오늘날 자동차에서 클라우드의 역할 (2부)

개요

존: 오늘 ‘ The Garage ’에서는 AWS의 스테파노 마르자니 씨를 특별 게스트로 모시고, 자동차 분야 클라우드 컴퓨팅을 다룬 2부작 특별 시리즈의 두 번째 편을 소개합니다. 지난 1부에서는 클라우드 컴퓨팅의 데이터 및 컴퓨팅 측면에 대해 이야기했습니다. 오늘 방송에서는 그 이야기를 이어가며, 프로토타이핑, 데이터 분석, AI, 그리고 클라우드 기반 ADAS 및 자율주행 애플리케이션에 대해 다뤄보겠습니다. AWS의 스테파노 마르자니 씨와 대화를 이어가 보겠습니다. 시작해 볼까요!

주제 3: 클라우드 기반 프로토타이핑과 “환경적 동등성”

존: 사실 그 이야기가 세 번째 주제인 ‘프로토타이핑’으로 아주 자연스럽게 이어지네요. 앞서 언급했듯이, 최근 로버트 데이 씨와 대화를 나눴는데, ARM은 자동차 내 다양한 하위 시스템에 ARM 아키텍처가 채택되고 있는 추세를 확인했다고 하더군요. 아시다시피, 저는 ARM에서 14년 동안 일해 온 것을 자랑스럽게 생각합니다. 그래서 이 주제가 제게는 좀 더 각별하게 다가오기도 하죠. 로버트 씨도 그 부분에 대해 많이 이야기했었습니다. 하지만 제 생각에는, 이것이 또한—아마도 이것이 귀하께서 지적하신 요점 중 하나일 텐데요—클라우드에 그라비톤이 있고, 클라우드에 ARM 기반 인스턴스가 있으며, 자동차 내에도 ARM 기반 인스턴스가 존재한다는 사실이 프로토타이핑에 있어 정말 흥미로운 잠재적 가능성을 열어준다는 뜻이라고 봅니다.

스테파노: 물론이죠, 맞아요. 이걸 ‘환경적 동등성(environmental parity)’이라고 부르죠? 2021년 Arm Dev Summit 컨퍼런스에서 이 용어를 처음 사용하기 시작했습니다. 당시 우리가 진행한 워크숍은 업계에서 상당히 큰 반향과 주목을 받았죠. 이 개념을 처음 제시했을 때, 자동차에서 실행되는 것과 동일한 Arm 아키텍처에서 구동되는 소프트웨어를 클라우드에서도 Arm 아키텍처를 사용해 실행할 수 없는 이유가 무엇이겠습니까? 같은 ARM 아키텍처라고 해도 같은 프로세서는 아닙니다. 우리가 Graviton을 자동차에 탑재할 생각도 없고, 그럴 의도도 없잖아요? 실제로 자동차의 ECU는 퀄컴(Qualcomm), 엔비디아(Nvidia), NXP 등 다양한 공급업체에서 제공하는데, 이 모든 것이 ARM 코어를 기반으로 합니다. 그리고 다시 말하지만, 그 ARM 코어는 바로 우리 Graviton에 탑재된 코어와 정확히 동일합니다. 맞죠? ARM 64의 경우, 물론 실제로는 동일한 CPU는 아닙니다. 우리 그라비톤은 네오버스(Neoverse) 아키텍처를 기반으로 하는 반면, 차량용으로는 주로 코텍스(Cortex)가 사용되기 때문이죠. 하지만 명령어 세트의 대부분은 동일합니다.

클라우드 및 차량 내 ARM 기반 실행

스테파노: 그게 바로 우리가 로딩할 수 있는 이유고, 이 아이디어가 떠오른 후 바로 실행에 옮겼죠. 그래서 이제 예전에는 에뮬레이션 환경이나 물리적 하드웨어에서만 작동하던 다양한 임베디드 운영 체제들이, AWS 클라우드의 그라비톤(Graviton)에서 네이티브로 구동되고 있습니다. QNX, VxWorks, Yocto Linux, AGL 같은 시스템들이죠. 임베디드 개발자들에게는 완전히 새로운 개발 방식이며, 놀라운 반응을 얻고 있습니다. 사실 놀라울 정도라고 할 수 있죠. “잠깐만, 클라우드에서 이 프로세스를 실행하는 것뿐인데, 내 앞에 QNX 프롬프트가 뜬다니? 마치 ECU 같은 걸 사용하는 것 같은데”라고 말하곤 하죠. 네, 바로 그게 우리가 말하는 ‘환경적 동등성’입니다. 그곳에서 바로 작업을 시작할 수 있죠. 하드웨어는 어차피 필요하지만, 개발을 시작하는 데는 필요하지 않습니다.

클라우드에서 소프트웨어 개발을 시작하세요

스테파노: 그건 현재 이 분야에서 매우 큰 병목 현상인데, 프로토타이핑 관점에서 보면 중요한 문제죠, 그렇죠? 개발자, 특히 더 뛰어난 개발자들이 작업할 하드웨어가 항상 필요하다면, 그 수요를 충족시킬 수 있는 하드웨어가 없으니 ‘로우다운 혁신’을 활용할 수밖에 없잖아요.

