스트라드비젼, AWS GPU로 자율주행 데이터 플라이휠을 2개월까지 줄인 사례

자율주행 인공지능의 진짜 병목은 데이터였음

• 스트라드비젼은 자동차 카메라가 주변 환경을 인식하게 하는 비전 인공지능 소프트웨어를 만드는 회사임

  • 대표 모델인 SVNet은 차량, 보행자, 차선, 신호등, 표지판 등을 인식함
  • 30개 이상의 칩셋을 지원하고, 저사양·저전력 환경에서도 돌 수 있게 경량화돼 있음

• 문제는 자율주행 인공지능이 “세상의 모든 상황”을 배워야 한다는 점임

  • 평범한 도로 사진은 모을 수 있지만, 희귀하거나 위험한 장면은 실제로 수집하기 빡셈
  • 예를 들면 인도 도로 한복판에 소가 누워 있는 장면, 사람이 갑자기 튀어나오는 장면, 대형 트레일러가 급차선 변경하는 장면 같은 것들임

• 특히 인도 시장 진출 과정에서 데이터 문제가 확 튀어나옴

  • 국내 도로에서는 보기 힘든 소, 낙타 같은 객체가 현지 도로에서는 실제 주행 변수로 등장함
  • 이런 데이터를 직접 충분히 찍어 모으려면 시간도 오래 걸리고, 상황 재현 자체가 어려움

데이터 플라이휠로 학습 루프를 돌림

• 스트라드비젼은 이 문제를 데이터 플라이휠(Data Flywheel) 구조로 풀었음

  • 데이터 수집 → 인공지능 학습 → 성능 평가 → 부족한 데이터 보강이 계속 도는 구조임
  • 한 번 학습하고 끝이 아니라, 모델이 약한 상황을 찾아 다시 데이터를 만드는 식임

• 플라이휠은 여러 파이프라인으로 나뉨

  • SVDataFlow는 데이터 수집과 관리를 맡음
  • SVGenFlow는 인공지능 기반 합성 데이터를 만듦
  • SVDeepFlow는 딥러닝 학습을 담당함
  • SVSimFlow는 시뮬레이션 검증을 수행함
  • SVEvalFlow는 성능 평가를 맡음

• 인프라는 포항 데이터센터와 AWS를 섞은 하이브리드 구조임

  • 기본 데이터 처리와 학습은 포항 온프레미스 자원을 활용함
  • 대규모 GPU가 급하게 필요하거나 빠른 결과가 필요할 때 AWS 리소스를 붙임
  • 두 환경은 AWS Direct Connect로 연결해 대용량 데이터를 전송함

SVGenFlow는 희귀 장면을 합성함

• SVGenFlow는 완전 가상 이미지를 처음부터 만드는 도구가 아님

  • 실제 도로 영상에 부족한 객체나 상황을 자연스럽게 합성하는 방식임
  • 객체 위치와 형태에 대한 정답 레이블도 같이 생성함

• 예시가 꽤 직관적임. 실제 도로 사진에 소, 낙타, 트레일러 같은 객체를 붙여 학습 데이터를 만듦

  • 도심 한가운데 젖소가 있는 장면
  • 도로 가운데 누워 있는 소가 있는 장면
  • 도로 위 낙타가 있는 장면
  • 다양한 각도와 환경의 대형 트레일러 장면

• 성능 개선 수치도 공개됨

  • 동물 시나리오 2D 인식 정확도는 35.2에서 58.7로 올라 +66.8% 개선됨
  • 동물 시나리오 3D 인식 정확도는 16.2에서 24.9로 올라 +53.7% 개선됨
  • 방향 추정 오차는 19.2도 감소함
  • 근접 객체 시나리오 검출 성능은 0.40에서 0.98로 올라 +145% 개선됨

• SVGenFlow에는 주로 L40S GPU가 들어간 AWS G6e 인스턴스를 사용함

  • GPU당 48GB 메모리를 제공함
  • H100, H200이 더 빠를 수는 있지만, 비용과 가용성 측면에서는 G6e가 더 현실적인 선택이었다는 설명임

