술적 필요성

ｏ 4차 산업혁명의 핵심 산업인 인공지능산업 발전을 위해서는 다양한 데이터 인프라 구축이 시급 - 인공지능산업 발전의 씨앗은 다양한 인공지능 기술서비스에 활용 가능한 학습용 데이터 - 인공지능 모델들을 지능화하기 위한 학습용 데이터 및 지식베이스의 국내 인프라는 선 진국 대비 매우 열악함 ｏ 인공지능 기업 조기 육성 및 인공지능 응용서비스 시장 확산을 위해 양질의 데이터를 가공 한 지능정보 데이터 활용 기반 조성 시급 - 해외는 다양한 분야에서의 AI 기술 개발에 활용할 인공지능 학습 데이터 및 학습 환경 등 기반 인프라가 활성화 됨

- 인공지능 선진국은 DBpedia, WordNet, ImageNet, Microsoft COCO 등 학습용 데이터 축 적에 많은 노력 투자 ｏ 전체 데이터의 75%를 차지하나, 활용이 안되고 있는 공공 데이터를 확보하고 이를 가공하 여 인공지능 기술에 바로 적용 가능한 다양한 지식베이스 구축 및 관리가 시급함 - 현재 공공기관들이 보유한 데이터와 웹 상에 떠도는 데이터들은 분류가 산발적이고 핵 심내용을 담고있는 것이 거의 없어 활용가치가 떨어짐 ｏ 센터의 주요사업 도메인인 지능정보 데이터 허브 구축의 연구개발 성과를 제고하고 지역에

지원 필요

ｏ 인공지능을 이용한 서비스 기술 개발이 활발해지고 있으며, 산업에 적용을 위해서는 실시 간성을 제공하기 위한 가속 처리 기술 필요

- 기존의 인공지능 학습/추론 기술 개발은 CPU, GPU 중심

-

학습은 CPU/GPU에서 클라우드로, 추론은 CPU/GPU에서 FPGA/ASIC로

ｏ 클라우드 시스템에도 CPU/GPU에 이어서 FPGA 활용 증가 추세 - MS: FPGA 활용 투자 - AWS: FPGA 가속 서비스 제공

2. 중요성

ｏ 인공지능은 단순 신기술이 아닌 4차 산업혁명을 촉발하는 핵심 동력으로 파괴적 기술혁신 을 통해 산업구조의 변화를 야기하고, 사회 제도의 변화까지 유발할 것으로 전망 ｏ 공공데이터를 중심으로 한 지능정보 데이터化 및 학습데이터 구축·확산을 통해 다양한 중 소·벤처기업의 AI 기반 서비스 개발 등 지능정보산업 창출이 가능함 - 지능정보사회로 새로운 도약을 위한 기회로 총 경제적 효과(신규매출+비용절감+소비자 후생증대)가 ‘30년 기준 최대 460조원 발생 예상(매킨지, ‘16) ｏ 지능정보 서비스 개발 기업들의 경쟁력 있는 비즈니스 모델 구축을 위해서는 AI 기술 확보 자체보다 데이터 수집, 분석, 활용 등 데이터 중심의 접근법을 바탕으로 특화된 서비스 제 공에 주력하는 것이 중요하므로 이를 통해 다양한 지능정보 서비스 시장 창출이 가능해짐 ｏ AI 디바이스 예로써, 스마트 자동차, 드론 등은 정보보안을 경량․고속처리하기 위해 HSM을 적용하지만 해킹, 고장으로 오작동하면 치명적이므로, 이를 방지할 기능안전 설계 (Functional Safety Design)를 적용하는 것이 중요함

ｏ 차별화된 인공지능 서비스를 위해서는 서비스에 최적화된 다양한 도메인의 데이터 제공이 중요

ｏ 인공지능 기술은 자체의 기술혁신을 넘어 과학기술과 산업기술 영역의 성장을 가속하는 혁 신의 조력자(Enabler) 역할을 수행

제 2장 과제의 목표 및 범위

제 1절 최종 목표

최종목표 ○ 수도권 지역전략산업 육성 및 중소기업 활성화 - ETRI AI 데이터 허브(인공지능 공유 플랫폼) 구축· 운용 및 활용 - 인공지능 기술 전문 엔지니어 양성 교육 ○ 지역 전략산업 및 기업 수요기반 In-house R&BD - SW 가상화 플랫폼 기반 인공지능 추론 가속 기술 개발 그림 2. 수도권 지역산업기반 ICT 융합기술 지원 개념도

- (지역 협력 체계 구축) 수도권 지역 데이터 보유기관들과 데이 터 활용 협력체계 구축 - (본원과의 연계 강화) ETRI 오픈API 사용자 요구사항 분석을 통한 공유 플랫폼 서비스 발굴 AI 기술 전문 엔지니어 양성 교육 - 취업연계 설계 전문엔지니어 과정 개설 운영 50명 - 연구결과 활용 전문엔지니어 과정 개설 운영 300명  AI 전문엔지니어 실무 교육 개설 운영  ETRI 연구결과물(KSB 프레임웍, HSM 등) 성과 확산 교육 - 기능안전 고려한 HSM 설계 및 교육 인공지능 학습/추론 가속을 위한 SW 가상 화 플랫폼 개발 - SW 형태로 학습 가속 기능 검증을 위한 플랫폼 기술개발 - SW 형태로 추론 가속 기능 검증을 위한 플랫폼 기술개발 - 가상화 플랫폼 기반 인공지능 학습/추론 성능추정기술 개발

2차년도

(2019)

ETRI 인공지능 공유 플랫폼 개발 - (인공지능 공유 환경 조성) ETRI 인공지능 데이터 공유 플랫 폼 구축 및 시험 운영 - (본원과의 연계 강화) ETRI 오픈API와 데이터 가공톨 연계 - (본원과의 연계 강화) ETRI 기술 확산을 위한 가상화 기반 기술체험 시스템 개발 - (지역 협력 체계 구축) AI 응용/서비스에 활용 가능한 학습 데이터 발굴 및 구축 - (지역 협력 체계 구축) ETRI-대학/지자체 연계 프로그램 발 굴 및 개발 AI 기술 전문 엔지니어 양성 교육 - 고용절벽 해소를 위한 양질의 일자리 창출(취업)교육 60명 - AI 전문엔지니어/연구성과활용 교육 개설 운영 300명  AI 전문엔지니어 실무 교육  ETRI 연구결과물(KSB 프레임웍 등) 성과확산교육 SW 가상화 플랫폼 기 - 인공지능 추론 가속을 위한 HW 데이터플로우 구조 개발

3차년도

(2020)

ETRI 인공지능 공유 플랫폼 개발 - (인공지능 공유 환경 조성) ETRI 인공지능 공유 플랫폼 고도화 - (인공지능 공유 환경 조성) 블록체인 기반의 데이터 공유 확산 모델 연구 - (본원과의 연계 강화) 가상화 기반의 ETRI 기술 체험 콘텐츠 확보 및 시험 서비스 구축 - (지역 협력 체계 구축) AI 응용/서비스에 활용 가능한 학습데 이터 발굴 및 구축 - (지역 협력 체계 구축) ETRI-대학/지자체 연계 프로그램 발굴 및 개발 AI 기술 전문 엔지니어 양성 교육 - 고용절벽 해소를 위한 양질의 일자리 창출(취업)교육 60명 - AI 전문엔지니어/연구성과활용 교육 개설 운영 300명  AI 전문엔지니어 실무 교육 개설 운영  ETRI 연구결과물(KSB 프레임웍 등) 성과 확산 교육 SW 가상화 플랫폼 기 반 인공지능 추론 모 델 가속 HW 최적화 기 술 개발 - 인공지능 추론 가속을 위한 데이터플로우 최적화 기술 개발 - SW 가상화 플랫폼 기반 인공지능 추론 가속을 위한 모듈 최 적화 기술 개발 - 인공지능 추론 가속 엔진 활용 기술 개발 - 인공지능 공유 플랫폼 활용 인공지능 추론 기술 개발 ETRI 인공지능 공유 플랫폼 개발 - (인공지능 공유 환경 조성) ETRI 인공지능 공유 플랫폼 활성화 - (본원과의 연계 강화) 가상화 기반의 ETRI 기술 체험 서비스 구축 및 안정화 - (지역 협력 체계 구축) AI 응용/서비스에 활용 가능한 학습데 이터 발굴 및 구축

