스트라드비젼의 AWS 클라우드 기반 피지컬 AI End-to-End 파이프라인 가속화 사례

자동차가 스스로 주변상황을 인식하고 판단하려면, 수백, 수천만 장의 도로 이미지 데이터가 필요합니다. 그런데 만약 AI가 학습해야 할 상황이 현실에서는 거의 일어나지 않는 희귀한 장면이라면 어떨까요? 예를 들어, 사람이 차 바로 앞으로 뛰어드는 상황이나, 인도 도로 한복판에 소가 누워 있는 상황을 카메라로 찍어 모아야 한다면?

스트라드비젼은 자동차의 카메라가 세상을 보고 이해할 수 있게 하는 Vision AI 소프트웨어를 개발하는 기업으로, 자율 주행 및 첨단 운전자 보조 시스템(ADAS)을 위한 차량, 보행자, 차선, 신호등, 표지판 등을 인식하는 AI 기술을 제공합니다. 스트라드비젼이 개발한 SVNet은 카메라 영상에서 주변 환경을 인식하는 딥러닝 AI 모델로, 30개 이상의 칩셋을 지원하며 저사양·저전력 환경에서도 동작하도록 경량화되어 있습니다. 글로벌 ADAS 시장을 대상으로 하는 스트라드비젼은 짧은 기간에 다양한 국가의 도로 데이터를 확보·검증해야 했고, 이를 위해 GPU 자원을 탄력적으로 확장할 수 있는 AWS를 선택해 독자적인 합성 데이터(Synthetic Data) 생성 파이프라인을 구축했습니다.

▲ 스트라드비젼 주요 성과: 5백만 대+ 양산 적용, $232M 투자 유치, Euro NCAP 5 Star 검증

이 글에서는 자율 주행 AI 개발의 주요 과제인 ‘데이터 문제’를 어떻게 풀어나갔는지, 그리고 AWS 클라우드가 어떤 역할을 했는지 소개합니다.

자율 주행 AI의 주요 과제: 데이터

자율 주행을 위한 AI를 고도화 하려면 방대하고 다양한 도로 데이터가 필요합니다. 하지만 현실에서는 두 가지 근본적인 문제가 존재합니다.

문제 1: 희귀/희소 데이터, 인도의 소는 어디서 구하나?

스트라드비젼이 최근 인도 시장에 진출하면서 직면한 문제가 있었습니다. 인도 도로에는 소가 자주 출현하는데, 특히 도로 위에 누워있는 소처럼 국내에서는 거의 볼 수 없는 장면들이 예상보다 훨씬 많았습니다. AI 모델이 이런 상황에서도 정확하게 작동하려면 해당 데이터로 학습해야 하지만, 실제로 수집하기란 매우 어렵습니다.

▲ 좌측과 같은 소의 모습을 예상했지만, 실제로는 인도의 소는 우측의 사진과 같은 경우가 많다.

이처럼 특정 국가·환경에만 존재하는 희귀한 상황의 시나리오는 실제 도로 수집만으로는 충분한 학습 데이터를 확보하기 어렵습니다.

문제 2: 한계/위험 데이터, 위험한 상황은 직접 재현할 수 없다

급작스럽게 끼어드는 보행자, 대형 트레일러의 갑작스러운 차선 변경 등 위험하거나 극단적인 상황은 실제로 수집하기 어렵습니다. 하지만 AI가 이런 상황에서 정확하게 작동하는 것이야말로 자율주행 안전에 매우 중요합니다.

스트라드비젼의 End-to-End 데이터 플라이휠

스트라드비젼은 더 좋은 데이터를 제공하기위해 ‘데이터 플라이휠(Data Flywheel)’이라는 개념을 도입했습니다. 플라이휠이란 한번 돌기 시작하면 관성에 의해 계속 빠르게 회전하는 바퀴를 말합니다. 데이터 → AI 학습 → 성능 평가 → 부족한 데이터 보강의 선순환 구조입니다.

▲ 스트라드비젼 End-to-End Data Flywheel. SVDataFlow, SVGenFlow, SVDeepFlow, SVSimFlow, SVEvalFlow가 하나의 순환 구조를 이룬다.

이 플라이휠을 구성하는 주요 파이프라인은 SVDataFlow(데이터 수집·관리), SVGenFlow(AI 기반 합성 데이터), SVDeepFlow(딥러닝 학습), SVSimFlow(시뮬레이션 검증), SVEvalFlow(성능 평가) 입니다. 이 글에서는 Data Falywheel 중 희소한 데이터와 위험한 데이터를 생성해내고 검증하는 SVGenFlow 와 SVsimFlow 중심으로 소개합니다.