존: 네. 그리고 테스트 측면에서 보면, 회귀 테스트 말이죠. 이전 에피소드에서 언급했듯이, 저희도 클라우드 기반의 방식으로 자체 테스트를 시작했습니다. 즉, 원격으로 전원을 껐다 켰다 해야 하는 시스템 랙을 줄줄이 늘어놓는 대신, 가상 인스턴스와 EC2를 사용할 수 있게 된 거죠. 그래서 저희도 그렇게 하고 있습니다. 그 이점을 확실히 체감하고 있으며, 이를 활용해 다양한 작업을 진행하고 있습니다.

자동차 분야의 검증 난이도

스테파노: 네. 네, 물론이죠. 다시 말하지만, 개발자들에게도, 검증 단계에서도 정말 큰 이점이잖아요, 그렇죠? 한 번 생각해 보세요. 여전히 오늘날 자동차는 말 그대로 심도 있게 테스트되지 않는 시스템이에요. 이는 역사적인 이유 때문이죠. 앞서 에피소드 초반에 말씀드렸듯이, 자동차는 현대식 내연기관 차량에 150개 이상의 ECU로 구성된 시스템에서, 통합된 컴퓨터를 통해 30~40개 정도로 대폭 축소되는 깊은 변혁을 겪고 있습니다. 감지나 구동을 위한 마이크로컨트롤러 기반의 주변 장치들은 여전히 남아 있을 것입니다. 하지만 주요 연산 작업은 8개, 12개, 16개, 심지어 40개에 달하는 다수의 Arm 코어가 내장된 초집약적 아키텍처에 의해 수행될 것입니다. 그리고 이는 정말 중요한 점입니다. 이는 매우 중요한 트렌드죠.

클라우드를 통해 개발자에게 힘을 실어주다

스테파노: 개발자들이 책상 위에 이런 장비를 놓고 작업하길 기대할 수는 없습니다. 앞서 살펴본 이유들 때문에, 개발자들에게 클라우드 네이티브 환경을 제공해야 합니다. 그곳에는 데이터가 있고, 컴퓨팅 옵션이 있으며, 그라비톤도 있기 때문입니다. 따라서 그곳이야말로 개발자들이 도구를 찾고, 작업을 수행하며, 하드웨어에 배포하고, 하드웨어에서 계속 테스트를 진행할 수 있는 자연스러운 환경입니다. 하지만 그 반대의 경우는 아닙니다.

향후 5년 내에 차량용 소프트웨어 시장은 3배로 증가할 전망이다

스테파노: 하드웨어부터 시작하면 혁신을 저해할 뿐이니까요. 아시다시피, 일부 분석가들에 따르면 SDV 분야에서 향후 5년 내에 코드 양이 1억에서 3억으로 세 배 증가할 것으로 예상된다고 합니다. 개발자들이 여전히 하드웨어를 직접 다루며 자동차용 코드를 작성해야 한다고 기대한다면, 어떻게 그런 목표를 달성할 수 있겠습니까?

존: 와, 정말 놀라운 수치네요. 그런 통계는 처음 들어보는데, 앞으로 3년 동안 세 배나 늘어난다고요?

스테파노: 5년.

존: 정말 놀랍네요. 저기, 제가 생각해보니 선순환이 형성되는 것 같은데요. 이전 에피소드에서 워크로드 통합에 대해 이야기했었고, 방금 전에도 그 점을 언급하셨잖아요. 그리고 가상화의 중요성과, 이러한 애플리케이션들을 서로 간섭 없이 나란히 실행할 수 있는 능력에 대해서도 이야기했었죠. 제 생각에는 이것이 클라우드 프로토타이핑 접근 방식과 가상화 모두와 상당히 시너지를 낼 것 같아요. 왜냐하면 그곳에서 테스트해 본 바로 그 워크로드를 가져와서 이제 서로 나란히 공존할 수 있게 되니까요. 그리고 당신이 말했듯이, 당신이 언급하고 싶어 하는 ‘환경적 동등성’이라는 접근 방식과도 훨씬 더 유사하죠.

스테파노: 네, 물론이죠. 당연하죠. 다시 말해, 생각해 보면 12개나 16개의 코어가 생기면 그 모든 코어를 단일 운영 체제에만 사용할 수는 없으니, 이 코어들을 분할해서 여러 운영 체제를 실행해야 한다는 뜻입니다. 하지만 이것이 바로 우리가 클라우드에서 하는 일입니다. 그라비톤 프로세서의 64개 코어에서 여러 운영 체제를 관리하는 하이퍼바이저를 사용하고 있죠. 맞습니다, 정확히 똑같은 원리입니다. 물론 전자적 인증이나 그 밖의 수많은 측면에서는 차이가 있습니다. 하지만 소프트웨어 공학적 관점에서 보면, 두 환경이 매우 유사하게 작동하도록 구현할 수 있습니다.

