맥미니 M4 기반 하이브리드 AI 아키텍처 설계

-
맥미니 M4 기반 하이브리드 AI 아키텍처 설계

Qwen 32B 로컬 게이트키퍼와 데이터 TTL(유효기간) 관리 전략

핵심 요약

  • 맥미니 M4(32GB)를 헤드리스 서버로 운영하면 Qwen 2.5 32B(Q4_K_M)를 메인 로컬 엔진으로 쓸 수 있다
  • 로컬 LLM은 필터(PII 마스킹, 토큰 최소화, 스마트 라우팅), 클라우드는 두뇌로 역할을 분리했다
  • 저장된 지식에도 유통기한(TTL)을 부여해 정보 노후화 문제를 해결했다

배경

맥미니 M4(32GB)를 도입하면서 가장 고민한 건 자원 배분이었다. UI 없이 윈도우 PC에서 제어하는 헤드리스(Headless) 서버로 운영하기로 결정하면서 OS/OpenClaw이 약 6~8GB를 점유하고, 나머지 24~25GB를 LLM에 할당할 수 있게 됐다. 7B급 대신 훨씬 정교한 Qwen 2.5 32B를 선택한 이유다.

데이터 수문장(Gatekeeper) 전략

본문

데이터 수문장(Gatekeeper) 전략

로컬 LLM의 세 가지 핵심 역할:

  1. PII Masking: 개인정보(계좌, 주소 등)를 외부 전송 전에 마스킹 처리
  2. Token Minimizer: 원본 데이터를 요약/구조화(JSON/YAML)해 외부 API 비용 80% 이상 절감
  3. Smart Routing: 난이도별 처리 주체 결정
  4. 단순 요약/조사 → 로컬 LLM + Gemini 3 Flash (저비용)
  5. 코드/복잡한 추론 → Claude Code (고성능)

역할 분담:

구분 역할 주용도
Local (Qwen 32B) Gatekeeper 전처리, 보안, 1차 요약, TTL 관리
Cloud (Gemini Flash) Explorer 외부 인터넷 서핑, 실시간 정보 수집
Cloud (Claude) Specialist 복잡한 코딩, 아키텍처 설계, 심층 추론

지식의 유통기한: 동적 TTL

모든 로컬 데이터는 잠재적으로 부패할 수 있다. 지식에도 유통기한이 필요하다는 결론에 도달했다.

  • 휘발성 지식 (1~6시간): 날씨, 주가, 실시간 뉴스
  • 유동성 지식 (7~15일): SW 버전 정보, 영업시간
  • 안정성 지식 (1년+): 개인 이력, 제품 매뉴얼, 수학적 원리

검증 루프 (Validation Loop)

OpenClaw에 '지식 정원사(Janitor)' 스킬을 구현해 신선도를 유지한다.

  1. 만료 감지: 마크다운 파일의 TTL 경과 시 로컬 LLM이 인지
  2. 검증 요청: Gemini 3 Flash로 "여전히 유효한가?" 1-토큰 응답(Y/N) 확인
  3. 충돌 해결: 외부 정보와 로컬 정보가 충돌하면 로컬 LLM이 비교 분석 후 최신 지식으로 갱신

시행착오 / 주의사항

  • 7B 모델로 시작했다가 문맥 압축 품질이 부족해 32B로 교체했다. 모델 체급이 클수록 Context Compression 정교함이 비약적으로 상승한다.
  • TTL 설정이 너무 짧으면 불필요한 검증 요청이 늘어나고, 너무 길면 오래된 정보를 사실로 취급하게 된다. 지식 성격별 차등 적용이 핵심이다.

마무리

로컬 LLM(Qwen 32B)은 단순 챗봇이 아니라 지식 저장소의 기억 감정사다. 외부 API 비용은 최소화하되 정보 정확도는 클라우드급으로 유지하는 이 하이브리드 아키텍처가 개인 AI 비서의 실질적인 방향이라고 본다.

댓글

댓글 쓰기

이 블로그의 인기 게시물

"LLM 핵심 학습 (1/6) — 기본: 토큰화·임베딩·어텐션·위치 인코딩"

-
이미지
(시리즈 시작) 📚 시리즈 목차 2/6 파인튜닝 → 트랜스포머 한 블록의 데이터 흐름을 문자열 → 토큰 → 임베딩 → 어텐션 → 출력 표현 까지 손으로 풀어 본다. 이번 편이 끝나면 "왜 \(\sqrt{d_k}\)로 나누는가", "RoPE는 무엇을 회전시키는가", "한국어가 영어보다 토큰이 많은 까닭은 무엇인가"가 한 줄로 설명될 수 있다. 0. 학습 목표 이 편을 마치면 다음을 직접 할 수 있다. BPE 토크나이저 가 어휘를 어떻게 학습하고 새 문자열을 어떻게 자르는지 종이 위에서 시뮬레이션한다. 임베딩 행렬 의 모양과 초기화, weight tying의 의미를 한 줄로 설명한다. Scaled Dot-Product Attention 의 식을 차원 단위로 추적하고 PyTorch 30줄로 재현한다. Multi-Head Attention 이 한 헤드와 비교해 무엇이 다른지, 헤드 수가 늘면 어디가 비싸지는지 답한다. Sinusoidal·RoPE·ALiBi 세 위치 인코딩의 식과 외삽 성질을 구분한다. 컨텍스트 확장이 왜 \(O(N^2)\)인지, "Lost in the Middle"이 왜 발생하는지 설명한다. 1. 핵심 요약 트랜스포머의 입력은 문자열 이 아니라 정수 ID 시퀀스 다. 토크나이저가 문자열 → ID로 자른다. 임베딩은 정수 ID를 \(d\)차원 벡터로 lookup하는 학습 가능한 테이블이다. Self-Attention은 \(\text{softmax}(QK^\top / \sqrt{d_k}) V\) 한 줄이 핵심이고, 멀티헤드는 같은 연산을 여러 부분 공간에서 병렬화한 것이다. 위치 정보는 임베딩에 직접 더하거나(Sinusoidal), Q·K에 회전을 가하거나(RoPE), 어텐션 스코어에 거리 패널티를 더해서(ALiBi) 주입한다. 컨텍스트 길이 \(N\)에 대해 표준 어텐션은 \(O(N^2)\) 비용을 갖고, 긴 컨텍스트에서는 중간 위...
Read more »

