koriweb
d8a80f6272
이름만 다른(표기 변형) [[위키링크]]를 대상 문서의 canonical 제목으로 치환해 끊겼던 1,200개 링크를 연결. 제목/파일명 정규화 일치만 적용하고 별칭 매칭은 과병합 위험으로 제외(애매성 가드). 원본은 _link_reconcile_backup/ 에 백업. 도구: Datacollect/scripts/link_reconcile_apply.mjs Co-Authored-By: Claude Opus 4.8 <noreply@anthropic.com>
179 lines
5.3 KiB
Markdown
179 lines
5.3 KiB
Markdown
---
|
|
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 |
|