존: 그러니까 프로토타이핑과 테스트 단계에서 최종 구현 시 어떻게 작동할지 거의 검증해 보는 셈인데, 정말 흥미롭네요. 이건, 제가 보기엔 기술적으로도 매우 매혹적인 부분일 뿐만 아니라, 개발 도구로서도 매우 강력한 힘을 지닌 것 같아요.

설계 주기를 단축하기 위한 “시프트 레프트(Shift Left)”

존: 아시다시피, 우리는 몇 년 전부터 ‘시프트 레프트(Shift Left)’ 개념에 대해 논의해 왔습니다. 가상 프로토타이핑이나 클라우드 등을 활용해 설계 주기를 어떻게 가속화할 수 있을지에 대한 것이었죠. 또한 최근 에피소드 중 하나에서도 다뤘듯이, 설계 주기에 대해 더 빠르게 설계해야 한다는 압박이 가해지고 있으며, OEM과 1차 협력사들의 경쟁 환경은 점점 더 치열해지고 있다고 생각합니다. 이러한 요소들이 설계 주기를 단축시킬 수 있다면, 기업들의 경쟁력을 높이고 비용을 절감할 수 있을 뿐만 아니라, 당신이 언급한 것처럼 소프트웨어 라인 수가 증가함에 따라 발생하는 엄청난 복잡성을 효과적으로 관리할 수 있을 것입니다. 이를 성공적으로 수행하려면 ‘분할 정복(divide and conquer)’ 전략을 적용해야 한다고 봅니다. 그렇지 않고 이를 거대한 단일 시스템으로 간주한다면, 검증 자체가 불가능할 것입니다.

자동차 리콜로 인해 400억~500억 달러의 손실 발생

스테파노: 물론이죠. 그 외에도 다른 장점들이 있습니다. 그러니 ‘시프트 레프트(Shift Left)’는 확실히 필요한 접근 방식입니다. 테스트를 더 광범위하게 확장할 수 있기 때문에 코드 품질도 향상됩니다. 이 점은 정말, 정말 중요합니다. 자동차 산업에서 이 점을 생각해 보세요. 지금도 매년 리콜로 인해 400억~500억 달러의 손실이 발생하고 있습니다. 기록된 사례의 70%가 소프트웨어 결함 때문이죠. 70%나 됩니다. 이 점을 생각해 보세요. 품질이 형편없는 것이죠. 그렇게 말해도 될까요?

존: 그래.

스테파노: 테스트가 부실하네요.

존: 물론이죠.

스테파노: 왼쪽으로 이동하는 게 아니야.

존: 그래.

스테파노: 그렇죠? 그러니까 왼쪽으로 이동하면 비용을 절감하고 품질을 높일 수 있습니다. 하지만 최종 사용자들에 대해서도 생각해 보고 싶습니다. 왜냐하면 우리가 목격하고 있는 바와 같이, 개발을 위해 ECU를 여기저기로 보내지 않아도 클라우드에서 협업을 가능하게 할 수 있기 때문입니다. 그리고 이건 정말 중요합니다. 사실, 이것이 바로 SDV의 놀라운 점 중 하나입니다. 우리는 텔레매틱스와 텔레매틱스 서비스를 기반으로 한 ADAS/AV 서비스에 대해 논의했습니다.

클라우드를 활용한 차량 HMI 개발

스테파노: 클라우드 기반 HMI(인간-기계 상호작용), 사용자 인터페이스, 사용자 경험 분야의 개발이 엄청나게 증가하고 있습니다. 제게는 정말 환상적인 일입니다. 그 이유도 금방 알 수 있죠. 그 이유를 알게 되는 건, 처음으로 클라우드에 가상 ECU가 생겨 브라우저를 통해 사용자 인터페이스를 제공할 수 있게 되었기 때문입니다. 클라우드는 전 세계적으로 서비스되므로, 전 세계에 흩어져 있는 협업 네트워크의 모든 구성원에게 즉시 이를 보여줄 수 있습니다. 따라서 일본이나 남아프리카 공화국에 있는 동료에게 “당신의 현지 취향에 비추어 볼 때, 제 새로운 사용자 인터페이스에 대해 어떻게 생각하시나요? 아니면 이 인터페이스를 현지 상황에 맞게 조정해 주실 수 있나요? 아니면 직접 작업해 주실 수 있나요?”라고 물어볼 수 있습니다.

존: 그리고 현지화, 언어.