가상화 플랫폼 활용 온라인 추론 기술 개발 - 지역 산업 수요 연계 온라인 기반 인공지능 추론 가속 플랫 폼 활용 시범 서비스 개발 - 인공지능 공유 플랫폼 연계 인공지능 추론 응용 서비스 기술 개발

제 3절 당해 연도 목표

구 분 내 용 세부 목표 (1) 정성적 세부목표 ○ ETRI 인공지능 공유 플랫폼 개발 - (인공지능 공유 환경 조성) ETRI 인공지능 공유 플랫폼 구축 - (지역 협력 체계 구축) 인공지능 응용/서비스에 활용 가능한 학습데이터 구축 - (지역 협력 체계 구축) 수도권 지역 데이터 보유기관들과 데이터 활용 협력체계 구축 - (본원과의 연계 강화) ETRI 오픈API 사용자 요구사항 분석을 통한 공유 플랫폼 서비 스 발굴 ○ AI 기술 전문 엔지니어 양성 - 양질의 일자리 창출(취업연계)교육 - AI 전문엔지니어/연구성과활용 교육 ․ AI 전문엔지니어 실무 교육 ․ ETRI 연구결과물(KSB 프레임웍, HSM등) 성과확산교육 - 기능안전 고려한 HSM 설계 및 교육 ○ 지역 전략산업 및 기업 수요기반 In-house R&BD - 인공지능 학습/추론 가속을 위한 SW 가상화 플랫폼 개발

(2) 정량적 세부목표

평가 항목

(주요성능

Spec1)

단위

전체 항

목

에서 차

지하는비

중2)

(%)

세계최고 수

준 보유국/

기업( / )

개발 목표치

_기준

설정

근거4)

평가 방법

성능

수준

1 차

년도

2 차

년도

3 차

년도

4 차

년도

1. ETRI 인공지능 공유 플랫폼 개발

학습데이터

구축(누적)

건

25

-

1

1

1

1

오류율 10%미 만의 품질평가

자체평가

ETRI 인공지능 공유

플랫폼 활용도

단계

25

-

1 단계 (프로토 타입) 2 단계 (시험 운영) 3 단계 (고도화) 4 단계 (활성화) ETRI 오픈API 공개단계 참고

자체평가

2. AI 기술 전문 엔지니어 양성

전문 엔지니어

(취업/수혜)

명

20

50/300 60/300 60/300 60/300 취업/수료

자체평가

3. (지역 전략산업 및 기업 수요기반 In-house R&BD) 인공지능 가속 플랫폼 기술 개발

인공지능 학습/추론

가속 가상화 플랫폼

동작 성능 추정 정

확도

%

8

-

65

70

73

75

-

자체 평가

Convolution 연산

최적화 비율

%

7

(미국/

UCLA)

10

-

10

20

30

-

자체 평가

외부 메모리 액세스

최적화

%

7

(미국/

MIT)

10

-

10

15

20

-

자체 평가

인공지능 추론 가속

(미국/

제 4절 당해 연도 과제 범위

ETRI 인공 지능 공유 플랫폼 개 발 - (인공지능 공유 환경 조성) ETRI 인공지능 공유 플랫폼 구축 . 인공지능 응용 및 학습데이터 인프라 공유 환경 개발 - (지역 협력 체계 구축) 인공지능 응용/서비스에 활용 가능한 학습데이터 구축 . 활용가치가 높은 데이터를 발굴 및 확보 추진 - (지역 협력 체계 구축) 수도권의 데이터 보유기관들과 데이터 활용 협력 체계 구축 . 활용가치가 높은 양질의 공공데이터 확보를 위해 유관기관들과의 데이터 제공 및 활용 협력체계 구축 - (본원과의 연계 강화) ETRI 오픈API 사용자 요구사항 분석을 통한 공유 플랫폼 서비 스 발굴 . 인공지능 수요기업 및 공급(개발) 기업/대학과 연계한 서비스 발굴 AI 기술 전문 엔지 니어 양성 교육 - 연구 개발 기술 성과확산을 위해 ETRI SW-SoC융합아카데미를 통해 기술 활용 전문 엔지니어를 연간 50명 이상 양성하여 수요기업에 기술과 전문인력을 동시에 공급 - 4차산업 혁명을 선도하는 미래인재를 육성고자 인공지능(AI), IoT, VR/AR, 보안기

술 등 분야 실무역량 강화 교육과정 개설 - 기업 수요와 기술 분야에 부합하는 SW-SoC 융합 전문교육 과정 개설 - 수도권 지역의 예상 기술 수요 기업의 도메인 전문가 활동을 통해 하드웨어 기반 AI 보안 기술 개발 요구사항 연구 표 1 AI 전문엔지니어 양성 및 취업연계 설계전문교육 내역(‘18 년) 순서 교육 과정명 과정구분 1 AI 칩 회로합성 툴 사용법 및 활용 예(Synopsys) AI 전문 엔지니어 양성 교 2 AI 칩설계를 위한 Verilog를 이용한 회로설계

3 AI 칩설계를 위한 Vivado를 활용한 FPGA 설계(Xilinx)

4 Tensorflow & Google Cloud ML을 이용한 딥러닝 영상인식 기본

10 AI 하드웨어가속기 구조 설계 실습 11 C/C++ Programming 실습 for KSB 프레임워크 활용 12 AI 하드웨어 설계를 위한 Verilog 회로설계 기초 13 Cortex-M3/M4 구조 및 Firmware 설계 실무 14 Zynq를 이용한 SoC 설계 15 AI HW 가속기 RTL 설계 16 SoC 기반 AI Firmware 설계 17 AI 하드웨어 Verilog 회로설계 18 AI 칩 회로합성 툴 사용법 및 활용 예(Synopsys) 19 Cortex-M3/M4 구조 및 Firmware 설계 실무 20 딥뉴럴네트워크 AI 가속 하드웨어 SoC 설계 실습

21 Vivado를 활용한 FPGA 설계(Xilinx)

22 Function, Timing & Low power를 고려한 Verilog 회로설계

23 _{AI-하드웨어가속기 칩 설계전문 엔지니어 교육} 취업연계 설계전문 교육 24 _{SoC기반 Firmware설계전문엔지니어 교육} 25 _{AI 칩 미세공정 P&R 설계 전문엔지니어 교육}

