PyTorch 2.10과 Intel Core Ultra Series 3를 활용한 온디바이스 AI 가속화

이 요약은 AI가 원문을 분석해 생성했습니다. 정확한 내용은 원문 기준으로 확인하세요.

핵심 요약

Intel Core Ultra Series 3 프로세서의 Xe3 아키텍처와 PyTorch 2.10의 XPU 백엔드 통합을 통해 PC 및 에지 기기에서의 AI 성능이 크게 향상되었다. TorchAO 라이브러리를 활용한 저정밀도 양자화 최적화로 Llama 3.1과 같은 대형 언어 모델을 노트북 iGPU에서 효율적으로 구동할 수 있다. 또한 SYCL 기반의 커스텀 연산자 지원과 Anomalib, LeRobot 등 주요 에코시스템의 네이티브 통합으로 제조 및 로보틱스 분야의 온디바이스 AI 학습과 배포가 용이해졌다. 이는 외장 GPU나 클라우드 인프라 없이도 강력한 AI 애플리케이션을 구축할 수 있는 기반을 제공한다.

배경

PyTorch 기본 지식, Intel GPU 드라이버 설치 및 환경 구성, 양자화(Quantization) 개념에 대한 이해

대상 독자

Intel 하드웨어 기반 온디바이스 AI 및 에지 컴퓨팅 솔루션을 개발하는 ML 엔지니어

의미 / 영향

이번 업데이트는 고가의 외장 GPU나 클라우드 의존도를 낮추고, 일반적인 노트북이나 산업용 PC의 내장 그래픽만으로도 고성능 AI 모델의 학습과 추론이 가능함을 보여준다. 이는 데이터 보안이 중요한 제조 현장이나 저전력이 필수적인 로보틱스 분야에서 온디바이스 AI 도입을 가속화하는 계기가 될 것이다.

섹션별 상세

Intel Core Ultra Series 3 프로세서는 새로운 Xe3 아키텍처와 최대 12개의 Xe-코어, 96개의 XMX AI 엔진을 탑재하여 최대 120 TOPs의 AI 연산 성능을 제공한다. LPDDR5x-9600 메모리 지원을 통해 대규모 모델과 긴 컨텍스트를 처리할 수 있는 충분한 시스템 대역폭을 확보했다.

PyTorch 2.10은 XPU 백엔드를 통해 Intel 플랫폼에서 효율적이고 유연한 AI 개발 환경을 제공한다. TorchAO와의 통합으로 int4, int8, fp8 등 다양한 데이터 타입을 지원하며, Hugging Face Transformers와 같은 표준 라이브러리의 모델을 수정 없이 직접 실행할 수 있다.

python

import torch
from transformers import AutoModelForCausalLM, TorchAoConfig
from torchao.quantization import Int4WeightOnlyConfig

model_id = "meta-llama/Meta-Llama-3.1-8B-Instruct"
quant_config = Int4WeightOnlyConfig(
    group_size=128,
    int4_packing_format="plain_int32"
)
quantization_config = TorchAoConfig(quant_config)

model = AutoModelForCausalLM.from_pretrained(
    model_id,
    device_map="xpu",
    torch_dtype=torch.float16,
    quantization_config=quantization_config,
)

TorchAO를 사용하여 Llama 3.1 8B 모델을 Int4 양자화로 로드하고 Intel XPU에서 실행하는 예시

SYCL 커스텀 연산자 지원이 Linux에서 Windows로 확장되어 개발자가 하드웨어 특화 커널을 직접 구현하고 통합할 수 있는 유연성이 강화되었다. 이를 통해 PyTorch CPP Extension API를 사용하여 Intel GPU의 하드웨어 기능을 최대한 활용한 도메인 특화 연산 최적화가 가능하다.

산업용 이상 탐지 라이브러리인 Anomalib를 활용하여 Intel iGPU에서 직접 모델을 학습하고 배포할 수 있다. 벤치마크 결과 Intel Core Ultra X9 388H는 이전 세대 대비 최대 2.5배 빠른 학습 속도를 기록하며, 외장 GPU 없이도 실시간 품질 관리 파이프라인 구축이 가능함을 입증했다.

python

from anomalib.data import MVTecAD
from anomalib.engine import Engine, SingleXPUStrategy, XPUAccelerator
from anomalib.models import Patchcore

datamodule = MVTecAD(category="transistor")
model = Patchcore()
engine = Engine(
    strategy=SingleXPUStrategy(),
    accelerator=XPUAccelerator(),
)

engine.train(datamodule=datamodule, model=model)

Anomalib를 사용하여 Intel iGPU에서 Patchcore 이상 탐지 모델을 학습하는 예시

Anomalib를 이용한 트랜지스터 부품의 이상 탐지 결과 시각화 이미지 — Screenshot원본 이미지와 그라운드 트루스 마스크, 아노말리 맵, 그리고 예측 마스크를 비교하여 보여준다. 모델이 트랜지스터의 다리 부분에 있는 결함을 정확하게 식별하고 영역을 표시하는 과정을 통해 산업 현장에서의 실용성을 입증한다.

Intel Core Ultra 7 265H와 Ultra X9 388H 간의 Anomalib 모델 학습 시간 비교 차트 — ChartDfm, Padim, WinClip 등 다양한 이상 탐지 모델에 대한 학습 시간을 초 단위로 비교한다. 최신 Ultra X9 388H 프로세서가 대부분의 모델에서 1.4배에서 1.7배, 특히 WinClip 모델에서는 2.5배 더 빠른 학습 성능을 보임을 수치로 증명한다.

로보틱스 라이브러리 LeRobot과의 통합을 통해 자율 조작 및 내비게이션을 위한 확산 정책(Diffusion Policy) 학습을 에지 기기에서 수행할 수 있다. 디바이스 설정을 XPU로 업데이트하는 것만으로 기존 모델들을 네이티브하게 실행할 수 있어 로보틱스 개발 효율성이 크게 향상되었다.

실무 Takeaway

TorchAO의 Int4WeightOnlyConfig를 적용하면 Llama 3.1 8B 모델을 노트북 iGPU 환경에서 메모리 효율적으로 로드하고 고성능 추론을 수행할 수 있다.
Anomalib를 사용하면 10줄 미만의 코드로 산업용 이상 탐지 모델인 Patchcore를 Intel iGPU에서 직접 학습시켜 에지 환경의 제조 공정에 즉시 적용 가능하다.
SYCL 확장을 활용하여 Windows 환경에서도 PyTorch 표준 연산자 이외의 하드웨어 최적화 커널을 개발함으로써 특정 도메인의 성능 병목을 해결할 수 있다.