스텐포드 HAI ‘AI Index 2019’

지도학습 이미지인식 훈련, 2017년 180분에서 2019년 1분30초

무어의 법칙은 프로세서 속도가 18개월에서 2년마다 두 배씩 증가하는 경향을 보였다. 이는 애플리케이션 개발자가 동일한 하드웨어 비용으로 2배의 애플리케이션 성능을 기대할 수 있다는 의미였다.

스텐포드대 HAI ‘AI Index 2019’ 보고서(McKinsey & Company, Google, PwC, OpenAI, Genpact 및 AI21Labs 등 제휴)는 AI 컴퓨팅 성능이 기존 프로세서 발전 속도보다 빠르게 가속화되고 있음을 발견했다.

보고서는 “2012년 이전에 AI 결과는 2년마다 두 배로 계산 된 무어의 법칙을 면밀히 추적했다”며 “2012년 이후 컴퓨팅은 3~4 개월마다 두 배로 증가했다”고 말했다.

이 연구는 ‘이미지넷(ImageNet)’ 이미지 식별 프로그램 진행 상황을 추적해 AI 알고리즘의 개선 추세를 조사했다. 이미지 분류 방법은 주로 지도(supervised ) 기반 기계학습(ML)에 기반 한다는 점을 감안, 보고서는 AI 모델 및 관련 비용을 훈련하는 데 걸리는 시간을 조사했다. 소프트웨어/하드웨어 발전을 반영해 AI 개발 인프라 성숙도를 측정한 것이다.

18개월 간 지도학습 이미지 인식을 위해 클라우드 기반에서 신경망을 훈련하는 데 필요한 시간은 2017년 10월 약 180분에서 2019년 7월 약 88초로 감소한 것으로 나타났다.

프라이빗 클라우드에서의 ‘ImageNet’ 훈련 시간에 대한 데이터 인스턴스는 퍼블릭 클라우드 AI훈련 시간 개선과 일치했다. 보고서는 레스넷(ResNet) 이미지 분류 모델을 사용해 높은 수준의 정확도를 달성하는 데 알고리즘이 소요되는 시간을 평가했다.

조사에 따르면 스탠포드 ‘DAWNBench’의 최신 벤치 마크에서 구글 클라우드 플랫폼(GCP)의 ‘TPU’를 사용해 ‘ResNet’ 모델을 실행했을 때 93 % 정확도보다 약간 높은 이미지 분류 정확도를 달성하는데 2017년 10월에는 약 2,323 달러가 소요된 반면 2018년 9월에는 12달러에 불과했다.