스테파노: HMI 시스템을 구축하는 방식에 있어, 말 그대로 혁명적인 변화라고 할 수 있습니다. 여기저기에 하드웨어를 설치할 필요가 없다는 점을 생각해 보세요. 대신 우리가 말하듯이, 클라우드 네이티브이자 클라우드 우선(cloud-first) 접근 방식을 HMI 개발에 적용하는 것입니다. 이미 이를 도입하려는 고객사가 있습니다. 그리고 최근 베를린에서 열린 AWS 서밋에서 BMW와 함께 클라우드 기반 HMI 개발 사례에 대한 매우 흥미로운 발표를 다시 한번 진행했는데, 물론 관련 자료를 제공해 드릴 수 있습니다. 아주 훌륭한 시연이었습니다. 하지만 항상 BMW 이야기만 할 수는 없겠죠. 예를 들어, CES에서 마렐리(Marelli)와 함께 진행한 데모에 대해서도 말씀드릴 수 있습니다. 마렐리는 1차 공급업체입니다. 그들은 저희 부스에서 최초의 클라우드 네이티브 HMI 시스템을 선보였습니다. 정말 인상적인데, 그 현장에서 저희가 클라우드에서 HMI 애플리케이션을 개발하고, 이탈리아 밀라노에 배포하는 과정을 직접 볼 수 있었기 때문입니다. 한 엔지니어가 클라우드에서 작업을 수행한 뒤, 라스베이거스 부스에 배포한 것이죠. 다시 말해, 클라우드 개발로 시작해서 특정 하드웨어 솔루션에 배포하고 맞춤화하는 방식입니다. 생각해 보면 이건 정말, 정말 강력한 방식입니다. 단순히 강력할 뿐만 아니라, 바로 SDV(Software-Defined Vehicle)가 아니겠습니까? 소프트웨어 정의 방식이죠. 반대로, 하드웨어부터 시작하면 하드웨어 정의 방식이 됩니다. 진정한 소프트웨어 정의 방식이라면 소프트웨어부터 시작해야 하고, 그 후에 배포해야 합니다.

SDV는 리콜 비용을 절감할 수 있다

존: 맞아요, 정말 그렇네요. 방금 정말 많은 내용을 언급하셨네요. 그리고 리콜에 대해 말씀하신 요점을 놓치고 싶지 않네요. 소프트웨어 개발 부담이 큰 OEM사들로부터 종종 “이 소프트웨어 정의 차량 기능을 구현하기에는 너무 어렵다”는 우려를 듣곤 하는데, 사실 그 말도 일리가 있습니다. 하지만 방금 말씀하신 것처럼 400억, 500억 달러라는 규모를 생각해 보면, 그중 상당 부분이 소프트웨어와 관련되어 있습니다. 수십억 달러를 절약할 수 있는 데 그리 큰 투자가 필요하지 않은데도, 이를 해결할 수 있는 기능을 도입하지 않는다면 정말 어리석은 일일 것입니다.

스테파노: 네, 콘티(Conti)의 마틴 스탐(Martin Stamm) 씨와 함께 ‘All Things Automotive’의 아주 멋진 에피소드를 진행했죠.

존: 네, 그 에피소드 봤어요.

스테파노: 그래, 그거 봤어? 왜 그런지 설명하는 부분 말이야, 그렇지?

ECU 통합

스테파노: 전통적으로 제조사나 OEM은 새로운 기능을 통합해야 할 필요성이 있었습니다. 즉, ECU를 하나 더, 또 하나 더, 또 하나 더 통합해야 했고, 결국 150개에 이르렀죠. 하지만 이로 인한 조합적 효과를 생각해 보면, 이러한 모든 요소가 결합되는 모든 가능한 경우를 다 테스트할 수는 없습니다. 바로 그 이유 때문에, 그리고 이는 전기화 및 기타 트렌드의 추진력으로 인해 업계에 긍정적인 변화로 작용하고 있습니다. 바로 그 유명한 CASE, 즉 커넥티드(Connected), 자율주행(Autonomous), 공유(Shared), 전기화(Electrified)에 사용자 경험까지 더해진 것이죠. 이러한 통합이 현재 진행 중입니다.

불필요한 기능을 추가하지 않고 소프트웨어를 효과적으로 통합하기

스테파노: 솔직히 말해서, 이 분산 시스템 전반에 걸쳐 있는 소프트웨어를 변환하여 이러한 통합 유닛에 통합하는 것이 문제인 상황에서, 이는 업계에 큰 축복입니다. 하지만, 여기서 ‘하지만’이 하나 있습니다. 단순히 “좋아, 이제 이 ECU에 소프트웨어가 있으니, 그냥 가져다가 내 통합 유닛에 쑤셔 넣으면 되겠네”라고 말해서는 안 되기 때문입니다. 그건 블로트웨어나 다름없습니다. 아시다시피, 언제 터져도 이상하지 않을 정도죠. 통합 유닛은 비용 최적화된 단일 ECU와는 근본적으로 다르기 때문에 시스템을 재설계해야 합니다. 자원 측면에서 보면, 그 소프트웨어는 거의 맞춤형에 가까운 하드웨어를 위해 특별히 설계된 것이기 때문입니다. 그래서 우리가 이런 사례를 자주 접하게 되는 거죠. 여러분도 잘 아시다시피, 예를 들어 Autoware 재단과 함께 Open AD Kit를 개발하며 진행한 작업이 바로 그런 맥락입니다. 자율주행과 같은 경우, 전통적으로 ‘모놀리식(monolith)’이라고 불리는 소프트웨어를 마이크로서비스로 분해하여, 더 높은 모듈성과 유연성을 요구하는 하드웨어 및 소프트웨어 플랫폼이 지원할 수 있도록 아키텍처를 재설계한 것이죠. 차등 업데이트, 맞죠? 인터페이스의 표준화. 그리고 이 모든 것들은 자동차 산업 전체를 재구축하는 데 있어 매우 중요한 개념들입니다.

