AWS로 자율주행 AI 데이터 파이프라인 가속화

자율 주행 AI는 현실에서 접하기 어려운 희귀/희소 데이터(Rare/Sparse Data)와 위험/한계 데이터(Dangerous/Edge Case Data) 확보에 근본적인 어려움을 겪는다. 인도 도로의 소나 갑작스러운 보행자 끼어들기 같은 시나리오는 실제 수집이 비효율적이거나 불가능하다. 스트라드비젼은 이러한 문제를 해결하기 위해 데이터 플라이휠(Data Flywheel) 개념을 도입, 합성 데이터(Synthetic Data) 생성(SVGenFlow)과 시뮬레이션(SVSimFlow) 기반 검증을 통해 부족한 데이터를 보강하는 전략을 채택했다. 이는 실제 데이터 수집의 한계를 극복하고 AI 모델의 안전성과 정확성을 높이는 핵심 접근 방식이다.

SVGenFlow 파이프라인은 실제 도로 영상에 AI를 활용하여 부족한 객체나 상황을 자연스럽게 합성하는 방식으로 작동한다. 예를 들어, 실제 도로 이미지에 소나 트레일러 같은 객체를 합성하고 정확한 위치 및 형태의 레이블을 자동으로 생성한다. 이를 통해 인도 도로의 소나 다양한 각도의 대형 트레일러와 같은 희귀 및 한계 시나리오 데이터를 대량으로 확보할 수 있다. 합성 데이터 학습 후 동물 시나리오 2D 인식 정확도가 35.2%에서 58.7%로 66.8% 향상되는 등, SVNet의 인식 성능이 크게 개선되었다. 이 과정에서 NVIDIA L40S GPU가 탑재된 Amazon EC2 G6e 인스턴스가 주로 활용되어 빠른 결과물 생성을 지원했다.

SVSimFlow는 정적인 이미지 합성을 넘어, 시간 흐름이 있는 동적인 주행 시나리오를 시뮬레이터로 재현하여 AI 모델을 검증한다. 충돌, 급정지, 차량 간 상호작용 등 실제 도로에서 테스트하기 위험한 상황을 안전하게 테스트할 수 있다. EU GSR II 규정 대응을 위해 32개국 1642종의 교통 표지판 데이터를 2개월 만에 확보하는 데 SVSimFlow가 핵심적인 역할을 했다. AWS의 병렬 처리 인프라 위에서 실행된 결과, 온프레미스 환경 대비 약 6개월이 소요될 것으로 추산되던 작업을 대폭 단축했다. 시뮬레이션과 실제 도로 간의 도메인 갭(Domain Gap, 약 15%)은 존재하지만, 모델의 상대적 취약점을 파악하고 개선 방향을 설정하는 데 유용하게 활용된다.

스트라드비젼은 포항 데이터센터(On-Premise)와 AWS 클라우드를 결합한 하이브리드 아키텍처를 구축하여 운영 효율성과 비용 통제를 동시에 달성했다. 대규모 자원 필요 시 AWS의 탄력적인 GPU 인스턴스를 활용하며, AWS Direct Connect를 통해 안전하고 빠른 데이터 전송을 보장한다. 파이프라인별 특성에 맞춰 Amazon EC2 P5en(H200), G6e(L40S), G6(L4) 등 다양한 GPU 인스턴스를 최적 조합으로 구성하여 성능과 비용을 최적화했다. 예를 들어, 대규모 모델 학습에는 H200이 탑재된 P5en 인스턴스를, 합성 데이터 생성에는 L40S가 탑재된 G6e 인스턴스를 활용하여 클러스터 준비 기간 90% 단축 및 학습 사이클 2배 가속 등의 성과를 거두었다.

AWS 인프라 도입 이후 스트라드비젼의 데이터 플라이휠 운영은 다음과 같은 정량적 성과를 달성했다. EU GSR II 교통 표지판 데이터 확보 기간이 기존 6개월에서 2개월로 3배 단축되었으며, 파이프라인별 GPU 인스턴스 분리 적용으로 데이터 처리 비용 30% 이상 절감 효과를 보았다. 또한, SVEvalFlow의 실험 사이클이 50% 단축되어 수백 개의 병렬 검증을 동시 처리할 수 있게 되었고, SVDeepFlow의 클러스터 준비 기간은 90% 단축되고 학습 사이클은 2배 가속되었다. 이러한 데이터 처리 및 학습 속도 향상은 자율 주행 AI 개발 경쟁력 강화에 직접적으로 기여한다.