refactor(topics): 멀티 에이전트용 지식 재편 — _Common(공통 기본기) + Domain_* 구조
에이전트 8종(대화형/프로그래머 C·S/디자이너/설계자/기획자/QA/PD/PM)에게 [공통 기본 능력 + 롤별 Specialty] 2층으로 지식을 주입하기 위한 재분류. 문서 내용·포맷은 무수정, 폴더 이동만 (6,372개 문서 수 보존 확인). - Topic_Programming → Domain_Programming (내부 구조 보존) - Topic_Graphic → Domain_Design - Topic_Business → Domain_Product - Topic_General → Domain_General - _Common 신설: Math(구 Topic_Math_Specialty), Reasoning(구 General/From_Thinking & Reasoning), Reasoning_Creativity(구 General/From_창의성), Communication(Poetic_Blog_Writing + From_writing) - 타 도메인의 From_* 폴더는 유지 (출처 표기일 뿐, 이미 도메인에 맞게 분류된 문서) - 빈 폴더 정리 (memory/procedures) - 에이전트→폴더 매핑은 workspace의 .astra/agent-knowledge-map.json (9개 에이전트) Co-Authored-By: Claude Fable 5 <noreply@anthropic.com>
This commit is contained in:
Antigravity Agent
@@ -0,0 +1,178 @@
|
||||
---
|
||||
id: wiki-2026-0508-iot-and-ai-integration
|
||||
title: IoT and AI Integration
|
||||
category: 10_Wiki/Topics
|
||||
status: verified
|
||||
canonical_id: self
|
||||
aliases: [Edge AI, TinyML, IoT AI, AIoT]
|
||||
duplicate_of: none
|
||||
source_trust_level: A
|
||||
confidence_score: 0.9
|
||||
verification_status: applied
|
||||
tags: [iot, edge-ai, tinyml, embedded, mqtt, sensor-fusion]
|
||||
raw_sources: []
|
||||
last_reinforced: 2026-05-10
|
||||
github_commit: pending
|
||||
tech_stack:
|
||||
language: cpp
|
||||
framework: tflite-micro
|
||||
---
|
||||
|
||||
# IoT and AI Integration
|
||||
|
||||
## 매 한 줄
|
||||
> **"매 센서 옆에서 즉시 추론"**. 수 KB-수 MB 모델을 ESP32/Cortex-M/Coral 같은 edge 기기에 올려 latency, privacy, bandwidth 를 동시에 잡는다. 2026 현재 TinyML + MQTT 가 표준.
|
||||
|
||||
## 매 핵심
|
||||
|
||||
### 매 3 layer 아키텍처
|
||||
1. **Edge (sensor)**: TinyML 추론, 이상 감지, 게이팅.
|
||||
2. **Fog (gateway)**: 다중 센서 통합, heavier 모델, 로컬 의사결정.
|
||||
3. **Cloud**: 학습, fleet 모니터링, OTA 모델 업데이트.
|
||||
|
||||
### 매 모델 압축
|
||||
- **Quantization**: float32 → int8/int4, 4-8x 작아짐.
|
||||
- **Pruning**: weight magnitude 기준 sparsify.
|
||||
- **Knowledge distillation**: large teacher → tiny student.
|
||||
- **NAS for edge**: MCUNet, MobileNet.
|
||||
|
||||
### 매 통신
|
||||
- **MQTT**: pub/sub, QoS 0/1/2.
|
||||
- **CoAP**: REST-over-UDP, 더 가벼움.
|
||||
- **LoRaWAN**: km 단위, 수백 byte/min.
|
||||
- **BLE**: 근거리, 저전력.