SOAFEE 및 자동차 관련 표준

존: 그러고 보니, 방금 말씀하신 내용은 최근 로버트 데이 씨와 SOAFEE에 대해 나눈 대화와 매우 시너지 효과를 내는 것 같네요. SOAFEE에 대해 말하자면, 아마존이 SOAFEE의 창립 멤버 중 하나였던 걸로 알고 있으니, 당신도 이 프로젝트를 적극 지지하고 계신 거죠. SOAFEE가 추구하는 목표 중 상당 부분은 당신이 언급하신 그런 표준이나 일관된 인터페이스를 제공하는 데 있습니다. 하지만 그 얘기는 다음 기회에 하는 게 좋겠네요.

스테파노: 네, 물론이죠. 그건 그렇고, 정말 알찬 대화네요. 제 생각에 SOAFEE는 정말 훌륭한 이니셔티브라고 봅니다. 아시다시피, SOAFEE는 개방형 표준과 오픈 소스를 기반으로 한 참조 구현을 제공하는 것을 목표로 하고 있죠. 세상에, 자동차 업계에는 정말 많은 오픈 표준과 오픈 소스가 필요하잖아요, 그렇죠? 그래서 Yocto, COVESA, Eclipse SDV, AUTOSAR 같은 이니셔티브가 정말, 정말 중요한 거죠. 그리고 SOAFEE에서 우리가 주목하고 있는 매우 긍정적인 신호 중 하나는, 우리가 함께 협력하기 시작했다는 점이에요, 그렇죠? 그리고 우리는 그 점을 계속 강조해야 해요, 그렇죠? 정말 그렇습니다. 개방형 표준은 핵심이지만, 표준 자체로 경쟁해서는 안 됩니다. 그건 절대 안 되는 일이죠. 표준이 정의된 후에야 비로소 고객이 진정으로 필요로 하고 원하는, 표준에 포함되지 않은 부분에 대해 혁신을 시작할 수 있습니다. “아, 이 표준이 완벽하게 구현되어 있으니 이 차를 사야겠다”라고 말하는 사람은 아무도 없을 겁니다. 말이 안 되잖아요. 그렇죠?

존: 맞아요. 표준을 토대로 삼되, 그 위에 부가가치적인 차별화를 실현하는 것이죠.

스테파노: 기본 토대로서 말이죠. 물론, 이건 또 다른 비용 절감 및 최적화 방법이기도 하죠. 평범한 기능에서 차별화를 꾀하려고 시간과 돈을 왜 낭비하겠어요, 그렇죠?

존: 지금 이 시점에서, 이번 에피소드가 마음에 드신다면 ‘좋아요’를 눌러 주시고, The Garage 에서 저희의 더 많은 콘텐츠를 보실 수 있도록 구독해 주시면 정말 감사하겠습니다. 저희는 약 2주마다 에피소드를 촬영하고 있으니, 다음 에피소드 때 다시 이곳에서 뵙기를 고대합니다.

주제 4: 기계 학습 및 분석

존: 스테파노, 지금까지 정말 다양한 분야에 대해 이야기를 나눴는데요, 다음으로는 인공지능, 머신러닝, 그리고 좀 더 포괄적으로 데이터 분석에 대해 이야기해 보고 싶습니다. 우리가 수집하는 이 놀라운 데이터 레이크에 대해서도 이야기했고, 귀사가 제공하는 특화된 컴퓨팅 서비스와 특수한 유형의 컴퓨팅 자원에 대한 컴퓨팅 성능에 대해서도 논의했으니까요. 그리고 프로토타이핑의 중요성 등도 다뤘고요. 하지만 머신 러닝과 분석이라는 이 전체 분야는 아마도 가장 매력적인 분야 중 하나일 텐데, 이러한 요소들이 결합되어 이전에는 결코 불가능했던 일들을 해낼 수 있게 해주니까요.

스테파노: 물론이죠. 그리고 이는 항상 우리가 ‘빅 루프’라고 부르는 관점에서 바라봐야 하죠, 그렇죠? 이건 정말 중요한데요, 아시다시피 과학자들은 모델링을 올바르게 구축하는 데 있어 데이터 세트가 가장 중요하다고 자주 말하잖아요, 그렇죠? 그래서 우리는 항상 그 점을 기준으로 삼고 있습니다. 따라서 클라우드에 저장할 적절한 데이터를 선정하는 것이죠.

