2026/09/11 개발일지

Edge AI 기반 도시·생활 AX 과제, 어디까지 구현할 수 있을까?

오늘은 「도시·생활 혁신 AX」 과제의 연구 방향을 구체화하는 작업을 진행했다.

처음에는 과제의 창의성을 높이기 위해 다양한 도시·생활 문제를 찾아보았다. 하지만 새로운 아이디어를 계속 추가하다 보니 한 가지 문제가 생겼다.

"이걸 정말 2년 안에 개발하고 현장에서 실증할 수 있을까?"

이번 과제는 단순히 기술을 개발하는 것으로 끝나는 것이 아니라 실제 현장에서 기술을 적용하고 효과를 보여주는 것이 중요하다. 따라서 아이디어의 참신성만큼이나 실제 구현 가능성을 고려해야 했다.

---

기존 연구 역량을 버릴 필요가 있을까?

처음에는 창의성을 높이려면 기존 네트워크 관리 연구와 완전히 다른 주제를 선택해야 하는지 고민했다.

하지만 연구진이 가지고 있는 네트워크·AI 관련 기술을 버리고 새로운 분야를 처음부터 시작하는 것은 오히려 위험하다고 판단했다.

그래서 방향을 바꿨다.

새로운 기술을 전부 만드는 것이 아니라 기존 네트워크 기술을 기반으로 AI와 Edge Computing을 결합하여 새로운 사용자 가치를 만드는 것이다.

현재 정리한 연구 주제의 핵심 키워드는 Edge AI, 체감품질 예측, 자율대응​이다.

---

IoT도 넣어보자. 다만 주인공은 아니다.

도시·생활 환경을 다루다 보니 IoT 센서를 활용하는 방안도 검토했다.

하지만 IoT 시스템 자체를 개발하기 시작하면 연구 범위가 너무 커진다.

그래서 IoT는 주 기술이 아니라 상황 데이터를 얻기 위한 보조 수단으로 사용하는 방향으로 정리했다.

예를 들어 네트워크 상태뿐만 아니라 주변 환경이나 서비스 이용 상태를 IoT 데이터와 함께 분석하면 AI가 현재 상황을 조금 더 정확하게 판단할 수 있다.

전체 구조를 간단히 표현하면 다음과 같다.

도시·생활 디지털서비스

↓

네트워크 + 서비스 + IoT 데이터

↓

Edge AI

↓

사용자 체감품질 예측

↓

AI 대응 정책 결정

↓

네트워크·서비스 자율 최적화

↓

사용자 체감품질 개선

결국 IoT를 많이 설치하는 것이 목표가 아니라, 다양한 데이터를 활용해 AI가 서비스 품질을 이해하도록 만드는 것이 목적이다.

---

그런데 센서가 없다

현실적인 문제도 있다.

현재 바로 사용할 수 있는 IoT 센서나 대규모 현장 데이터가 준비되어 있는 것은 아니다.

그렇다고 센서를 모두 확보한 뒤 연구를 시작하면 초기 개발 일정이 크게 늦어질 수 있다.

그래서 초기 단계에서는

네트워크 로그 + 서비스 로그 + 공개 데이터 + 가상 IoT 데이터

등을 이용해 PoC를 먼저 만드는 방향을 생각하고 있다.

연구실 환경에서 서비스 품질 저하 상황을 인위적으로 만들고 AI가 이를 예측할 수 있는지 검증한 뒤, 실제 실증 단계에서 필요한 센서를 최소한으로 추가하는 방식이다.

이렇게 하면 장비 구축과 AI 개발을 어느 정도 분리해서 진행할 수 있다.

---

2년, 적은금액으로 어디까지 가능할까?

오늘 가장 현실적으로 고민했던 부분이다.

처음 구상대로라면 AI 모델도 만들고, IoT도 구축하고, Edge 시스템도 만들고, 여러 도시서비스를 연동하고, 실제 현장 실증까지 해야 한다.

욕심을 내면 끝이 없다.

하지만 2년짜리 과제에서는 기능을 많이 만드는 것보다 핵심 기술 하나를 확실하게 실증하는 것이 중요하다고 판단했다.

그래서 연구 범위를 크게 세 가지로 줄였다.

1. 도시·생활 디지털서비스 상태 수집

네트워크 KPI, 서비스 응답시간, 트래픽 및 필요한 최소한의 IoT 데이터를 수집한다.

2. Edge AI 기반 체감품질 예측

수집된 데이터를 기반으로 서비스 품질이 저하될 가능성을 사전에 예측한다.

3. AI 기반 자율대응

예측 결과에 따라 네트워크 정책이나 서비스 자원을 조정하고 실제 사용자 체감품질이 개선되는지 확인한다.

이 세 가지가 제대로 동작한다면 연구의 핵심 목표는 충분히 보여줄 수 있을 것 같다.

---

실증은 단계적으로

실증도 처음부터 큰 규모로 진행하기보다는 단계적으로 접근하는 것이 현실적이라고 판단했다.

Step 1. 연구실 PoC

가상 네트워크와 테스트 서비스를 구축하고 서비스 품질 저하 상황을 재현한다.

Step 2. 제한된 실제 환경 적용

실증 가능한 기관이나 공간을 확보해 실제 네트워크 환경에 기술을 적용한다.

Step 3. 사용자 체감효과 검증

AI 적용 전후를 비교한다.

예를 들어 서비스 응답시간, 장애 지속시간, 예측 정확도, 대응시간, 사용자 만족도 등을 측정하면 실제 기술 적용 효과를 정량적으로 보여줄 수 있다.

---

오늘 정리하면서 느낀 점

처음에는 "창의적인 아이디어를 더 넣어야 한다"​고 생각했다.

그런데 계속 검토하다 보니 오히려 중요한 것은 다른 데 있었다.

새로운 기술을 얼마나 많이 넣었느냐가 아니라, 기존 방식으로 해결하기 어려운 문제를 AI가 어떻게 다르게 해결하는지를 보여주는 것.

그리고 연구과제에서는 여기에 한 가지가 더 필요하다.

실제로 만들 수 있어야 한다.

결국 오늘은 연구 범위를 확장한 날이라기보다 오히려 불필요한 부분을 덜어내면서 연구의 핵심을 찾은 날에 가까웠다.

현재의 핵심 구조는 상당히 단순해졌다.

사용자가 불편을 느끼기 전에 AI가 서비스 품질 저하를 예측하고, Edge에서 스스로 대응한다.

앞으로는 이 한 문장을 실제 시스템으로 어떻게 보여줄 것인지가 가장 중요한 과제가 될 것 같다.

---

다음에 할 일

다음 작업에서는 아이디어를 실제 구현 수준으로 더 구체화할 예정이다.

• 실제 실증 대상 서비스 1~2개 선정
• 전체 시스템 구성도 작성
• 1차년도 / 2차년도 연구내용 분리
• 정량적 성과지표(KPI) 설정
• PoC 시연 시나리오 설계
• 실증기관과 연구진의 역할 구체화

특히 다음 개발에서는 "AI 적용 전과 적용 후가 얼마나 달라졌는가?"​를 실제 수치로 보여줄 수 있는 PoC를 만드는 것을 첫 번째 목표로 잡아야겠다.

---

오늘의 한 줄

좋은 연구 아이디어는 기능을 계속 추가하는 것보다, 실제로 해결해야 할 문제 하나를 명확하게 만드는 것에서 시작하는 것 같다.