- Functional Safety 표준에 따른 HSM(Hardware Security Module) 요구사항 분석 및 교육 인공지능

가속 플랫 폼 기술 개 발

- 인공지능 학습/추론 가속 기능 검증을 위한 SW 가상화 플랫폼 구조 개발 . Convolutional Neural Network용 구조 개발

. Recurrent Neural Network용 구조 개발 . 효율적인 Host-Accelerator 인터페이스 개발

- 인공지능 네트워크 주요 모듈의 SW 가상화 모델 개발 . Convolution 모델 개발 . Fully Connected 모델 개발 . Max/Average Pooling 모델 개발 . Activation(Sigmoid/ReLU) 모델 개발 . Quantization 모델 개발 - 가상화 플랫폼 기반 인공지능 학습/추론 성능 추정 기술 개발 . Host-Accelerator 시스템 인터페이스 성능 추정 기술 개발 . External/Global Memory 인터페이스 성능 추정 기술 개발 . Accelerator 모듈 동작 성능 추정 기술 개발

. Accelerator 모듈-Local Memory 인터페이스 성능 추정 기술 개발

- 인공지능 학습 가속을 위한 Dataflow 기술 개발 . Dataflow 구조 개발 . 인공지능 주요 연산 모듈 개발 . Convolution 연산 모듈 개발 그림 4. . 인공지능 학습/추론 가속 플랫폼의 주요 성능 추정 요소

제 3장 당해 년도 추진 실적

제 1절 당해 년도 추진 현황

1. 목표계획 대비 달성도

당해 년도 계획 당해 년도 실적 달성 도 (인공지능 공유 환경 조성) ETRI 인공지능 공 유 플랫폼 구축 o ETRI 인공지능 공유 플랫폼 개발 - 인공지능 공유 플랫폼 설계 및 구현 - 학습데이터 제공 및 공유 기능 구현 - 언어분야 학습데이터 편집 도구 개발 - 시각분야 학습데이터 편집 도구 탑재 100%

(지역 협력 체계 구축) 인공지능 응용/서비 스에 활용 가능한 학습데이터 구축 o 언어처리용 보육복지 학습데이터 발굴·구축 - 데이터 출처: 사회보장정보원 - 분량: 6천문장 (보육복지 사업안내서, 상담 전사자료, 업무 편람, FAQ 목록에서 선정) - 특징: 신규 태그 체계 수립, 오류율(4%) o 가짜 뉴스 판별용 학습데이터 발굴 및 구축 - 데이터 출처: snopes (가짜뉴스 정보) - 분량: 루머 7,954개(뉴스, 주장 문장, 가짜 뉴스 여부 등의 정보 포함) - 특징: 가짜 뉴스 판별용 학습데이터 구축 및 모델 개발을 통한 검증 수행 200% (본원과의 연계 강화) ETRI 오픈API 사용자 요구사항 분석을 통한 공유 플랫폼 서비스 발굴 o ETRI 오픈API 사용자 요구사항 분석을 위한 홍보 - ETRI 판교 사업화 유망기술 설명회를 통한 중소·벤처기업 대상의 ETRI 오픈API 서비스 소개(10/16) - 성남시 지역 혁신형 스마트시티 기반조성 리빙랩을 통한 성남 관내 기업 대상의 ETRI 오픈API 서비스 소개 2회(9/14, 10/02) o 본원 개발부서 및 사용자의 요구사항 분석을 100%

(지역 협력 체계 구축) 수도권 지역 데이터 보유기관들과 데이터 활용 협력체계 구축 o 데이터 제공 및 활용협력 MOU 체결 (사회보장 정보원, 4/27) o 인공지능 기술과 교통데이터 활용을 위한 과 제 기획 및 과제수주(‘19년, 교통연구원) o 지역 인공지능산업 발전환경 조성을 위한 협 력(성남산업진흥원) 100% ｏ 양질의 일자리 창출(취업연계)교육 - 기업수요기반 취업연계 50명 ｏ 취업연계 설계전문 교육과정으로 AI 하드웨 어 가속기/딥러닝설계, SoC 기반 AI딥러닝 /Firmware 설계, AI 칩 미세공정 Auto P&R 설 계 3과정 개설 및 교육, 63명 배출/50명 취업 - AI 하드웨어 가속기/딥러닝 과정: 4주 교육, 20명 교육, 11명 취업, 6명 대학원 진학, 78.6% 취업률 - SoC기반 AI 딥러닝/Firmware 설계 과정: 4주 교육, 17명 교육, 14명 취업, 82.4% 취업률 - AI 칩 미세공정 Auto P&R 설계 과정: 4주 교 육, 26명 교육, 25명 취업, 96.2% 취업률 100% ｏ 연구결과 활용 전문엔지니어 교육: 300 명 ｏ AI 전문엔지니어 양성 교육은 AI 뉴로모픽 프로세서 구조 설계 실습, 딥러닝 알고리즘, AI 프레임워크 활용 설계실습 등 인공지능 전 문 엔지니어 328명 양성 - [AI 칩 회로합성 툴 사용법 및 활용 예] 강좌 등 20건의 실무교육 강좌개설, 289명 수료 (03/13~11/08)

- SW-SoC융합아카데미 취업연계교육생의 KSB 공 모전 참가(최우수상1, 우수상1 수상)

ｏ Functional Safety 표준에 따른 HSM(Hardware Security Module) 요구사항 분석 및 교육

- 기능 안전을 고려한 설계 표준인 ISO26262(자 동차 ECU에 대한 Functional Safety Design) Hardware Security Module에 요구하는 기능 안전 설계 요구사항 분석 및 정리 - 기능 안전 설계(ISO26262)에 대해 “ SoC설계 기반 AI 딥러닝/Firmware 설계 전문 엔지니 어 양성과정 ” 의 교육생 대상 교육 실시 (‘18.07.30, 교육생 19명) 100% ｏ 인공지능 학습/추론 가속을 위한 SW 가 상화 플랫폼 개발 ｏ FPGA(Zynq) 보드의 HW 모듈을 SoC 가상화 플 랫폼에 모델링 124%

능 모델에 CNN 애플리케이션을 실행 o FPGA(Zynq) 보드의 HW 모듈을 SoC 가상화 플 랫폼에 모델링하여 성능 추정 기술 개발 - FPGA(Zynq-ZC706) 보드에서 측정한 처리 시간 과 SoC 가상화 플랫폼에서 추정한 처리 시간 을 비교 - SoC 가상화 플랫폼을 이용하여 80.9%의 성능 추정 정확도 만족

2. 과제 추진 일정

가. ETRI 인공지능 공유 플랫폼 개발

과제내용 추 진 일 정 1 2 3 4 5 6 7 8 9 10 11 12 ETRI 인공지능 공유 플랫폼 구축 인공지능 응용/서비스에 활용 가능한 학습데이터 구축 ETRI 오픈API 사용자 요구사항 분석을 통한 공유 플랫폼 서비스 발굴 수도권 지역 데이터 보유기관들과 데이터 활용 협력체계 구축

나. AI 기술전문 엔지니어 양성 교육

과제내용 추 진 일 정 1 2 3 4 5 6 7 8 9 10 11 12 AI 기 술 전 문 엔 지 니 어 양 성 교 육 취업연계교 육 과정 수 요조사 및 과정 개발 홍보 및 수 강생 모집 교육 개설 운영 및 Job-fair 교육생 취 업연계 실무 역량 강화 교육 과정 개발 및 운영 사업결과보 고서 작성 및 제출

다. 인공지능 가속 플랫폼 기술 개발

과제내용 추 진 일 정 1 2 3 4 5 6 7 8 9 10 11 12 AI용 SW 가상화플랫폼 구조개발 AI 네트워크 모듈별 가상화모델 개발 가상화플랫폼 기반 AI 성능추정 기술 개발 AI 학습 가속 Dataflow 기술개발