SageMaker를 활용한 데이터 수집 및 라벨링

스테파노: 그러니까, 상황에 따라 무엇이 중요한지 구분하기 위해서는 자동차에 약간의 인공지능이 필요하겠죠? 어쩌면 급제동을 했을 수도 있고요. 그 이유는 무엇일까요? 아니면 여러 요인이 복합적으로 작용했을 수도 있고요. 또 차량 내 테스트도 있는데, 이 매우 중요한 기능에 대해서는 지금 바로 논의해 보겠습니다. 어쨌든, 데이터가 선별되면 거기서 약간의 머신러닝이 필요하고, 이 머신러닝은 스스로 업데이트되어야 하죠? 데이터를 전송하고, 수집하고, 정제하고, 데이터 레이크를 구성하면 완벽하죠. 그런 다음 이 데이터의 일부를 활용해 일부에 라벨을 붙이는 거죠. 고객들은 각자의 목적에 맞게 라벨링을 수행하며, 이를 위한 도구로 ‘SageMaker Ground Truth’가 있습니다. 라벨링이 완료된 데이터는 모델 훈련 및 검증에 활용됩니다. 여기에는 다양한 옵션이 있으며, ‘SageMaker’가 이를 수행하는 플랫폼입니다.

AWS의 다른 머신러닝 프레임워크

스테파노: 만약 여러분이 기계 학습 분야의 진정한 전문가라면, 예를 들어 PyTorch와 같은 기본 프레임워크를 사용해 정말 저수준에서 직접 작업할 수도 있고, 반대로 우리가 ‘ AI ’ 서비스라고 부르는 것을 이용할 수도 있습니다. 예를 들어, 이미지를 보내기만 하면 그 안에 있는 물체 목록을 반환해 주는 인식 서비스 같은 것이죠. 맞습니다. 텍스트 변환(transcribe)이나 음성 인식( AI ) 서비스 같은 것들 말이죠. 따라서 우리는 이 세 가지 계층을 가지고 있습니다.

신형 모델의 차량 내 검증

스테파노: SageMaker를 통해 모델을 훈련할 때, 일반적으로 엣지에 배포하지만, 이 역시 하나의 큰 루프입니다. 즉, 배포는 되었지만 아직 실제 운영 환경에는 적용되지 않은 상태이며, 차량 내 테스트를 위해 배치된 것입니다. 현재 실제 운영 중인 해당 소프트웨어의 또 다른 버전이 있습니다. 따라서 첫 번째 단계는 이 모델이 실제 운영 중인 모델에 비해 성능이 더 떨어지는지, 아니면 더 우수한지 분석하는 것입니다. 컴퓨터 성능의 제약이 있기 때문에, 실제 환경에 노출시켜 테스트해야 하는데, 잠재적으로는 현장에 있는 수많은 차량에서 테스트할 수도 있습니다. 그래서 추가적인 연산을 수행할 수 있는 여유가 조금 더 있습니다.

경계 사례 찾기

스테파노: 맞아요, 아까 말씀하신 대로, 무엇을 해야 하냐 하면: 현장에 존재하는 특수한 사례들, 이른바 ‘에지 케이스’를 찾아내는 건데요. 이를 개발 초기 단계에서 추상적인 방식으로만 상상해 보는 건 불가능합니다. 머신러닝 모델의 성능을 검증하려면 실제로 차량, 그것도 많은 수의 차량이 현장에 있어야만 하죠. 그리고 이를 평가한 결과, 모델이 더 우수하고 성능 저하가 없다고 판단되면, 해당 모델로 전환하여 실제 운영 환경에 적용하고, 이 과정이 반복되는 거죠? 점점 더 많은 차량을 대상으로 말이죠. 보시다시피 머신러닝은 단순히 모델을 훈련시키는 마법 같은 방법이 아닙니다. 오히려 이러한 지능적인 반복 과정 그 자체입니다. 그리고 워크플로를 정의하는 것이 매우 중요합니다. 이러한 워크플로를 관리하기 위한 다양한 도구가 있으며, 그중 일부는 SageMaker 자체에 포함되어 있습니다.