|
||||
|
||||
### 매 응용
|
||||
1. Predictive maintenance (vibration anomaly).
|
||||
2. Vision: door cam person detection, defect inspection.
|
||||
3. Voice wakeword (Alexa, "OK Google").
|
||||
4. Smart agriculture (soil moisture + weather).
|
||||
5. Health wearable (HRV, fall detection).
|
||||
|
||||
## 💻 패턴
|
||||
|
||||
### TFLite Micro 추론 (ESP32, C++)
|
||||
```cpp
|
||||
#include "tensorflow/lite/micro/micro_interpreter.h"
|
||||
|
||||
const tflite::Model* model = tflite::GetModel(g_model_data);
|
||||
static tflite::MicroMutableOpResolver<5> resolver;
|
||||
resolver.AddConv2D(); resolver.AddMaxPool2D();
|
||||
resolver.AddReshape(); resolver.AddFullyConnected(); resolver.AddSoftmax();
|
||||
|
||||
constexpr int kArena = 60 * 1024;
|
||||
uint8_t arena[kArena];
|
||||
tflite::MicroInterpreter interp(model, resolver, arena, kArena);
|
||||
interp.AllocateTensors();
|
||||
TfLiteTensor* in = interp.input(0);
|
||||
memcpy(in->data.int8, sensor_buf, in->bytes);
|
||||
interp.Invoke();
|
||||
int8_t* out = interp.output(0)->data.int8;
|
||||
```
|
||||
|
||||
### Post-training quantization (Python)
|
||||
```python
|
||||
import tensorflow as tf
|
||||
|
||||
conv = tf.lite.TFLiteConverter.from_saved_model("model")
|
||||
conv.optimizations = [tf.lite.Optimize.DEFAULT]
|
||||
conv.target_spec.supported_types = [tf.int8]
|
||||
conv.representative_dataset = lambda: (
|
||||
[x.astype("float32")] for x in calib_samples[:200]
|
||||
)
|
||||
open("model_int8.tflite", "wb").write(conv.convert())
|
||||
```
|
||||
|
||||
### MQTT publish 추론 결과 (MicroPython)
|
||||
```python
|
||||
from umqtt.simple import MQTTClient
|
||||
|
||||
c = MQTTClient("esp32-01", "broker.local")
|
||||
c.connect()
|
||||
while True:
|
||||
feat = read_imu()
|
||||
label = tinyml_infer(feat)
|
||||
if label != "normal":
|
||||
c.publish(b"factory/line1/anomaly",
|
||||
ujson.dumps({"label": label, "ts": time.time()}))
|
||||
time.sleep(0.1)
|
||||
```
|
||||
|
||||
### Sensor fusion (Kalman, complementary)
|
||||
```cpp
|
||||
// 6DOF IMU complementary filter
|
||||
float alpha = 0.98f;
|
||||
roll = alpha * (roll + gyro_x * dt) + (1 - alpha) * accel_roll;
|
||||
pitch = alpha * (pitch + gyro_y * dt) + (1 - alpha) * accel_pitch;
|
||||
```
|
||||
|
||||
### Edge Impulse SDK (anomaly)
|
||||
```cpp
|
||||
ei_impulse_result_t result;
|
||||
signal_t signal;
|
||||
numpy::signal_from_buffer(features, EI_FEATURE_COUNT, &signal);
|
||||
run_classifier(&signal, &result, false);
|
||||
if (result.anomaly > 0.5) trigger_alert();
|
||||
```
|
||||
|
||||
### OTA 모델 업데이트
|
||||
```cpp
|
||||
HTTPClient http;
|
||||
http.begin("https://cdn/model_v3.tflite");
|
||||
if (http.GET() == 200) {
|
||||
File f = SPIFFS.open("/model.tflite", "w");
|
||||
http.writeToStream(&f); f.close();
|
||||
ESP.restart();
|
||||
}
|
||||
```
|
||||
|
||||
### Coral Edge TPU (Python)
|
||||
```python
|
||||
from pycoral.utils.edgetpu import make_interpreter
|
||||
from pycoral.adapters import classify
|
||||
|
||||
it = make_interpreter("model_edgetpu.tflite")
|
||||
it.allocate_tensors()
|
||||
it.set_tensor(it.get_input_details()[0]["index"], img)
|
||||
it.invoke()
|
||||
print(classify.get_classes(it, top_k=1))
|
||||
```
|
||||
|
||||
## 매 결정 기준
|
||||
| 제약 | 권장 |
|
||||
|---|---|
|
||||
| MCU < 1MB RAM | TFLite Micro int8, MCUNet |
|
||||
| 배터리 1년+ | LoRaWAN + duty cycle |
|
||||
| Vision realtime | Coral / Jetson Nano |
|
||||
| Privacy critical | edge inference, no cloud raw |
|
||||
| Fleet 수만+ | MQTT broker cluster, OTA |
|
||||
|
||||
**기본값**: ESP32 + TFLite Micro int8 + MQTT QoS 1.
|
||||
|
||||
## 🔗 Graph
|
||||
- 부모: [[Edge Computing|Edge-Computing]]
|
||||
- 변형: [[TinyML]], [[Federated-Learning]]
|
||||
- 응용: [[Predictive Maintenance]], [[Wearables]]
|
||||
- Adjacent: [[LLM_Optimization_and_Deployment_Strategies|Quantization]], [[MQTT]]
|
||||
|
||||
## 🤖 LLM 활용
|
||||
**언제**: latency 100ms 이하 필요, 네트워크 불안정, privacy 규제, bandwidth 비싼 환경.
|
||||
**언제 X**: 모델 100MB+, 잦은 재학습 필요, 입력이 크고 다양한 multimodal.
|
||||
|
||||
## ❌ 안티패턴
|
||||
- **Cloud 의존 edge**: 인터넷 끊기면 동작 안 함 → fallback 필수.
|
||||
- **Float32 모델 그대로 배포**: RAM 부족, 발열.
|
||||
- **OTA 미고려**: 모델 버그 fix 불가.
|
||||
- **Sensor 단일**: 노이즈에 취약, fusion 으로 견고화.
|
||||
- **MQTT QoS 0 + 중요 alert**: 패킷 유실 가능.
|
||||
|
||||
## 🧪 검증 / 중복
|
||||
- TFLite Micro, Edge Impulse, MQTT 5.0 spec, Coral docs.
|
||||
- Warden & Situnayake "TinyML" (O'Reilly).
|
||||
- 신뢰도 A.
|
||||
|
||||
## 🕓 Changelog
|
||||
| 날짜 | 변경 |
|
||||
|---|---|
|
||||
| 2026-05-08 | Phase 1 |
|
||||
| 2026-05-10 | Manual cleanup — 3-layer 구조, TFLite Micro/Edge Impulse/MQTT/OTA 패턴 |
|
||||
Reference in New Issue
Block a user