제 2절 ETRI 인공지능 공유 플랫폼 개발

1. ETRI 인공지능 공유 플랫폼 구축

가. 목적 및 필요성

ｏ (목적) 인공지능 응용서비스에 활용 가능한 데이터와 학습데이터 구축에 필요한 툴을 사용 자들에게 제공하고, ETRI의 인공지능 기술을 체험할 수 있는 기능 등이 포함된 ETRI 인공 지능 공유 플랫폼을 구축 ｏ (필요성) 국내 AI 기업의 경쟁력 제고를 위해서 AI 플랫폼 생태계 구축에 친화적인 여건 조성이 필요하고 이를 활용하여 국내 기업들이 세계 수준의 상용화 제품을 확보할 수 있는 기초 토대가 필요

나. 주요 내용

학습데이터 공유 기능 - 데이터 업로드 기능 - 데이터 다운로드 기능 언어분야 학습데이터 가공 도구 - 텍스트 문장에 태깅 편집 기능 - 가공결과 저장 기능 시각분야 학습데이터 가공 도구 - 오픈소스 시각 분석 기능 - 분석결과 편집 기능 - 가공결과 저장 기능

그림 6. ETRI 인공지능 공유플랫폼 구성도 그림 5. ETRI AI 공유플랫폼 아키텍춰

다. 세부 내용

1) 학습데이터 공유 기능

ｏ 사용자의 파일(텍스트, 비디오, 이미지)를 서버에 업로드 하는 기능 구현 ｏ 텍스트 기반 정보(데이터 셋에 대한 소개 및 활용 예시)를 포함하여 업로드 하는 기능 구 현 ｏ 사용자 간의 학습데이터 공유를 위해 태깅 정보를 검색할 수 있는 기능 구현 ｏ 타 사용자가 업로드한 학습데이터를 검색 후, 다운로드 하는 기능 구현 그림 7. ETRI 인공지능 공유 플랫폼 페이지

2) 학습데이터 가공 도구 개발

ｏ 언어분야 학습데이터 가공 도구 - 사용자가 학습데이터 가공을 원하는 문장을 입력 받음(창에서 입력, 파일형태) - 태그가 달려있는 언어분야 학습데이터도 읽어올 수 있게 구성 - 온라인 상에서 정해진 기준(ETRI 태깅가이드)에 따라서 문장에 태깅을 추가하는 기능 제공 - 기존에 태깅이 달려있는 학습데이터에서 태깅을 삭제할 수 있는 기능 제공 - 사용자가 수정한 내용은 파일의 형태로 저장하여 추후 다시 작업할 수 있는 기능 제공 ｏ 시각분야 학습데이터 가공 도구 - 사용자가 여러 개의 이미지/동영상 파일들을 업로드할 수 있는 기능 그림 6. 언어분야 학습데이터 가공 도구

- 수정된 결과를 파일형태로 저장할 수 있는 기능

2. 인공지능 학습데이터 구축

ｏ 한국어 한국어 기반의 인공지능 기반 응용 서비스 개발을 위한 학습데이터 부족 ｏ 인공지능 응용서비스 개발에 활용 가능한 모델 학습용 데이터 자원이 부족하여, 중소기업이나 대학 /개인 개발자들의 인공지능 응용/서비스 개발의 걸림돌이 되고 있음 ｏ 데이터 유통시장의 구축이 필요한 현재 시점에서 전체 데이터의 75%를 차지하는 공공데이터의 확보, 분석 및 가공의 필요성이 증대되고 있음 ｏ 인공지능 기반 상담 시스템 개발에 활용할 수 있는 보육복지 학습데이터 및 현재 심각한 사회문제 로 대두되고 있는 가짜뉴스를 검출하기 위한 가짜뉴스 학습데이터를 발굴하고 확보

가. 언어처리용 보육복지 학습데이터 발굴 및 구축

1) 수행 절차

ｏ 개체명 인식 학습데이터 구축을 위한 구어 코퍼스 자료 수집 후 전사 및 분석 ｏ 개체명 인식 학습 데이터 구축을 위한 문어 코퍼스 자료 수집 및 분석 ｏ 인공지능 응용서비스 개발을 위한 언어자료 구축 및 공개 ｏ 개체명 인식 학습데이터 구축을 위한 개체명 인식 정보 수립 및 신규 태그 개발 ｏ 인공지능 응용서비스 개발을 위한 개체명 인식 학습데이터 구축

2) 신규 태그셋 체계 수립

ｏ [그림 8] 태그 목록과 같은 한국어 개체명 표준 태그를 활용하여 작업 ｏ ETRI 개체명 태그셋의 상위 분류기준을 토대로 개체명 데이터의 태그 체계를 구성함 - ETRI 개체명 태그셋 총 15개이 개체명 대분류 분석 - 15개 대분류의 하위 146개 세분류 분석 ｏ 상담데이터 관련 세분류를 기존ETRI 태그셋 체계에 더하는 작업 수행 ｏ FAQ에서 나타난 주요 개체명 키워드 및 상담전사자료에 자주 출현하는 서비스 부류의 빈도

ｏ 총 3만 2천여 어절의 로우 코퍼스의 형태 분석 결과에서 각 낱말의 빈도 파악 ｏ 보육관련 주요 키워드 분석 ｏ 로우코퍼스를 ETRI 언어분석기로 개체명 태깅 ｏ 개체명의 종류와 빈도 분석 ｏ 사회보장정보원에서 제공한 주요 질문 목록과 업무 관련 키워드 목록을 분석한 후 보육관 그림 8. ETRI 개체명 인식기 태그 분류체계(예시)

ｏ 총 9개의 보육분야 개체명 태그 수립 ｏ CV_CC_CARD(보육 관련 카드): - 일반 금융권에서 지칭하는 신용카드 등의 결제수단이 아닌 보육분야에 특화되어 보육비 결제에 쓰이는 카드들을 주요 대상 개체로 함. 예를 들어 ‘아이행복카드’는 다른 곳 에 사용되지 않고 오직 보육기관인 어린이집에서 이루어지는 모든 결제에만 사용됨. ｏ CV_CC_PAYMENT(보육 관련 결제): - 보육기관에 관련한 모든 금전 거래에 관한 행위들에 해당하는 개체명이다. 다른 기관과 보육기관 사이의 지출은 이에 해당되지 않으며, 개인과 보육기관 사이에서 일어나는 금 전 거래라도 ‘인건비 지출’과 같은 일반적인 범주에 속하는 금전 거래는 해당되지 않 는다. 예를 들어 ‘당겨결제’나 ‘입소결제’, ‘퇴소결제’ 등 보육기관의 업무 흐름 과 관련된 결제 행위를 해당 개체명으로 설정한다. ｏ OGG_CC_EDUCATION(보육관련 교육기관): - 보육을 실질적으로 담당하는 교육기관을 개체명으로 설정한다. “어린이집”이 대표적 이며 보육과 관련되어 있으나 실질적으로 보육을 담당하지 않는 기관은 해당 부류로 설 정하지 않는다. 매우 다양한 유형의 보육담당기관(예: “영유아전담어린이집”, “정부 그림 9. 보육복지 관련 개체명 신규 태그

