코틀린(Kotlin) 핵심 언어 체계 & 안드로이드 런타임 이해

1. 안드로이드 런타임(ART)과 코틀린의 본질

안드로이드는 과거 Dalvik VM 시절의 JIT(Just-In-Time) 컴파일러의 한계를 극복하기 위해 ART(Android Runtime)를 도입했습니다. ART는 앱 설치 시점에 AOT(Ahead-Of-Time) 사전 컴파일을 수행하며, 프로파일 가이드 컴파일(PGO)을 통해 자주 실행되는 핫코드(Hot Code)를 최적화합니다.

온디바이스 AI 앱에서는 모델 인퍼런스 시 수많은 텐서 연산과 메모리 할당/해제가 발생합니다. 가비지 컬렉터(GC)의 Pause 시간을 최소화하고, CPU 파이프라인을 효율적으로 타기 위해서는 코틀린 언어의 힙(Heap) 할당 메커니즘을 정확히 파악해야 합니다.

2. 고성능 코틀린 핵심 문법

(1) Value Class를 통한 제로 오버헤드 래핑

텐서의 차원(Shape)이나 레이턴시(ms) 단위를 래핑할 때 @JvmInline value class를 사용하면 런타임에 기본형(primitive)으로 인라인되어 객체 생성 오버헤드가 0이 됩니다.

@JvmInline
value class TensorDimension(val size: Int) {
    init {
        require(size > 0) { "텐서 크기는 0보다 커야 합니다." }
    }
}

(2) Coroutines 기반 비동기 인퍼런스 제어

인공지능 모델 실행은 결코 Main Thread(UI 스레드)에서 실행되어서는 안 됩니다. 16ms(60fps) 또는 8ms(120fps) 이내에 프레임이 렌더링되지 못하면 ANR(Application Not Responding)이 발생합니다.

class ModelPipeline(
    private val defaultDispatcher: CoroutineDispatcher = Dispatchers.Default
) {
    suspend fun executeInference(inputData: FloatArray): FloatArray = withContext(defaultDispatcher) {
        // 무거운 텐서 연산 및 추론 수행
        val result = FloatArray(10)
        // ... 모델 인퍼런스 로직
        result
    }
}

3. 1주차 핵심 과제 & 미션

1. Coroutine과 Flow를 결합하여 1초마다 가상의 온디바이스 센서 데이터를 수집하고, 이를 10개씩 버퍼링하여 배치 처리하는 샘플 프로젝트를 작성해보세요.
2. Android Profiler를 열어 Coroutine 실행 시 스레드 점유율과 힙 메모리 할당 추이를 캡처하세요.