대부분의 자동차 엔지니어라면 누구나 한 번쯤 겪어본 순간이 있습니다. 시운전 도중 결함이 발생합니다. 열 이상 현상, 차량 네트워크에 나타난 예상치 못한 메시지, 있어서는 안 될 일시적인 시스템 동작 등이 그것입니다. 엔지니어는 이를 포착합니다. 시운전이 끝나고 누군가가 데이터를 확인하려고 할 때쯤이면, 관련 신호 데이터는 이미 사라진 뒤입니다. 구별되지 않은 로그 기록 속에 묻혀버리거나 아예 캡처조차 되지 않은 경우가 많죠. 그래서 팀은 해당 현상을 재현하기 위해 또 다른 시운전을 계획합니다.
이는 데이터 문제가 아닙니다. 엔지니어들이 데이터 부족으로 어려움을 겪는 경우는 거의 없습니다. 이는 아키텍처상의 문제이며, 검증 실험실뿐만 아니라 시제품 테스트부터 출시 후 현장 품질 관리에 이르기까지 차량 수명 주기의 모든 단계에서 나타납니다.
저는 수년 동안 차량 소프트웨어와 지능형 시스템의 접점에서 일해 왔는데, 그 패턴은 일관됩니다. 자동차 업계는 데이터를 활용할 수 있게 해주는 지능 계층을 구축하지 않은 채 정교한 데이터 인프라만 구축해 왔습니다. 우리는 데이터를 수집하고, 저장하며, 시간이 나면 나중에 분석합니다. 우리는 지능을 차량 자체에서 지속적으로 도출되는 것이 아니라, 데이터 수집이 끝난 후 — 보고서나 대시보드에서 — 비로소 나타나는 것으로 취급합니다.
‘일화적 지능’의 문제점
오늘날 차량 데이터 인텔리전스의 주류 모델은 ‘일회성’ 방식입니다. 즉, 특정 순간만을 포착할 뿐 그 원인은 파악하지 못하며, 이 둘을 연결하기 위해서는 인간의 판단이 필요합니다.
검증 단계에서 이는 ‘재주행 문제’로 나타납니다. 테스트 팀이 프로토타입을 이용해 고속도로 합류 행동, 콜드 스타트 열 사이클, 복합 교통 환경에서의 ADAS 극한 사례 등 복잡한 시나리오를 실행하던 중 비정상적인 현상이 발생합니다. 데이터 로거가 해당 신호를 캡처하도록 설정되지 않았거나, 설정이 되어 있었더라도 캡처 창이 너무 좁았거나, 아니면 해당 신호와 함께 필요한 도메인 간 맥락 데이터가 수집되지 않았기 때문입니다. 팀은 증상만 파악했을 뿐 근본 원인을 알 수 없어 다시 현장에 나가야 합니다. 각 차량이 상당한 투자를 필요로 하고 테스트 일정이 이미 빠듯한 제한된 시제품 차량군에서, 재주행의 비용은 단순히 연료비와 주행 거리만이 아닙니다. 여기에는 엔지니어링 시간, 시제품 가용성, 그리고 SOP(표준 운영 절차) 시행 기한을 맞추기 위해 감내해야 하는 일정 리스크가 포함되며, 이는 진행에 지장을 주는 요인입니다.
현장에서는 동일한 설계상의 한계가 다른 형태로 드러납니다. 차량 군(fleet) 차원의 품질 문제가 발생하는데, 특정 고장 유형을 중심으로 보증 청구 건이 집중되거나, 운행 데이터에서 일정한 패턴이 드러나는 식입니다. 엔지니어링 팀이 근본 원인을 진단하는 데 필요한 증거를 모두 수집할 무렵이면, 이미 해당 고장이 대량의 고객에게 영향을 미친 후입니다. 결과를 바꿀 수 있을 만큼 제때 정보를 파악하지 못한 것입니다.
이 두 가지 문제는 모두 같은 근본 원인을 가지고 있습니다. 바로 이 시스템이 데이터를 저장하기 위해 설계되었지, 이해를 도출하기 위해 설계되지 않았기 때문입니다. 데이터에 접근할 수 있는 것과 인텔리전스에 접근할 수 있는 것 사이에는 의미 있는 차이가 있으며, ‘에이전틱 루프(Agentic Loop)’는 바로 그 격차를 해소하기 위해 고안된 것입니다.
Agentic Loop 소개
‘에이전트 루프(Agentic Loop)’는 각 단계가 다음 단계에 지속적으로 정보를 제공하고 정교화하며, 이 주기를 시작하기 위해 수동 개입이 필요하지 않은 폐쇄형 지능 아키텍처입니다.
다섯 단계. 각 단계는 정확하고 신중하게 진행됩니다:
- 탐지 — 차량 전반에 걸친 신호를 지속적으로 모니터링하여 이상 현상, 편차 및 조사할 가치가 있는 상황을 실시간으로 식별합니다.
- 수집 — 중요한 시점과 장소에서 정확하게 타깃을 설정하고 , 풍부한 맥락을 담은 데이터를 수집합니다. 단순히 대량의 로그를 기록하는 것이 아니라, 감지된 이벤트와 연동된 지능형 데이터 수집을 수행합니다.
- 이유 — 다중 출처 데이터에 걸쳐 ‘AI ’ 기반 분석을 적용하여 가설을 수립하고, 기여 요인을 파악하며, 인과적 결론을 도출합니다.
- 조치 — 적절한 엔지니어에게 인사이트를 제공하고, 구성 업데이트를 적용하거나, 서비스 권장 사항을 제안하는 등 — 자율적이고 적절하게 처리합니다.
- 학습 — 탐지 및 추론 모델에 결과를 다시 반영하여, 다음 주기가 이전 주기보다 더욱 정교해지도록 합니다.
“운영 체제”라는 표현은 의도적으로 사용된 것입니다. 운영 체제가 애플리케이션을 직접 실행하는 것이 아니라 애플리케이션이 효과적으로 실행될 수 있는 환경을 조성하는 것처럼, ‘에이전틱 루프(Agentic Loop)’ 역시 엔지니어의 판단을 대체하지 않습니다. 이 시스템은 차량 데이터의 복잡성을 추상화하여, 엔지니어들이 데이터 처리 작업 대신 의사 결정에 집중할 수 있도록 합니다. 검증 엔지니어, 품질 관리자, 애프터서비스 운영 담당자 모두 공유된 OS에서 서로 다른 애플리케이션이 실행되는 방식과 마찬가지로 동일한 인텔리전스 루프 위에서 작업을 수행할 수 있으며, 각 담당자는 공유된 인프라에서 필요한 정보를 얻을 수 있습니다.
이것이 논지의 요지입니다. 하지만 ‘운영 체제’라는 비유는 말로는 쉽게 설명할 수 있지만, 실제로 그 명칭에 걸맞은 가치를 입증하기는 훨씬 어렵습니다. 이 비유가 타당하려면 루프의 각 단계가 실제로 위에서 설명한 대로 작동해야만 합니다.
이 블로그 게시물의 2부에서는 ‘탐지(Detect)’, ‘수집(Collect)’, ‘추론(Reason)’, ‘조치(Act)’, ‘학습(Learn)’ 단계를 하나씩 살펴보고, 각 단계에서 어떤 변화가 일어나는지 설명합니다.