지 않으며 “입소확정문자서비스”와 같은 전산시스템 서비스도 보육 관련 서비스에 해 당한다. ｏ CV_CC_SYSTEM(보육 관련 시스템): - 보육 관련 시스템이며 주로 웹이나 모바일 상으로 보육 서비스 접근을 위해 서비스 되 는 시스템들을 해당 개체명으로 설정한다. 예를 들면 “보육통합시스템”, “시간제보 육관리기관운영시스템” 등 보육 사업에 관여하는 모든 전산 기반의 시스템들이 이 개 체명에 해당된다. ｏ CV_CC_OCCUPATION(보육 관련 직종): - 실제 보육에 종사하는 인력을 말하며 (어린이집)원장, 교사 등의 인력들이 이 개체명에 속한다. ‘교사’, ‘교직원’이라는 개체명도 아주 일반적인 의미로 쓰일 수 있으나, 맥락상으로 보육교직원에 속할 때, 보육 관련 직종으로 개체명을 부여한다. ｏ CV_CC_FUNDS(보육 관련 지불 항목들): - 보육과 관련하여 보육기관에 출납되는 금액 항목에 관한 명칭으로 보통 학부모의 보육 기관 대상 지출 항목 등이 여기에 속한다. 예를 들면 “차량운행비”, “종일보육료” 와 같은 개체명은 실제 보육기관의 운영상 필요한 잦은 지출 항목들이므로 개체명 부류 에 포함한다. ｏ CV_CC_POLICY(보육 관련 정책): - ‘평가인증’과 같이 보육기관에 중요한 영향을 끼치는 정책들을 개체명으로 표시한다.

4) 전처리 사전 구축

ｏ ETRI 개체명 인식기의 보육관련 개체명 인식률을 높이기 위해 개체명 사전 구축 ｏ 원시 코퍼스에서 추출한 키워드 분석

5) 결과물 및 오류율

6) 결과물 예시

− 미국 Barack Obama’s injury와 관련된 가짜뉴스로 인해 $130 billion 규모의 주식 가치 가 사라짐(2013.4.23. 워싱턴포스트지) ᄋ 인공지능 응용서비스로서의 활용 가치가 높은 데이터인 Snopes에 보고된 다양한 종류의 Fake News 관련 학습데이터 가공 및 구축하고 딥러닝 기반 팩트체킹 모델 개발을 통해 검증

1) 가짜뉴스 학습 데이터

ｏ 출처: Snops - 2012년 ~ 2017년 보고된 7,954루머(58개 카테고리) 사용

2) 가짜뉴스 학습 데이터 기반 펙트 체킹 모델 개발

ｏ [그림 17]과 같은 딥러닝 기반 팩트체킹 모델 개발 ｏ 루머 Claim만을 기반으로 85% 이상의 정확도 확인 ｏ 어느 정도 Fake News가 퍼지기 전에 검출 가능 확인 ｏ 향후 Fake News 전파와 관련된 연구 개발의 초석 역할 기대

3. 사용자 요구사항 분석 및 공유 플랫폼 서비스 발굴

가. ETRI 오픈API 사용자 요구사항 분석을 위한 홍보 실적

ㅇ ETRI 오픈API 서비스 소개(10/16) - 세미나명; 제2회 ETRI 판교 유망기술 설명회 - 일시: 2018.10.16(화) 13:00 ~ 17:00 - 장소: 한국반도체산업협회회관 9증 세미나실 - 대상: 중소 및 벤처기업 - 내용: . ETRI 인공지능 기술 오픈API 서비스 소개 . 학습데이터 가공 및 공유 플랫폼 소개 ㅇ 성남 관내 기업 대상의 ETRI 오픈API 서비스 소개 (2건) - 세미나명; 성남시 지역 혁신형 스마트시티 기반조성 리빙랩 - 일시: 2018.9.14.(금), 10.02(화) - 장소: 성남산업진흥원 세미나실 - 대상: 성남 관내 기업 - 내용: . ETRI 인공지능 기술 오픈API 서비스 소개 . 성남 지역문제 해결을 위한 ETRI 기술 인프라 활용방안 소개

나. 사용자 요구사항 분석을 통한 공유 플랫폼 서비스 발굴

미지상의 객체 검출 등 ETRI 기술 관심 기업 발표자료와 설명만으로 기술 파악 이 어려움. 실제로 사용해 볼 수 있는 방안이 필요 가상화 기반 기술체험 서비스

다. 가상화 기반 기술체험서비스 기술검증을 위한 프로토타입 개발

고성능 컴퓨팅 자원을 필요로 하는 인공지능 응용SW를 사용자들이 이용환경 구축이나 복잡한 SW 설치 과정 없이 손쉽게 사용해 볼 수 있도록 가상화(VM) 기반의 인공지능 응용SW 서비스 프로토타 입 시스템을 구축하고 실현가능성을 검증하고 있음

1) 개발 내용

그림과 같이 전체 서비스를 관리하는 관리 서버와 VM(가상 머신)이 실행되는 운영서버로 구성됨 그림과 같이 ETRI 개발 기술체험 서비스을 위해 3계층의 사용자 수준을 지원하고 있음 그림 14. 기술체험 서비스 시스템 프로토타입 구성도

2) 실현가능성을 위한 검토된 개발 이슈 및 대책

ｏ 개발된 기술 유출 방지 방안: 기술 개발자가 VM 이미지를 개발할 때 동작하는 서버를 하드 코딩하여 결과물이 복사되더라도 동작하지 않도록 대처 ｏ VM 제공으로 인해 사용자에 대한 시스템 보안: - 원내 시스템 보안을 위해 제공 서버를 DMZ 존에 설치하여 서비스 제공 - 서비스 사용자로부터 관련 협약서를 받고 서비스 제공 - 이상 행동을 하는 사용자를 방지하기 위한 VM을 강제로 중지시키는 기능 제공 ｏ 사용자 증대에 따른 서비스 가용성 확보: 제공하는 기술체험서비스에 대한 부하를 측정하 여 가용한 서버 자원을 예약한 상태에서 사용자 요청을 허용하도록 제한 그림 15. 기술체험 서비스 사용자 분류 및 기능

4. 수도권 지역 기관들과의 데이터 활용 협력체계 구축

가. 사회보장정보원과 데이터 제공 및 활용 협력 MOU 체결

ｏ 사회보장정보원으로부터 제공받는 보육복지 분야의 데이터를 학습데이터로 가공하여 본 과 제에서 개발하는 인공지능 공유 플랫폼을 통해 공유하는 방식으로 협력체계 구축 - 일시: 2018.4.27(금) - 장소: 사회보장정보원 회의실 - 내용: 지능정보산업 발전을 위한 협력 네트워크 구축  지능정보기술 활용 지원체계 마련 및 차세대 사회보장 분야 응용 서비스 발굴 등 인공지 능 기술 적용을 통한 사회보장정보시스템의 선진화를 위해 양 기관 간 데이터를 제공하고, 결과를 공동 활용

나. 교통연구원과 인공지능 기술 협력체계 구축

일자 회의명 주요 내용 장소 비고 2018.07.12~07.13 AI 기반의 미래교통운영 기반기술 개발 및 활용 브레인 스토밍을 통한 연구개발 방향성 수립 한화리조 트, 용인 2018.08.30~08.31 AI 기반의 미래교통운영 기반기술 개발 및 활용 제공 가능 데이터 및 필요 데이터 논의 현대종합연 수원, 양평 2018.09.21 AI 기반의 미래교통운영 기반기술 개발 및 활용 연구방향에 따른 마스 터플랜 작성 라비돌리조 트, 화성 ｏ 국토교통부 R&D과제“AI 기반의 미래교통운영 기반기술 개발 및 활용”과제(2019년~2022 년, 4년간)에 ETRI 참여 예정

