본 논문은 기존의 의미론적 통신(SemCom) 연구가 주로 정확도에 초점을 맞춘 것에 대한 문제점을 지적하며, AI 작업의 정확도는 네트워크 제약보다는 학습 과정을 통해 자연스럽게 나타나야 한다는 점을 강조합니다. 이에 따라, 속도 왜곡 이론을 활용하여 통신 및 압축으로 인한 왜곡을 분석하고, 이를 통해 학습 과정을 분석하는 새로운 접근 방식을 제시합니다. 원본 데이터와 왜곡된 데이터 간의 분포 변화를 검토하여 AI 모델 성능에 미치는 영향을 평가하고, 이를 바탕으로 AI 작업의 실험적 정확도를 예측하여 목표 지향적 SemCom 문제를 해결 가능하게 합니다. 이론적 토대와 시뮬레이션 및 실험 결과를 통해 제안된 방법의 효과를 입증하며, 네트워크 제약을 준수하면서 정확한 AI 작업 성능을 가능하게 함을 보여줍니다. 결론적으로, 본 연구는 목표 지향적 SemCom 연구를 발전시키고 지능형 시스템 성능 최적화에서 데이터 중심 접근 방식의 중요성을 강조합니다.