(이 기사는 원래 Forbes.com에 게재되었습니다.)
소프트웨어 정의 차량은 인공지능(AI)을 기반으로 하는 지능적이고 스스로 발전하는 시스템으로 빠르게 진화하고 있습니다. 이러한 차량의 기능이 확대됨에 따라, 핵심 과제는 더 큰 모델을 구축하는 것이 아니라, 해당 모델이 의존하는 방대한 양의 데이터를 관리하는 것이 되었습니다.
SDV는 IoT, 텔레매틱스 및 센서 시스템의 복잡성에 따라하루에 최대2테라바이트의 원시 데이터를 생성할 수 있습니다. 최저 수준이라 해도 이는 단일 차량에서 매일 수백 편의 HD 영화 분량에 해당하는 데이터입니다. 이를 수백만 대의 SDV에 적용하면, 연간 엑사바이트 규모의 데이터를 생산하는 생태계가 형성되는데, 이 데이터의 대부분은 여전히 차량과 클라우드에 흩어져 있으며, 차량 내 정보·엔터테인먼트( AI ) 시스템에서는 충분히 활용되지 못하고 있습니다.
클라우드 네이티브 기업들과 달리, 자동차 제조사들은 파편화된 아키텍처와 일관성 없는 데이터 표준을 헤쳐 나가야 합니다. 운전자 지원, 에너지 관리, 예측 유지보수 등 어떤 용도로든 AI 를 구축할 때마다 맞춤형 통합이 필요합니다. 이는 차량이 실시간 지능을 제공해야 할 것으로 기대되는 상황에서 오히려 발전 속도를 늦추는 요인이 됩니다.
저는 자동차 분야의 차세대 AI 이 데이터 오케스트레이션, 즉 차량, 엣지, 클라우드 간에 정보가 이동하는 방식을 표준화하여 학습과 자동화에 즉시 활용할 수 있도록 하는 능력에 달려 있다고 생각합니다.
더 큰 모델에서 더 탄탄한 데이터 기반까지
전 세계 자동차 AI 시장은 2025년47억달러에서 2034년에는 약 500억 달러 규모로 성장할 것으로 전망됩니다. 알고리즘에 대한 투자가 본격화됨에 따라, 가장 혁신적인 발전은 차량 데이터에 대한 접근 방식과, AI 알고리즘 및 모델을 통해 데이터를 전처리하고 활용하는 방식 등 차량 내부에서 이루어지고 있습니다.
현대식 차량 내부에서는 수십 개의 전자 제어 장치(ECU)가 CAN 및 이더넷과 같은 네트워크를 통해 통신합니다. 각 하위 시스템은 서로 다른 데이터 정의, 전송 간격 및 보안 계층을 따릅니다. AI 의 엔지니어들에게 있어, 이러한 신호들을 동기화하는 일은 여전히 복잡한 과제이며, 이는 차량 라인과 공급업체가 달라질수록 더욱 복잡해집니다.
신규 등장하는 오케스트레이션 프레임워크는 신호를 실시간으로 정규화하고, 데이터를 차량 내 또는 클라우드의 적절한 컴퓨팅 리소스로 라우팅하는 데 도움을 줄 수 있습니다. 개발 팀은 공통 데이터 계층을 기반으로 한 번만 개발하면 차량 라인 전반에 걸쳐 이를 재사용할 수 있어, 통합 작업 부담을 줄이는 동시에 차량 군 규모에서 더 빠르고 안전한 소프트웨어 출시를 가능하게 합니다.
자동차 제조사에게 있어 오케스트레이션의 가장 중요한 요소 중 하나는, 차량이 공장을 떠난 후에도 오랫동안 진화할 수 있도록 하는 이벤트 기반 워크플로우를 통한 지속적인 혁신입니다.
이러한 워크플로는 차량 내 센서, 차량 간 통신( AI ) 시스템 및 클라우드 기반 인텔리전스를 연결하여 상황을 감지하고 자동으로 대응합니다. 충돌 감지가 대표적인 예입니다. 충돌이 발생하면, 연동된 시스템들이 실시간으로 조율된 일련의 조치를 실행할 수 있습니다:
• 운전자 보조 모듈을 작동시켜 차량을 안전하게 정지시킵니다.
• 충돌 후 화재 발생을 방지하기 위해 고전압 회로를 격리한다
• 자가 진단 기능을 실행하여 손상된 부품을 파악합니다.
• 차량이 도착하기도 전에 인근 서비스 센터로 수리 정보를 전송합니다.
실시간 센서 데이터와 체계적으로 조정된 대응 조치를 연계함으로써, 자동차 제조사들은 소프트웨어 업데이트를 통해 안전성, 신뢰성 및 성능을 향상시킬 수 있으며, 이를 통해 원시 데이터를 차량 수명 주기 전반에 걸친 지속적인 개선 사이클로 전환할 수 있습니다. 이러한 폐쇄형 피드백 루프를 통해 OEM은 변경 사항을 더 빠르게 적용하고, 실제 상황에서 얻은 교훈을 활용하며, 실험 비용을 절감할 수 있습니다. 딜로이트(Deloitte) 보고서에 따르면, 중앙 집중식(조율된) SDV 의사결정 방식을 채택한 OEM들은 SDV 관련 연구개발(R&D) 비용을23% 절감하며, 경우에 따라 최대 7억 달러를절감하기도합니다.