"LLM 핵심 학습 (2/6) — 파인튜닝: LoRA·QLoRA·증류·Adapter"

-
이미지
← 1/6 기본 📚 시리즈 목차 3/6 디코딩과 생성 → 사전학습된 LLM을 내 데이터 에 적응시키는 방법을 비용·메모리·일반화 관점에서 정리한다. Full FT의 한계 → Adapter → LoRA → QLoRA → Distillation 순으로 같은 그림을 점점 확대해 본다. 0. 학습 목표 Full fine-tuning의 메모리 병목을 옵티마이저 상태·그래디언트·가중치·활성화 의 4분할로 설명한다. Adapter(Houlsby 2019)와 LoRA(Hu 2021)의 식 차이를 한 줄로 적는다. LoRA의 \(A, B\) 행렬이 왜 저랭크 이고, rank \(r\) 선택이 무엇을 결정하는지 답한다. QLoRA(Dettmers 2023)의 NF4·double-quant·paged optimizer를 분리해서 설명한다. Catastrophic Forgetting을 분포 시프트 관점에서 정의하고 완화 기법을 두 개 이상 든다. Hinton 2015의 Knowledge Distillation 식을 손으로 유도한다. 1. 핵심 요약 Full FT는 메모리/디스크/시간 모두 비싸다. 7B 모델 full FT는 V100 8장 + A100 1장으로도 큰 부담이다. PEFT(파라미터 효율 파인튜닝) 일가족은 극히 일부 파라미터만 학습 해 같은 효과를 얻는다. LoRA: \(\Delta W = BA\) (rank \(r \ll \min(d_{\text{in}}, d_{\text{out}})\))로 가중치 업데이트를 저랭크 분해. QLoRA: 베이스 모델을 4-bit(NF4)로 양자화한 채 LoRA만 풀-정밀(BF16)으로 학습. Catastrophic Forgetting: 새 분포에 적응하느라 이전 능력이 무너지는 현상. PEFT 자체가 부분 완화책. Distillation: 큰 교사 모델의 soft target 을 학습 신호로 써서 작은 학생 모델 을 만든다. 2. 직관: 왜 사전학습만으로는 부족한가 사전학습은 일반...
Read more »

"ML 기초 학습 (1/9) — 머신러닝과 sklearn: 학습의 좌표계"

-
이미지
(시리즈 시작) 📚 시리즈 목차 2/9 이웃 알고리즘 → 이 시리즈는 신경망과 로컬 LLM으로 가기 전에 손에 익혀 둬야 할 머신러닝 기초 9편이다. 1편은 모든 ML 코드가 공유하는 공통 문법 을 잡는 데 쓴다. sklearn은 그 문법을 가장 일관되게 보여주는 도구다. 이번 편이 끝나면 어떤 모델을 만나도 fit → predict → score → 평가 흐름이 같다는 것이 손에 잡힌다. 0. 학습 목표 이 편을 마치면 다음을 할 수 있어야 한다. 지도학습·비지도학습·강화학습을 한 문장씩 구분해 설명한다. sklearn의 estimator 인터페이스 ( fit , predict , score , transform )를 코드 한 화면 안에서 쓸 수 있다. train/validation/test 분할을 왜 하는지, 어디서 데이터 누수가 생기는지 식과 그림으로 설명한다. 분류·회귀의 핵심 평가 지표(accuracy, precision, recall, F1, MSE, R²)를 정의에서 직접 계산할 수 있다. k-fold 교차검증 을 코드 한 줄로 돌리고, 결과의 평균과 표준편차를 함께 보고할 수 있다. Pipeline 으로 전처리와 모델을 묶어 데이터 누수를 구조적으로 막는 방법을 설명한다. 1. 핵심 요약 머신러닝은 데이터에서 함수 \(f: X \to Y\)를 찾는 작업 이다. 어떤 모델이든 이 본질은 같다. sklearn은 모든 모델을 같은 인터페이스( fit , predict , score )로 통일해, 모델을 바꿀 때 한 줄만 바꾸면 되게 한다. train/val/test 세 분할이 표준이다. 검증으로 하이퍼파라미터를 고르고, 테스트는 마지막에 한 번만 본다. 데이터 누수 (test 정보가 train에 새는 현상)는 ML 입문자가 가장 자주 만드는 실수이며, Pipeline + cross_val_score 조합으로 구조적으로 막을 수 있다. 평가 지표는 문제 유형 (분류/회귀) 과 클래스 불균형...
Read more »