2018.07.17 수도권지역 AI 데이터 허 브 구축을 위한 업무협의 성남시 데이터 활용방안 논의 성남산업진흥원 회의실 2018.08.27 성남 퓨처웍스 위원회 (FWC) 8차회의 자율주행챌린지 방향성 제안 판교 기업허브 세미나실 2018.09.03 스마트시티 기반 조성을 위한 기획위원회 1차회의 스마트시티 조성을 위한 요소기 술논의 성남산업진흥원 회의실 2018.09.20 스마트시티 기반 조성을 위한 기획위원회 2차회의 기술 트랜드쇼 추진방안 논의 성남산업진흥원 회의실 2018.10.12 성남 글로벌 기술 트랜드 쇼 성남 글로벌 기술 트랜드쇼 The Zone 성남”제안기술 심사 경기창조경제혁 신센터 ｏ 2019년 성남산업진흥원과 ETRI간의 공동 업무 수행을 위한 MOU 예정(상반기) - 본 과제에서 개발하는 인공지능 공유 플랫폼을 활용하는 내용으로 협력 추진 중

제 3절 AI 기술 전문 엔지니어 양성 교육

1. 취업 연계 설계 전문 엔지니어 양성 교육

가. 설계 전문 교육 목적 및 추진 절차

ｏ 기 보유한 고가의 EDA 툴과 계측기 및 30명이 동시 교육 실습할 수 있는 교육 장

비 및 교육환경을 활용하여 AI 하드웨어 가속기, 뉴로모픽 프로세서등의 분야에

AI반도체를 설계할 수 있는 엔지니어를 양성하기 위한 SW-SoC 융합 아카데미 운영

ｏ 추진절차

나. 취업연계 설계 전문 교육 과정 수요조사 및 과정 개발

ｏ 산업계 채용 인력 수요 조사 결과

ｏ 대상: 47개사 384명

ｏ 조사방법: 설문지에 의한 방문조사

ｏ 조사기간: 2018. 03. 02. ~ 현재까지

ｏ 관련분야 전문가의 교육과정 기획 회의

다. 취업연계 설계 전문 교육 홍보 및 수강생 모집

ｏ 전국대학(참여대학 포함) 재직교수 대상 교육과정 이메일 안내

ｏ 기술분야 참여대학 석박사 및 예비석사 추천 우선

ｏ 지능형반도체 관련 분야 석박사 및 예비석사

ｏ 지능형반도체 관련 분야 전공유도를 위한 학부생 조기 교육

ｏ 대학 방문 설명회 개최

ｏ 서경대, 강원대, 한림대 등 19개 대학 21회 방문 841명 참석

ｏ

취업연계교육 수료생 및 인사 담당자 동반 대학방문 설명

회

ｏ 교육생 선발

- 선발일시  AI 하드웨어 가속기/딥러닝 설계 전문 엔지니어 과정: 5.24. (금),  AI 칩 미세공정 Auto P&R 설계 전문 엔지니어 과정: 5.25. (금)  SoC기반 AI 딥러닝/Firmware 설계 전문 엔지니어 과정: 529. (화) - 선발위원회: 인력수요 제기 중소중견 기업의 관련자 및 교육 과정 책임 강사를 교육생 선발위원회를 구성  Al 하드웨어 가속기/딥러닝 과정: 유엑스팩토리 박준영 대표 등 10 명  AI 칩 미세공정 Auto P&R 과정: 가온칩스 이상배 이사 등 10 명

- 선발평가방법  대상: SW-SoC융합아카데미 홈페이지(www.asic.net )를 통해 취업연계교육 수강 신청 자 및 응시자  평가 및 선발방법 (최저점과 최고점을 제외한 평가위원의 평가점수를 평균하여 산출, 고득점자 순으로 정원 내에서 선발하고 과정별 예비후보 5 명 내외 선발) - 교육생 선발 결과: 지원자 85명 중 66명 선발  Al 하드웨어 가속기/딥러닝 과정: 총 23명 중 21명 선발  AI 칩 미세공정 Auto P&R 과정: 총 35명 중 26명 선발  SoC기반 Al 딥러닝/Firmware 과정: 총 27명 중 19명 선발

라. 취업연계 설계 전문 교육 운영 및 Job-Fair

ｏ 교육내용

- AI 하드웨어 가속기 딥러닝 설계 전문 엔지니어 과정  AI 프레임워크 및 딥러닝 알고리즘과 AI 프레임웍(Caffee2, KSB) 응용

- 디지털 시스템 구현: 08.17, ETRI 박성천 책임  직장 예절, 발표기술, 면접, 이력서 작성 등 교양교육 - 직장인 예절 교육: 07.26, ETRI 박장현 책임 - 면접 및 발표 스킬: 08.17, 서울창조경제혁신센터 김상열 팀장 - 이력서 작성, 첨삭, 상담: 교육기간 수시, ETRI 노예철 실장, 김영호 책임, 원용호 기술원 - 개인별 발표 평가 자료 작성 및 발표 기법 등: 08.20 ~ 24, ETRI 노예철 실장 - SoC기반 AI 딥러닝/Firmware 설계 전문 엔지니어 과정  Verilog HDL기반 기본 ALU 설계과정  Term Project 설계기술 전문 과정 - SoC기반 IoT 플랫폼 Firmware 설계

. ARM CortexM, ARM CortexA 보드기반 Firmware, Linux - AI 프레임워크 활용 응용 설계 #1. FW Project #2. 리눅스 Project, OS포팅 기본 과정 #3. AI Project  산업현장 실무 특강 - 지능형반도체 기술 동향 및 관련기업 현황 소개: 07.17, 반산협 전배근 팀장 - Program 테스트 기법 및 신뢰: 07.30, 08.23, 슈어소프트 김준 사장 - AI 프레임워크를 이용한 실습: 08.13, ETRI 이연희 선임 등 3명 - Firmware Design Flow & 기업설명: 08.02, 아이닉스 황정현 대표 - SoC설계 방법과 절차: 08.07, ETRI 노예철 실장

- 프로젝트 관리 이론: 07.23, 07.25 ~ 27, ETRI 박성천 책임  직장 예절, 발표기술, 면접, 이력서 작성 등 교양교육

- AI 칩 미세공정 Auto P&R 설계 전문 엔지니어 과정  디지털 회로 및 Linux 기초 과정 - Verilog HDL기반 RTL 설계 등  Front-End 설계  Term Project 설계기술 전문과정(수료과제) - P&R 이론 교육

- WCDMA Viterbi Turbo Decoder(200만 게이트) : 삼성전자 130nm 공정 - Multi-Processor SoC(600만 게이트) : 삼성전자 65nm 공정  직장 예절, 발표기술, 면접, 이력서 작성 등 교양교육 - 직장인 예절 교육: 08.02. ETRI 박장현 박사 - 면접 및 발표 스킬: 08.17, 서울창조경제혁신센터 김상열 팀장 - 이력서 작성, 첨삭, 상담: 교육기간 수시, ETRI 노예철 실장, 박장현 책임, 김영호 책임, 원용호 기술원 - 개인별 발표 평가자료 작성 및 발표 기법 등: 08.13. ~ 17, ETRI 노예철 실장

ｏ 교육과정 운영

- 설계 방법론 등 전공 교과 과목 예·복습 교육(교육시간외) - 몰입식 집중교육 및 프로젝트 설계실습 지원  정규 수업시간(SW-SoC융합아카데미 교육시간 10:00~17:00, 6시간/일)  방과후 교육장 개발 설계실습: 평일(18:00~23:00) 및 공휴일(10:00~23:00) - 기초설계 이론교육 및 최신 설계 툴을 사용함으로써 교육의 질을 향상 - 교육과정별 리더를 선정하여, 장기의 교육기간 중 교육생 애로사항 파악 및 수업내용에 대한 중간 피드백 수렴