데이터 오케스트레이션을 실질적인 영향력으로 전환하기
자동차 분야의 ‘ AI ’은 알고리즘의 단계를 넘어섰습니다. 이제는 수백만 개의 연결된 시스템 전반에 걸쳐 지능을 안전하고, 효율적이며, 수익성 있게 확장하는 것이 핵심입니다. 효과적인 데이터 오케스트레이션 접근 방식은 개발 단계부터 일상적인 운영에 이르는 정보를 연계하고, 모빌리티를 지속적으로 개선되는 플랫폼으로 전환함으로써 이를 실현하는 데 기여합니다.
차량이 소프트웨어 생태계로 진화함에 따라, 오케스트레이션은 다음 세 가지 핵심 영역에서 효율성을 높이고, 안전성을 개선하며, 가시적인 재무적 성과를 창출하는 데 기여할 수 있습니다:
1. 효율성:통합된 데이터 파이프라인은 중복된 통합을 줄이고, AI 모델이 기존 네트워크 및 컴퓨팅 리소스를 재사용할 수 있게 하여, 시장 출시 기간을 단축하고 엔지니어링 관리 비용을 절감합니다.
2. 안전성:실시간 데이터 접근을 통해 AI 시스템은 변화하는 도로 또는 시스템 상황에 즉시 대응할 수 있으며, 시뮬레이션 환경에서는 과거 데이터를 재현하여 배포 전에 성능을 검증합니다.
3. 비용 절감:소프트웨어 정의 아키텍처와 지능형 오케스트레이션은 개발 주기 단축, 예측 진단, 무선(OTA) 기능 배포를통해2030년까지4,000억~6,000억 달러규모의 추가 가치를 창출할 수 있습니다. 업데이트 주기를 몇 달에서 몇 주로 단축하는 등 오케스트레이션 효율성이 더해지면, 각 개선 사항이 즉시 확장됨에 따라 전체 차량 군에 걸쳐 경제적 효과가 누적됩니다.
실무에서 효과적인 데이터 오케스트레이션은 어떤 모습인가
오케스트레이션을 실무에 적용하기 위해 노력하는 자동차 제조사와 공급업체의 경우, 몇 가지 핵심 원칙을 통해 이러한 노력이 확대될지 아니면 정체될지를 판단할 수 있습니다. 저는 모델이 아닌 신호 정규화부터 시작할 것을 제안합니다. 플랫폼 전반에 걸쳐 차량 데이터가 일관되게 정의되기 전에 오케스트레이션 프레임워크( AI )를 도입하면 데이터 재사용을 제한하고 진행 속도를 늦추게 됩니다. 통합된 데이터 기반이야말로 확장을 가능하게 합니다.
또한 처음부터 차량 에지와 클라우드를 아우르는 오케스트레이션 설계를 하는 것이 중요합니다. 모든 데이터를 클라우드에서 처리하면 지연 시간과 비용이 증가하는 반면, 모든 데이터를 차량으로 전송하면 학습에 제한이 따릅니다. 효과적인 프레임워크는 이 두 가지 요소의 균형을 잘 맞춥니다.
또한, 이벤트 기반 워크플로를 핵심 인프라로 간주해야 합니다. 오류, 시스템 중단 또는 환경 변화가 자동으로 조치를 유발할 때, 차량은 수동 개입 없이도 지속적으로 개선됩니다. 단일 문제만 해결하는 단편적인 해결책은 피해야 합니다. 하드코딩된 로직은 개별적으로는 작동할 수 있지만, 대규모로 적용될 때는 종종 실패합니다. 오케스트레이션은 시간이 지남에 따라 시스템을 단순화해야 하며, 복잡성을 더해서는 안 됩니다.
이러한 원칙들이 결합되면 오케스트레이션은 지속적인 혁신을 이끄는 원동력이 될 수 있습니다.
AI 시대를 위한 자동차 산업 전략의 재구상
Sonatus 가 500명 이상의 업계 전문가를 대상으로 실시한 설문조사에 따르면, 2025년 OEM(원천 제조업체)의 최우선 과제 중에는 데이터 파이프라인 통합, AI 대비, 사이버 보안 등이 포함된 것으로 나타났으며, 이는 가장 의미 있는 발전이 더욱 견고한 인프라에서 비롯될 것임을 시사합니다. 또한 이 설문조사에서는 2030년까지 소프트웨어 정의 차량이 전 세계 신규 생산량의 상당 부분을 차지할 것으로 예상되며, 이는 자동차 부문에서 가치가 창출되는 방식에 근본적인 변화를 가져올 것으로 보입니다.
저는 이러한 변화를 주도하는 제조사들이 단순히 더 스마트한 시스템을 구축하는 데 그치지 않고, 지능을 지속적으로 향상시키는 데이터 기반을 완벽히 구사하게 될 것이라고 믿습니다. 자동차 인텔리전스( AI )의 다음 단계는 단순히 자율주행에만 국한되지 않습니다. 지능을 실제 행동으로 전환하는 체계적으로 통합된 데이터를 통해 차량이 학습하고, 적응하며, 진화할 수 있도록 하는 것이 핵심입니다.