하이브리드 인프라: 포항 데이터센터 + AWS 클라우드

이 모든 파이프라인은 포항 데이터센터(On-Premise)와 AWS 클라우드를 결합한 하이브리드 아키텍처 위에서 운영됩니다. 기본적으로 데이터처리와 학습은 포항데이터 센터의 컴퓨팅자원을 활용하지만, 대규모 자원이 필요하거나, 빠른 결과를 도출해 내야 할때는 AWS의 리소스를 함께 활용하고 있습니다. 하이브리드 아키텍처를 통해 비용 안정적으로 리소스를 제공하면서도 비용을 효과적으로 통제할 수 있었습니다. AWS Direct Connect로 두 환경을 연결해 대용량 데이터를 안전하게 전송하며, 딥러닝 학습에는 Amazon EC2 P5en 인스턴스, 데이터 처리에는 Amazon EC2 G6e 인스턴스와 Amazon EC2 G6 인스턴스 등 다양한 Amazon EC2 GPU 인스턴스를 활용했습니다.

▲ 하이브리드 아키텍처, 포항 온-프레미스 데이터센터와 AWS 클라우드가 AWS Direct Connect로 연결된다.

SVGenFlow: “장면”을 만드는 합성 데이터 솔루션

SVGenFlow는 완전히 가상의 이미지를 처음부터 만드는 것이 아닙니다. 실제 도로에서 촬영한 영상을 기반으로, 부족한 객체나 상황을 자연스럽게 ‘합성’하여 학습 데이터를 보강하는 파이프라인입니다.

예를 들어, 실제 도로 사진에 AI가 소 이미지를 자연스럽게 합성하고, 해당 객체의 위치·형태에 대한 정답 레이블도 생성합니다. 인도까지 직접 가서 데이터를 수집할 필요 없이, 다양한 시나리오의 학습 데이터를(도심 한가운데 젖소, 도로 가운데 누워있는 소, 도로 위 낙타 등) 대량으로 만들어낼 수 있습니다.

▲ SVGenFlow 도로 위 동물 합성 시나리오, 실제 도로 영상에 소·낙타 등 동물을 합성하여 희귀 시나리오 학습 데이터를 생성한다.

대형 트레일러 또한 일반 차량과 형태가 크게 달라 AI가 인식하기 어려운 ‘한계 데이터’ 중 하나입니다. SVGenFlow를 통해 다양한 각도와 환경의 트레일러 합성 데이터를 대량 생성하여 SVNet을 학습시킨 결과, 트레일러 인식 정확도가 향상되었습니다.

▲ SVGenFlow 트레일러 합성 데이터 적용 전/후 SVNet 성능 비교, 합성 데이터 학습 후 트레일러 인식이 크게 개선되었다.

SVGenFlow를 통한 SVnet성능 개선 결과

합성 데이터 학습 전·후 AI 모델의 정량적 성능 변화를 확인할 수 있습니다.

SV GenFlow에는 L40S GPU가 탑재된 G6e 인스턴스가 주로 사용되었습니다. GPU당 48GB의 메모리를 제공하고, 이전 세대인 G5 인스턴스 대비 높은 추론능력을 제공해 주기 때문에 더 빠르게 결과물을 생성해 낼 수 있었습니다.  H100, H200과 같은 고성능 GPU를 사용하면 더 빠르게 연산할 수 있지만 가용성이나 비용 측면에서 G6e 인스턴스가 더 유리했습니다.

SVSimFlow: “상황”을 만드는 시뮬레이션 솔루션

SVSimFlow는 SVGenFlow와 역할이 다릅니다. SimFlow의 목표는 정적인 이미지 합성이 아니라, 시간 흐름이 있는 주행 시나리오를 시뮬레이터로 재현하여 AI 모델을 검증하는 것입니다. 충돌, 급정지, 차량 간 상호작용처럼 실도로에서 재현하기 위험한 상황을 안전하게 테스트할 수 있습니다.

EU GSR II 대응: 2개월 만에 32개국, 1642종 표지판 데이터 확보

유럽연합의 일반 안전 규정(EU GSR II)은 지능형 속도 보조(ISA) 기능을 의무화하면서, 각국 교통 표지판을 정확히 인식하는 AI가 반드시 필요합니다. 32개 국가의 1642종에 달하는 표지판 인식 데이터를 짧은 시간안에 실제로 촬영하여 학습에 반영 한다는 것은 달성하기 어려운 과제였습니다.

