---
title: "스트라드비젼, AWS GPU로 자율주행 데이터 플라이휠을 2개월까지 줄인 사례"
published: 2026-07-13T13:05:04.359Z
canonical: https://jeff.news/article/5029
---
# 스트라드비젼, AWS GPU로 자율주행 데이터 플라이휠을 2개월까지 줄인 사례

스트라드비젼이 자율주행 비전 인공지능 학습의 병목인 희귀 데이터와 위험 시나리오 문제를 합성 데이터와 시뮬레이션으로 풀어낸 사례임. 포항 온프레미스 데이터센터와 AWS GPU 인스턴스를 함께 쓰는 하이브리드 구조로 EU 표지판 데이터 확보 기간을 6개월에서 2개월로 줄이고, 학습과 평가 사이클도 크게 단축했음.

## 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

> [!IMPORTANT]
> 스트라드비젼 사례에서 가장 센 숫자는 합성 데이터 학습 후 근접 객체 시나리오 검출 성능이 0.40에서 0.98로 개선됐다는 점임. 개선 폭으로 보면 +145%임.

## 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

> [!WARNING]
> 시뮬레이션이 실도로를 완전히 대체하진 못함. 기사에서도 시뮬레이션 기반 데이터와 실제 도로 데이터 사이에 약 15% 성능 차이, 즉 도메인 갭이 있다고 밝힘.

## 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.

## 핵심 포인트

- SVGenFlow는 실제 도로 영상에 동물이나 트레일러를 합성해 희귀 학습 데이터를 만듦
- SVSimFlow는 32개국 1642종 표지판과 12591개 시나리오를 2개월 만에 처리함
- G6e, G6, P5en 등 GPU 인스턴스를 파이프라인별로 나눠 비용과 성능을 최적화함
- 시뮬레이션과 실도로 사이에는 약 15% 도메인 갭이 있지만, 취약 시나리오를 찾는 데는 유효했음

## 인사이트

이 사례의 핵심은 자율주행 모델 성능 경쟁이 모델 아키텍처만의 싸움이 아니라 데이터 생산 속도의 싸움이라는 점임. 특히 희귀하고 위험한 상황을 실제로 모으지 않고도 학습과 검증 루프에 넣는 방식은 피지컬 인공지능 개발에서 점점 기본기가 될 가능성이 큼.