연구진은 머신러닝 시스템 최적화가 데이터 가용성, 지연 시간, 메모리, 정확도, 재학습 예산 등 5가지 제약 조건에 따라 결정되어야 한다고 주장해요.
양자화, 가지치기, 지식 증류, PEFT 등 다양한 최적화 기법을 산업적 시나리오에 맞게 제약 조건에 매핑하는 프레임워크를 제시했어요.
연구진은 실제 산업 환경에서 활용 가능한 최적화 파이프라인을 제안하고, 기존 연구 문헌의 실증적 이점을 정량적으로 분석했어요.
본 연구는 모델 최적화를 제약 조건 기반의 다중 목표 엔지니어링 프로세스로 공식화하는 최초의 시도 중 하나로 평가돼요.