▲ EU GSR II 교통 표지판 데이터, 32개국 1642종의 표지판을 단 2개월 만에 커버했다.

스트라드비젼은 SVSimFlow를 AWS의 병렬 처리 인프라 위에서 실행하여 12,591개 시나리오를 2개월 만에 완료했습니다. 동일 작업을 기존 온-프레미스 환경(8 GPU 서버 1대 기준)으로 수행할 경우 약 6개월이 소요될 것으로 추산됩니다.

SVSimFlow로 생성된 데이터로 학습한 결과, 가장 인식률이 낮았던 표지판 기준으로 92.3% → 98.1%로 5.8%p 개선, 오인식 건수는 29% 감소(31건 → 22건)했습니다.

Sim-to-Real 갭: 솔직한 이야기

시뮬레이션과 실제 도로 환경은 완전히 동일하지 않습니다. 빛의 반사, 날씨, 카메라 렌즈 특성등 현실 세계를 그대로 구현하기에는 현재의 기술로 아직은 어렵기 때문에, 시뮬레이션 기반 데이터만으로 학습한 모델과 실도로 데이터로 학습한 모델 사이에는 약 15%의 성능 차이, 이른바 ‘도메인 갭(Domain Gap)’이 나타납니다.

▲ 도메인 갭(Sim-to-Real Gap), 시뮬레이션 장면, 아직은 게임과 같은 느낌이 강하다. 그러나 시나리오별 상대적 취약점은 시뮬레이션에서도 검증 가능하다.

그러나 중요한 발견이 있었습니다. 절대적인 성능 수치는 다소 차이가 나더라도, 어떤 시나리오에서 우리의 모델이 취약 한지(예를들면, 다른 조건이 같은데 날씨를 다르게 한다던가, 주변 객체의 수량을 다르게 한다던가) 상대적인 약점은 시뮬레이션에서도 정확하게 확인됩니다. SVSimFlow가 완벽한 대체재는 아니더라도, 개발한 모델의 취약점을 사전에 파악하고 개선 방향을 잡는 데 매우 유용한 도구인 이유입니다.

Amazon EC2 GPU 인스턴스 운영 전략

스트라드비젼은 파이프라인별 특성에 맞춰 AWS GPU 인스턴스를 최적 조합으로 구성합니다. 합성 데이터 생성·시뮬레이션에는 L40S, 대규모 모델 학습에는 H200, 대규모 평가·추론에는 L4를 선택하는 방식으로 성능과 비용을 동시에 최적화했습니다.

정량적 성과 요약

AWS 인프라 도입 이후 스트라드비젼의 데이터 플라이휠 운영에서 다음과 같은 정량적 변화를 확인했습니다.

• EU GSR II 표지판 데이터 확보 기간을 6개월에서 2개월로 단축
• 파이프라인별 GPU 인스턴스 분리(P5en/G6e/G6) 적용으로 데이터 처리 비용 30% 이상 절감
• SVEvalFlow 실험 사이클 50% 단축, 수백 개 병렬 검증 동시 처리
• SVDeepFlow 클러스터 준비기간 90% 단축, 학습 사이클 2배 가속

맺음말

자율주행 AI를 만드는 것은 결국 ‘세상의 모든 상황을 AI에게 가르치는 일’입니다. 실제 도로에서 수집하기 어려운 희귀 상황과 재현하기 위험한 시나리오를 해결하기 위해, 스트라드비젼은 SVGenFlow와 SVSimFlow를 통해 실 세계 데이터와 가상 환경을 연결하고 있습니다.

Physical AI의 경쟁력은 결국 모델 자체가 아니라 데이터 플라이휠의 속도에 달려 있습니다. 스트라드비젼은 AWS와 함께 실세계 데이터(Real Data), 합성 데이터(Synthetic Data), 시뮬레이션(Simulation)을 하나의 Sim-to-Real 데이터 플라이휠로 연결하여, 더 빠르고 안전한 자율주행 AI를 운영하고 있습니다.

스트라드비젼이 데이터 플라이휠을 운영하는 데 사용한 AWS 서비스에 대해 더 알아보시려면 GPU 인스턴스 선택 및 분산 학습 환경 구성을 위한 Recommended GPU Instances 문서와 Specifications for Amazon EC2 accelerated computing instances 문서를 참고하시기 바랍니다.