(학업성취도) 확인 (출석 및 성실도 반영: 각각 10점) - 발표평가 : 교육 과정별 담당 강사 주도하에 매주 1회의 학업성취에 대한 이론 및 발표 평가를 실시로 프로젝트 수행 확인 및 발표 기법 함양 - 개인별 설계 Term Project를 정하여 교육기간 동안 설계하고 종료시 발표하는 실무프로 젝트 설계 결과물 발표 평가 개최 그림 16. 취업연계 교육현장 사진

마. 교육생 취업 연계

ｏ 기업수요기반 채용연계 프로젝트 발표회

- 개인별 Project 발표평가 시 수요기업 대표/CTO/채용 관계자가 참석하여 설계 결과물 및 능력을 평가하고, Job-Fair 연계 - 수요기업은 개인별 Project 발표시 면접대상자 선정하여 개인별 채용면접 실시 - 발표평가 내역 과정명 AI 하드웨어 가속기 딥러닝 설계 SoC 기반 AI 딥러닝 Firmware 설계 AI 칩 미세공정 Auto P&R 설계 개최일 08.28.(화) 09.04.(화) 08.20.(월) 참가기업 면접횟수 31 회 41 회 54 회 - Job-Fair 및 수요기업 취업  대상 : 2018년도 취업연계교육 수강생 중 취업 희망교육생  일정 : 2018. 08. 20. ~ 09. 21.  장소 : 한국전자통신연구원 서울SW-SoC융합R&BD센터 (경기 성남 분당 대왕판교로 712번길 22 판교글로벌R&D센터 A동 2층 ~ 3층)  개최내역 (취업자는 2018.11.15. 기준) 과정명 AI 하드웨어 가속기 딥러닝 설계 SoC 기반 AI 딥러닝 Firmware 설계 AI 칩 미세공정 Auto P&R 설계 총교육생 21 명 19 명 26 명

- 수료식 (판교글로벌R&D센터 대강당, 2018. 09. 13. (목) 10:00 ~) - 취업연계교육관련 언론보도

2. 연구결과 활용 전문 엔지니어 양성 교육

가. AI 기술 전문엔지니어 실무 교육

ｏ 과정 수립 및 홍보

- 산업동향 및 현장 수요를 반영한 상반기, 하반기 AI 기술 전문엔지니어 양성 교육과정 수립 - ETRI 인력개발실과 협력을 통한 원내 교육 일정 수립 및 공동 개설 - SW-SoC융합아카데미 홈페이지(www.asic.net)를 통한 수강 신청 및 교육 운영

ｏ 교육 운영

- 실무중심의 AI 관련 설계 기술 및 실습 병행 교육으로 ETRI 원내 직원 및 산업체 재직 자의 전문 역량 강화 - 대학(원)생 대상 AI 관련 설계 교육을 통한 AI 전문 엔지니어 양성으로 인공지능 개발 자 저변 확대 - ETRI KSB연구단과 연구결과물(KSB Framework) 성과 확산 교육 및 교육장/툴/기술 지원 협력 - 산업체에 종사하는 우수 강사진 구성 및 인공지능 전문 엔지니어 328명 양성

ｏ 교육 개설 현황

- 개설 강좌 및 수료현황 번호 강좌명 강의 일시 수료인원 (명) 1 AI 칩 회로합성 툴 사용법 및 활용 예(Synopsys) 03.13~03.15(3일) 12 2 AI 칩설계를 위한 Verilog를 이용한 회로설계 03.20~03.22(3일) 13 AI 칩설계를 위한 Vivado를 활용한 FPGA 설계

9 딥러닝 Algorithm, AI Framework 실습 05.09~05.11(3일) 25 10 AI 하드웨어가속기 구조 설계 실습 05.16~05.18(3일) 21 11 C/C++ Programming 실습 for KSB 프레임워크 활용 05.16~05.18(3일) 12 12 AI 하드웨어 설계를 위한 Verilog 회로설계 기초 05.16~05.18(3일) 13 13 Cortex-M3/M4 구조 및 Firmware 설계 실무 05.23~05.25(3일) 22 14 Zynq를 이용한 SoC 설계 05.29~05.31(3일) 10 15 AI HW 가속기 RTL 설계 07.14(1일) 20 16 SoC 기반 AI Firmware 설계 08.13(1일) 19 17 AI 하드웨어 Verilog 회로설계 10.10~10.12(3일) 7 18 AI 칩 회로합성 툴 사용법 및 활용 예(Synopsys) 10.16~10.18(3일) 14 19 Cortex-M3/M4 구조 및 Firmware 설계 실무 10.16~10.18(3일) 8 20 딥뉴럴네트워크 AI 가속 하드웨어 SoC 설계 실습 10.23~10.25(3일) 12

21 Vivado를 활용한 FPGA 설계(Xilinx) 10.23~10.25(3일) 17

22 Function, Timing & Low power를 고려한 Verilog회로설계 11.06~11.08(3일) 9

합 계 328

나. ETRI 결과물(KSB Framework) 성과 확산

ｏ ETRI 연구결과물(KSB Framework) 성과 활용 내용

- SW-SoC아카데미 취업연계교육과정의 KSB 활용교육 번 호 교육과정명 일시 교육인원 1 AI HW 가속기 RTL 설계 2018.07.04. 20 2 SoC 기반 AI Firmware 설계 2018.08.13. 19

1 KSB 참여기업 사용자 교육 2018.07.12~13(2 일) 20 2 KSB 참여 공모전 참가자 사용 교육 2018.08.16~17(2 일) 30 3 KSB 참여기업 참가자 사용 교육 2018.10.12~13(2 일) 15 4 KSB 참여기업 참가자 사용 교육 2018.11.16(1 일) 22 합 계 87 명 - SW-SoC아카데미 취업연계교육생의 KSB 활용 공모전 참가 번 호 공모전 참가 제목 일시 참가자명 1 [최우수상] NFC 기술이 적용된 IoT 콘센트와 이를 활용한 전력안전 2018.10.26 박주홍(연수생) 2 [우수상] -일반부분 KSB 기반 지역 지표 분석을 통한 전력 수요량 예측 2018.10.26. 이정원 등 5 명 (취업연계교육생) - KSB프레임워크 활용 공모전 주요내용  NFC 기술이 적용된 IoT 콘센트와 KSB를 활용한 전력 안전 서비스 구현 ∙ 서비스 개요: 전기화재방지(가전제품의 화재원인은 합선/과전류/접촉불량/부주의 인데 전력소비 패턴을 샘플링하여 예측 서비스 제공) ∙ 추진결과: 전력 샘플링/NFC 인식 하드웨어를 제작하여 전력이상여부를 판단하는 DNN모델제작, KSB Framework의 기능을 최대한 활용하여 보다 수월하 게 서비스 구성 가능, KSB Framework에 데이터를 서빙하거나 수집하는 부분은 별도 HW/SW 구성

날짜)를 고려하여 인공지능을 훈련하여 다양한 변화에 맞춰 전력수 요량을 예측하여 알려주는 시스템)

