가동 시간 방정식: 차량 플랫폼이 클라우드를 기다릴 수 없는 이유

이 글은 ‘가동 시간 방정식’ 시리즈의 3부입니다. 제1부 에서는 차량 컨텍스트를 다루었으며, 제2부 에서는 하드웨어와 소프트웨어 간의 절충점에 대해 다루었습니다. 이번 편에서는 작업이 어디에서 실행되어야 하는지에 대해 다룹니다.

장거리 화물 트럭이 휴대전화 신호가 끊기는 고속도로 구간을 지나갑니다. 그 구간 어딘가에서 90초 동안 간헐적인 전기적 결함이 발생했다가 사라집니다. 감지가 클라우드에 의존하는 경우, 두 가지 상황 중 하나가 발생합니다. 해당 사건이 감지되지 않거나, 관련 신호가 이미 덮어쓰인 후에 지연된 스냅샷이 도착하는 것입니다. 다음에 같은 문제가 발생했을 때, 그 문제를 일으켰던 이전 상황의 기록이 전혀 없는 정비소에서 발생할 수도 있습니다.

이것은 다음 문헌에 설명된 리드라이브 문제의 현장 적용 사례입니다. '에이전트 루프'에 설명된 리드라이브 문제의 현장 적용 사례입니다. 상용차의 경우, 운행 장소와 방식 때문에 이러한 현상이 더 자주 발생합니다.

연결성은 당연한 것이 아니다

서비스 범위 지도는 지나치게 낙관적이다. 한 2019년 FCC 직원 조사에서 현장 요원들은 12개 주에서 약 10,000마일에 걸쳐 24,649회의 주행 테스트를 실시했습니다. 테스트 중 통신사 지도에서 예측한 다운로드 속도에 도달한 경우는 62.3%에 불과했습니다. 2019년 이후 네트워크는 개선되었지만, 여기서 얻은 교훈은 여전히 유효합니다. 즉, 서비스 범위를 보여주는 지도가 있다고 해서 고장이 발생한 순간 트럭에서 신호를 받을 수 있다는 보장은 없다는 것입니다. 광산 현장, 농장, 건설 현장, 항만 등에 있는 비고속도로용 장비는 커버리지 기획자들이 거의 우선순위를 두지 않는 곳에서 운영됩니다. 차량 운용 팀은 이미 이러한 상황을 감안하여 계획을 세우고 있습니다. 운전자는 야드에 도착할 때까지 로그 전송을 미루고, 기술자는 트럭이 들어올 때 수동으로 데이터를 추출하며, 도로에서 통신이 끊긴 트럭은 경고 신호가 아니라 정상적인 상황으로 간주됩니다. 이러한 우회 조치들은 모두 가동 시간을 깎아먹으며, 그 어떤 방법도 한적한 고속도로 구간에서 발생하는 90초짜리 고장을 포착하지 못합니다.

이러한 불확실성 때문에 오프라인 운영은 단순한 비상 대책이 아닌 설계상의 필수 요건이 됩니다. 맥킨지가 실시한 자동차 분야의 엣지 AI 에지 컴퓨팅( AI )에 대한 맥킨지 조사에서, 응답자의 39%는 모든 에지 컴퓨팅 사용 사례에 있어 핵심 요건으로 오프라인 가용성을 꼽았으며, 이는 낮은 지연 시간(35%)과 데이터 개인정보 보호 및 보안(20%)보다 높은 비중을 차지했습니다. 네트워크 데이터 비용을 꼽은 응답자는 6%에 불과했습니다. 에지 컴퓨팅을 도입해야 하는 이유는 이동통신 요금 문제라기보다는, 클라우드가 파악할 수 없는 부분과 더 관련이 깊습니다.

데이터 사용량: 문제는 데이터 요금이 아니라 신호 대 잡음 비율입니다

상용차 네트워크는 지속적으로 데이터를 생성합니다. 하나의 SAE J1939/14 버스는 최대 500 kbit/s의 속도로 작동할 수 있으며, 많은 대형 트럭은 이를 하나 이상 탑재하고 있고, 최신 플랫폼에는 자동차용 이더넷이 추가되어, 그 대부분이 ADAS 및 안전 시스템을 위한 카메라 영상을 전송합니다. 하루 종일 주행하는 동안 전송되는 데이터 양은 전송할 가치가 있는 양을 훨씬 초과하며, 그 대부분은 단지 아무런 문제가 발생하지 않았음을 확인해 줄 뿐입니다.

다음과 같이 에이전틱 루프(Agentic Loop) 에서 설명하듯이, 상시 로깅은 “셀룰러 네트워크를 통해 전송하는 데 비용이 많이 들고, 저장하는 데 비용이 많이 들며, 처리하는 데도 비용이 많이 든다.” 대안은 차량에서 어떤 데이터가 중요한지 결정하는 것이다:

• 이벤트 기반 캡처. 항상 모든 신호를 기록하는 대신, 이벤트 발생 전후의 신호만 기록합니다. Fastlane™ Edge Smart Triggers를 예로 들면, 차량에 탑재된 경량 이상 탐지 모델은 엔진이 정상 범위를 벗어난 상태로 작동하는 등 비정상적인 동작을 감지했을 때만 ‘ Fastlane™ Collector ’ 정책을 실행하므로, 차량은 지속적인 신호 스트림 대신 비정상 이벤트 주변의 신호만 캡처합니다.
• 차량 내 압축. Fastlane™ Collector 시계열 압축을 통해 데이터 페이로드 크기가 최대 28배까지 감소한다고 밝히고 있다.
• 차량 내 이력. 차량에 탑재된 시계열 데이터베이스에는 최근 몇 주 또는 몇 달간의 신호 이력이 저장됩니다. 데드존에서 오류가 발생하더라도 트럭이 다시 연결되면 해당 컨텍스트가 그대로 유지되므로, 엔지니어들은 오류가 다시 발생할 때까지 기다릴 필요 없이 필요한 정확한 기간의 데이터를 바로 확인할 수 있습니다.
• 업로드 전 필터링. 원시 데이터 스트림 대신 요약되고 관련성 높은 결과를 전송합니다. 한 한 파트너사의 사례 연구 에서, 차량 내 침입 감지와 관련하여 로컬에서 데이터를 처리하고 관련성 있는 경보만 업로드함으로써 클라우드 비용을 60% 절감했습니다.

지연: 어떤 결정은 미룰 수 없다

부품 보호, 시스템 작동 조정, 운전자 경고, 잠재적인 사이버 침입 탐지 등 일부 조치는 몇 초 이내에 이루어져야 합니다. 따라서 차량이 이러한 조치를 처리하기에 가장 적합한 장소이지만, 지연 시간만으로는 지능형 처리가 어디에서 이루어져야 할지 결정할 수는 없습니다. 맥킨지는 엣지가 항상 결정적인 지연 시간 이점을 제공하는 것은 아니라고 지적합니다. 많은 진단 사용 사례의 경우, 가용성과 맥락이 밀리초 단위보다 더 중요합니다.

그렇다고 해서 클라우드의 중요성이 줄어들지는 않습니다. 클라우드는 단일 차량으로는 할 수 없는 일을 수행하기 때문입니다:

• 전 차량에 걸친 패턴 탐지. 한 대의 트럭에서는 단순한 노이즈처럼 보일 수 있는 고장 모드가, 수천 대의 트럭에서는 명백한 문제로 나타날 수 있습니다.
• 근본 원인 조사. 차량 데이터를 엔지니어링 문서, 정비 이력 및 과거 사례와 결합합니다. Fastlane™ InsightAI 를 활용하여 클라우드 환경에서 이러한 정보원을 상호 연관 짓고, 가능성이 높은 근본 원인을 제안합니다.
• 모델 훈련 및 검증. 이 과정에서는 에지에서 캡처된 풍부한 컨텍스트 정보를 가진 이벤트를 활용합니다.
• 배포. 업데이트된 모델 및 수거 정책이 무선으로 차량에 전송됩니다.

엣지는 상황을 감지하고 데이터를 수집하며, 클라우드는 이를 분석하고 학습하고, 엣지는 클라우드가 학습한 내용을 바탕으로 조치를 취합니다. Fastlane™ Edge 이 시스템은 바로 이러한 루프를 기반으로 구축되었습니다. 차량에서 이상 탐지를 수행하며, 클라우드가 학습함에 따라 무선으로 업데이트된 모델을 수신합니다. 엣지에서 지능을 구동함으로써 연결성에 대한 의존도를 낮추는 한편, 차량 전체를 아우르는 학습을 통해 이미 도로에 운행 중인 차량의 성능을 지속적으로 개선합니다.

경계를 그어보기

유용한 원칙: 데이터와 마감일이 있는 곳에 업무를 배치하라.

결정이 특정 시점의 단일 차량 데이터에 의존하는 경우, 해당 결정은 차량에서 이루어져야 합니다. 시간이 지남에 따라 여러 차량의 데이터에 의존하는 경우, 해당 결정은 클라우드에서 이루어져야 합니다. 차량에서 상황 정보를 수집하는 것은 혼합 차량 함대 운영에도 도움이 됩니다. 다음과 같은 공유 신호 정의를 사용하여 소스에서 구조화될 때 COVESA VSS와 같은 공유 신호 정의를 사용하여 소스에서 구조화되면, 모든 브랜드에서 동일한 형식으로 차량 함대의 텔레매틱스 제공업체에 전달될 수 있습니다. 또한 시장 전망에 따르면 OEM들이 이 모델에 투자하고 있는 것으로 보입니다. GM Insights 는 2025년 상업용 차량이 자동차 엣지 컴퓨팅 시장의 35억 9천만 달러를 차지할 것으로 추정하며, 이는 연간 약 22%의 성장률을 보일 것으로 전망합니다.

엣지가 적절한 맥락을 파악하면, 해당 데이터는 단순히 고장을 보고하는 데 그치지 않고 고장을 예측할 수 있는 엣지 예측 분석( AI )의 원자료가 됩니다. 4부에서는 이 내용을 이어가겠습니다.

결론: 상용차에는 연결의 양쪽 끝 모두에 지능이 필요합니다. 차량은 감지, 상황 파악, 그리고 시간 민감한 조치를 담당합니다. 클라우드는 전체 차량 군을 아우르는 학습을 담당합니다. 권장 사항: 이러한 작업은 기본적으로 차량에 맡기고, 한 대 이상의 트럭 데이터가 필요한 작업에만 클라우드를 활용하십시오. 처음부터 이 두 가지를 하나의 루프로 설계하여, 클라우드에서 훈련된 모델이 데이터를 수집한 트럭으로 다시 전달되도록 해야 합니다. 트럭이 감지하지 못한 결함은 다시 발생하게 마련이며, 이러한 재발은 가동 시간을 깎아먹습니다.