ML 워크플로우를 관리하기 위한 도구

스테파노: 그 외에도, 예를 들어 데이터 관리의 경우, 저희는 Airflow의 구현 및 관리형 구현을 제공하고 있는데, 이를 ‘Apache Airflow 기반 관리형 워크플로우(Managed Workflow with Apache Airflow)’라고 부릅니다. 그리고 이를 통해 모든 워크플로우를 구성하죠. 맞죠? 저도 이전 직장에서 Airflow를 사용했었는데, 이런 종류의 파이프라인을 구성하는 데 매우 강력한 도구입니다. 그렇죠? 그리고 이것이 정말, 정말 중요한 부분입니다. 이 모든 것을 고객들은 흔히 ‘워크벤치’라고 부르는 환경에서 사용합니다. 점점 더 많은 고객들이 브라우저 상의 한 공간에 접속해 필요한 도구를 찾을 수 있게 해달라고 요청하고 있죠. 이러한 도구에는 데이터 파이프라인, 워크플로우, 머신러닝 관련 데이터, 데이터 레이크 접근, 분야별 도구 등이 포함될 수 있습니다. 아주 최근에는, 예를 들어 dSPACE 행사에서 MathWorks와의 협업 사례를 발표한 바 있습니다. 따라서 고객 여러분은 해당 공간에서 이러한 도구들을 찾아보실 수 있습니다. 이를 통해 업무에 더욱 집중할 수 있을 뿐만 아니라, 환경의 일관성을 확보하고, 전 세계적으로 환경을 배포하며, 어디서나 환경에 접근할 수 있고, 통합 및 자동화 기능을 구축할 수 있는 가능성을 얻게 됩니다. 최근 저희 CEO가 LinkedIn에 게시한 바에 따르면, 이러한 접근 방식을 통해 도요타는 연간 1,000만 달러를 절감했다고 합니다. 도구를 체계적으로 정리하고, 공통 인터페이스를 통해 제공하며, 이를 바탕으로 자동화를 구현할 수 있다는 점만으로도 꽤 훌륭한 성과죠.

존: 방금 말씀하신 내용 중에서 흥미로운 점은 여러 가지 측면이 있다는 것입니다. 우선 데이터, 즉 원시 데이터에서 출발하여 모델을 구축하고, 조정하며, 개선해 나가는 능력이 필요합니다. 그리고 그런 역량을 갖추게 되면, 클라우드 환경에서 서로 연결되어 후처리 및 사후 분석을 수행할 수 있는 다양한 도구와 모듈을 활용할 수 있습니다. 그 종류도 매우 다양하죠. 따라서 이러한 전체적인 흐름이 정말 중요하다고 생각합니다.

스테파노: 물론입니다. 그래서 예를 들어, 저희는 자율주행 데이터 프레임워크를 통해 이를 구성하고 공개했습니다. 이 프레임워크는 오픈소스 이니셔티브로, 고객들이 이러한 구조와 워크플로를 직접 구축할 수 있도록 오픈소스 참조 자료를 제공하기 위한 것입니다. 그리고 네, 솔직히 말씀드리면 고객사들은 대부분 이 도구를 정확히 이런 방식으로 도입하고 있습니다. 워크플로우 관점에서 볼 때, 예를 들어 도요타와 같은 고객사는 AWS에서 모델을 훈련하기 위해 저희 컴퓨팅 환경과 협업 플랫폼에 연결하기만 하는 용도로 P 인스턴스를 사용하고 있죠. 하지만 다시 말씀드리지만, 이는 단순히 고립된 단일 활동이 아닙니다. 이는 워크플로우의 일부일 뿐이며, 이 점을 고려하는 것이 매우 중요합니다.

주제 5: ADAS 및 자율주행

존: 자, 이제 마지막 주제로 넘어가기에 딱 좋은 때인 것 같습니다. 바로 ADAS와 자율주행인데요, 이 분야는 우리가 수년 동안 함께 작업해 왔고 풍부한 경험을 쌓아온 분야입니다. 클라우드가 ADAS의 발전에 얼마나 중요한지, 아니 필수적인 요소인지에 대해 이야기해 봅시다. 또한 클라우드가 우리 모두가 나아가고 있는 자율주행으로의 여정에서 갖는 잠재력에 대해서도 논의해 봅시다. 이 여정은 꽤 긴 과정이지만, 우리는 꾸준히 진전을 이루고 있습니다.

스테파노: 물론이죠. 그리고 다시 말씀드리자면, 저는 이 문제에 대해 큰 열정을 가지고 있으며, 이미 이 점에 대해 논의를 시작했죠. 저는 자율 주행, 자율 주행 기능, 그리고 일반 차량의 자율 주행 기능에 대해 점진적인 접근 방식을 제시하는 데 큰 열정을 가지고 있습니다, 그렇죠?

