본 논문은 개인 정보 보호에 대한 법적 요구 사항과 정책이 증가함에 따라 여러 산업 분야의 기업들이 Federated Learning (FL)을 채택하는 추세에 주목합니다. 특히 Cross-Silo FL은 개인 데이터를 공유하지 않고 모델 업데이트만 공유하여 프라이버시를 강화합니다. 하지만 Cross-Silo FL의 탄소 배출량에 대한 연구는 부족합니다. 본 연구는 Cross-Silo FL의 지속가능성을 AI 제품 수명주기 전체에 걸쳐 평가하고, 중앙 집중식 학습과 비교 분석하는 정량적 프레임워크를 제시합니다. 모델 훈련 에너지 소비량과 비용은 두 방식이 비슷하지만, 중앙 집중식 학습의 데이터 전송 및 저장 요구사항으로 인해 상당한 탄소 배출이 발생할 수 있음을 밝힙니다. 또한, Cross-Silo FL과 분석을 통합하는 혁신적인 데이터 및 애플리케이션 관리 시스템을 제안하여 IT 기업의 지속가능성과 경제적 효율성을 향상시키는 방안을 제시합니다.