SVSimFlow는 위험한 상황을 시뮬레이션함

• SVSimFlow는 정적인 이미지 합성이 아니라 시간 흐름이 있는 주행 시나리오를 재현함

  • 충돌, 급정지, 차량 간 상호작용처럼 실제 도로에서 재현하기 위험한 상황을 안전하게 테스트함
  • 모델이 어떤 조건에서 약해지는지 미리 확인하는 용도임

• EU 일반 안전 규정(GSR II) 대응 사례가 숫자로 확 들어옴

  • 지능형 속도 보조(ISA) 기능을 위해 32개국 1642종 교통 표지판 인식이 필요했음
  • 스트라드비젼은 SVSimFlow를 AWS 병렬 처리 인프라에서 돌려 12591개 시나리오를 2개월 만에 완료함
  • 같은 작업을 온프레미스 8 GPU 서버 1대로 처리하면 약 6개월이 걸릴 것으로 추산됨

• 학습 결과도 개선됨

  • 가장 인식률이 낮았던 표지판 기준으로 92.3%에서 98.1%로 5.8%포인트 상승함
  • 오인식 건수는 31건에서 22건으로 줄어 29% 감소함

GPU를 작업별로 쪼개 쓴 게 포인트임

• 스트라드비젼은 모든 작업에 최고급 GPU를 몰아넣는 대신 파이프라인별로 인스턴스를 나눴음

  • 합성 데이터 생성과 시뮬레이션에는 G6e의 L40S를 사용함
  • 대용량 데이터 전처리와 어노테이션에는 G5, G6, G6e를 섞어 씀
  • 대규모 인지 모델 분산학습에는 P5en의 H200을 사용함
  • 대규모 추론과 평가는 G6의 L4를 활용함

• 이 조합으로 얻은 운영 성과가 꽤 구체적임

  • EU GSR II 표지판 데이터 확보 기간은 6개월에서 2개월로 단축됨
  • 데이터 처리 비용은 30% 이상 절감됨
  • SVEvalFlow 실험 사이클은 50% 줄어듦
  • 수백 개 병렬 검증을 동시에 처리할 수 있게 됨
  • SVDeepFlow 클러스터 준비 기간은 90% 단축됨
  • 학습 사이클은 2배 빨라짐

• 결국 메시지는 명확함. 피지컬 인공지능 경쟁력은 모델 하나가 아니라 데이터 플라이휠 속도에서 나온다는 것임

  • 실제 데이터, 합성 데이터, 시뮬레이션을 하나의 루프로 연결해야 모델 약점을 빨리 찾을 수 있음
  • 자율주행처럼 현실 세계와 맞붙는 인공지능에서는 데이터 생산과 검증 인프라가 제품 경쟁력 그 자체가 됨

---

기술 맥락

• 스트라드비젼이 고른 핵심 선택은 온프레미스와 클라우드를 섞는 하이브리드 구조예요. 자율주행 데이터는 크고 민감해서 전부 클라우드로 올리기 부담스럽지만, GPU가 갑자기 많이 필요한 시점에는 내부 데이터센터만으로 속도를 내기 어렵거든요.

• SVGenFlow와 SVSimFlow를 나눠둔 이유도 중요해요. 합성 데이터는 특정 객체나 장면을 학습 데이터에 보강하는 데 강하고, 시뮬레이션은 시간 흐름이 있는 위험 상황을 검증하는 데 강해요. 둘을 같은 도구로 뭉개면 각각의 장점을 살리기 어려워요.

• GPU 인스턴스를 작업별로 다르게 고른 것도 비용 최적화 관점에서 꽤 현실적이에요. 합성 데이터와 렌더링에는 L40S가 들어간 G6e를 쓰고, 대규모 분산학습에는 H200 기반 P5en을 쓰는 식으로 계산 특성에 맞춘 거예요. 모든 작업에 최고급 GPU를 쓰면 빠를 수는 있지만 비용과 가용성이 바로 문제가 돼요.

• 시뮬레이션의 약 15% 도메인 갭을 인정한 대목도 실무적으로 중요해요. 가상 환경이 현실을 완전히 대체할 수는 없지만, 어떤 조건에서 모델이 취약한지 비교하는 용도로는 충분히 쓸 수 있거든요. 그래서 이 구조의 목적은 실도로 데이터를 없애는 게 아니라, 실도로로 가기 전에 실패 가능성이 큰 지점을 빨리 찾는 데 있어요.