∙ 추진결과: 웹서빙을 통한 전력예측 모델 구현

3. 기능안전 고려한 HSM 설계 및 교육

가. HSM 구조와 구성요소 별 기능안전 설계 고려사항 설계

ｏ 과정AI기반의 차세대이동체 등을 제어하는 SoC의 HW-SW 개발 엔지니어를 양성하기

위한 교육과정을 연구하기 위해 HSM(Hardware Security Module)의 Configuration

요구사항을 표와 같이 분석함

ｏ 기능 안전을 고려한 설계의 대표적인 표준인 ISO26262(자동차 ECU에 대한

Functional Safety Design)가 HW에 요구하는, 즉 Hardware Security Module에 요

구하는 기능안전 설계 요구사항을 표1과 같이 분석함

- 기능안전을 고려한 HSM의 Configuration 요구사항 HSM Element 적용표준 Configuration 기능안전 요구사항 Symetric-Key Crypto-Algorithm

IEEE 1609.2 o AES-128_CCM o on-chip communication

- Complete hardware redundancy - Test pattern

o Analog and digital I/O - Multi-channel parallel output - Monitored outputs

- Input comparison/voting (1oo2, 2oo3 or better redundancy)

o Combinatorial sequential logic

- Self-test supported by hardware (one-channel) SEP 2.0 o AES-128_CCM, GCM, o AES-256_GCM EVITA HSM o AES-128_CCM, GCM, ECB, CBC Random Number Generator

IEEE 1609.2 o PRNG o on-chip communication

- Complete hardware redundancy - Test pattern

o Analog and digital I/O - Multi-channel parallel output - Monitored outputs

- Input comparison/voting (1oo2, 2oo3 or better redundancy)

SEP 2.0 o PRNG(Annex C of FIPS

140-2)

EVITA HSM o WHIRLPOOL (AES-Based Hash)

better redundancy) o Combinatorial sequential logic

- Self-test supported by hardware (one-channel)

Key Agreement Techniques

IEEE 1609.2 _{o on-chip communication}

- Complete hardware redundancy - Test pattern

o Analog and digital I/O - Multi-channel parallel output - Monitored outputs

- Input comparison/voting (1oo2, 2oo3 or better redundancy)

o Combinatorial sequential logic

- Self-test supported by hardware (one-channel) SEP 2.0 o ECDH(ECC secp256r1, secp224r1, sect233k1, sect283k1), o ECMQV(sect283k1, secp224r1, sect233k1, secp256r1) o RSA-2048, RSA-3072 EVITA HSM o ECC-256 Digital Signatures

IEEE 1609.2 o ECDSA(ECC secp256r1,

secp224r1)

o on-chip communication - Complete hardware redundancy - Test pattern

o Analog and digital I/O - Multi-channel parallel output - Monitored outputs

- Input comparison/voting (1oo2, 2oo3 or better redundancy)

o Combinatorial sequential logic

- Self-test supported by hardware (one-channel) SEP 2.0 o ECDSA(ECC secp256r1, secp224r1, sect233k1, sect283k1) o RSA-2048, RSA-3072 EVITA HSM CPU

IEEE 1609.2 o CPU o system

- Comparator - Majority voter

- Failure detection by on-line monitoring o Processing unit

- Software diversified redundancy (one hardware channel)

- Reciprocal comparison by software - HW redundancy (e.g. Dual Core Lockstep,

asymmetric redundancy, coded processing)

- Configuration Register Test

- Integrated Hardware consistency monitoring

o program sequence monitoring/clock - Combination of temporal and logical

SEP 2.0 o CPU

EVITA HSM

o PUF based Storage, PUF based ID, PUF based TRNG (Optional)

- Test pattern o Analog and digital I/O - Multi-channel parallel output - Monitored outputs

- Input comparison/voting (1oo2, 2oo3 or better redundancy)

o Combinatorial sequential logic

- Self-test supported by hardware (one-channel)

나. 기능안전을 고려한 설계 교육

ｏ 교육 일정

- “ SoC기반의 AI 딥러닝/Firmware 설계 전문 엔지니어 양성과정 ”의 교육생 대상 교육 실시(‘18.07.30, 19명) - 교재 개발 : 기능 안전 설계(ISO26262) 개념

제 4절 인공지능 가속 플랫폼 기술 개발

1. AI용 SW 가상화플랫폼 구조 개발

가. Convolution Neural Network(CNN)용 구조 개발

ｏ CNN은 이미지 인식 분야에서 주로 활용되고 있는 신경망을 의미 - 패턴의 크기, 위치가 바뀌어도 인식 가능 - 초기에는 필기체 인식을 위해 사용되었지만 다양한 네트워크 모델이 개발되면서 다양한 분야에 적용되어 활용 ｏ [그림 21]은 간단한 구조의 CNN 모델을 보여줌 - Cn은 convolution 레이어, Sn은 풀링 레이어, nn은 완전 연결 레이어를 의미 - 32x32 크기를 갖는 숫자 이미지가 입력으로 들어오면 0~9 중 하나의 숫자를 선택 ｏ CNN은 이미지에서 특징 추출을 위해 다음과 같은 특징이 있음

- 공유 가중치(shared weights): convolution 연산 과정에서 필터를 공유하여 입력 이미 지 패턴의 특정 위치에 존재하는 특징 추출

- 로컬 리셉티브 필드(local receptive field): 레이어를 구성하는 모든 노드를 전부 연 결하는 것이 아니라 지역적으로 일부의 노드에만 연결

- 서브 샘플링(sub sampling): 연산량 감소를 위하여 이미지의 특징 중 필요한 부분만을 선택하여 특성은 최대한 유지하면서 이미지의 크기 감소

리즘을 적용 필요

- CNN은 convolution, 풀링, 완전 연결 레이어로 구성 - 각 레이어를 처리할 수 있는 모듈을 개발하여 연결

ｏ CNN 가속 기술의 성능 평가를 위해서는 CNN 모델에 따른 복잡도 계산 필요 - number of weights = kernel2_{× 𝐶𝐶𝐶𝐶}

𝑖𝑖𝑖𝑖× 𝐶𝐶𝐶𝐶𝑜𝑜𝑜𝑜𝑜𝑜

- number of bias = 𝐶𝐶𝐶𝐶𝑜𝑜𝑜𝑜𝑜𝑜

- number of parameter = number of weights + number of bias

- number of floating point operaionts = 𝑂𝑂𝑂𝑂𝑂𝑂𝑤𝑤× 𝑂𝑂𝑂𝑂𝑂𝑂𝐻𝐻× 𝐶𝐶𝐶𝐶𝑜𝑜𝑜𝑜𝑜𝑜× 𝑘𝑘𝑘𝑘𝑘𝑘𝑘𝑘𝑘𝑘𝑘𝑘2× 𝐶𝐶𝐶𝐶𝑖𝑖𝑖𝑖

나. Recurrent Neural Network (RNN)용 구조 개발

ｏ RNN은 학습된 데이터를 기억하고 다음 학습에 반영하는 구조 - 반복적인 데이터와 순차적인 데이터 학습에 특화 - 대표적으로 음성인식, 단어 의미 파악, 대화와 같은 자연어 처리에 사용 ｏ [그림 22]은 단일 히든 레이어(A)를 가진 RNN 모델을 보여줌 - 히든 레이어는 계속 학습 정보를 누적하면서 이전 작업을 현재 작업과 연결 - 레이어를 모두 펼쳐서 직관적으로 해석 가능

- RNN은 학습 과정에서 경사 하강법(gradient descent)과 역전파(Backpropagagtion) 사용 - 시간을 거슬러 올라가면서 역전파가 적용되므로, 값이 0으로 수렴하는 장기 의존성 문

제 발생