ADAS가 가져다주는 단기적 이점

스테파노: ADAS 시스템, 즉 레벨 2, 레벨 3이라고 불리는 시스템 덕분에 지금 당장 누릴 수 있는 엄청난 가치가 있기 때문이죠. 그리고 이건 정말 중요한데, 무엇보다도 이 시스템이 생명을 구하기 때문이에요. 그게 전부예요. 그렇죠? 그래서 저희는 최근 최신 세대 ADAS가 탑재된 차량을 테스트해 봤는데, 정말 훌륭하더군요. 이 차량에는 자동 긴급 제동 기능을 실제로 수행하는 시스템이 탑재되어 있습니다. 예를 들어, 운전자가 주의를 기울이지 않는 사이에 장애물이 나타나면 차량이 자동으로 제동합니다. 간단하지만, 제대로 작동한다면 생명을 구할 수 있습니다. 그래서 제게는 이 부분이 정말 중요합니다. 그리고 저는 자율 주행이 이러한 기능들이 점차 자동화되어 통합된 형태가 될 것이라고 점점 더 확신하게 됩니다. 따라서 차량에서 점진적으로 자동화될 기능들에 대해서도 고려하고 고민하는 것이 중요합니다. 이것이 제 관점입니다. 그리고 우리가 클라우드 작업을 수행하는 방식, 다시 말해 앞서 논의한 모든 것, 즉 다양한 컴퓨팅 옵션, 데이터 레이크의 가능성, 데이터 레이크의 구조, 그리고 머신러닝 도구를 활용하는 방식은 ADAS와 자율주행차 개발에 필수적인 기본 요소들입니다. 컴퓨팅 옵션에는 또 다른 측면이 있는데, ADAS에 특화된 두 가지 이유로 인해 이 점이 매우, 매우 중요합니다. 즉, 현장에서 데이터를 자주 수집하여 S3의 데이터 레이크에 저장하곤 합니다. 그리고 이를 검증에 활용하죠? 따라서 일반적으로 개발 중인 알고리즘에 차량에서 수집한 데이터를 재현하여, 이전 버전이나 이전 세대보다 성능이 향상되었는지, 아니면 저하되었는지 평가합니다. 또는 컴퓨팅 자원을 활용해 합성 시뮬레이션을 수행하기도 합니다. 이에 대해, 저희는 Valeo와 함께 훌륭한 사용 사례를 마련했는데, 안타깝게도 코로나로 인해 취소된 지난 CES에서 발표하려 했던 내용입니다. 당시에는 아무도 참석하지 못했지만, 저희가 준비한 멋진 데모 영상이 유튜브에 올라와 있습니다(물론 링크도 제공해 드릴 수 있습니다). 이 영상에서는 Valeo가 IPG CarMaker와 Foretellix라는 두 가지 기술을 활용해 합성 시뮬레이션을 통해 시나리오의 수를 늘리고, AWS에서 수천 가지의 다양한 시나리오 변형을 생성하는 것입니다. AWS는 확장성과 컴퓨팅 자원의 탄력성, 가용성을 모두 갖추고 있기 때문이죠. 이를 통해 모든 에지 케이스를 철저히 검토하여, 분석에서 놓친 부분이 있는지 확인하는 것이 핵심입니다.

경계 사례 찾기

스테파노: 그리고 앞서 논의한 대로, 소프트웨어가 차량에 실제로 적용되기 전에 이 문제를 해결하는 데 주력해야 합니다. 다시 말해, 이는 워크플로를 재구성하는 문제이며, AWS에는 고객이 이를 수행할 수 있도록 지원하는 모든 도구가 갖춰져 있습니다. 만약 필요한 도구가 없다면, 고객과 협력하여 필요한 도구를 개발해 드릴 수 있습니다.

자율주행의 구성 요소 분석

존: 물론이죠. 제 생각에 많은 분들이 자율주행이라는 과제를 하나의 거대한 과제로만 생각할 수도 있을 것 같아요. 하지만 사실 그 안에는 정말 수많은 하위 과제가 존재하죠. 저는 농담 삼아 자전거 인식 과제나 차선 유지 과제가 있다고 말하곤 해요. 농담은 제쳐두고, 실제로는 정말 다양한 하위 과제들이 있죠. 이 과제를 세분화해야 하는데, 아시다시피 우리가 운전할 때는 그냥 운전할 뿐, 그게 전부잖아요. 하지만 실제로 머신러닝이나 인공지능이 이를 처리하는 방식은 운전 과정을 여러 부분으로 세분화하는 것입니다. 방금 전에 말씀하신 내용이 정말 흥미로웠어요. 훈련 과정을 생각해 보면, 사람이 운전할 때를 떠올려 보세요. 대부분의 시간은 꽤 지루하잖아요. 그냥 계속 직진만 하면 되니까 지루하죠. 그래서 연습해야 할 부분 중 어려운 점은 급격한 커브나 장애물이 나타날 때일 수 있지만, 방금 말씀하신 내용은 정말 흥미롭습니다. 극한 상황을 가속화하여, 실제 운전 시나리오에서보다 훨씬 더 빠르게 모델이 학습할 수 있도록 수많은 극한 사례를 제공할 수 있다는 점이죠.

스테파노: 물론이죠, 물론이에요. 그 말이 완전히 맞아요. 그래서 예를 들어, 우리가 논의했던 것처럼 마이크로서비스가 이런 관점에서 중요한 거예요. 왜냐하면 지각 모델만 교체하고 나머지는 그대로 두고 싶을 수도 있으니까요, 그렇죠? 그러니까 서로 다른 기술을 가진 여러 팀이 각자의 작은 부분을 담당해서 작업하는 거죠. 그래서 ADAS나 자율주행차 개발에 참여하는 다양한 역할을 인식하는 건 정말 중요한 부분이에요. 정말 중요한 부분이죠. 확실히, 복잡한 시나리오입니다. 하지만 다시 말하지만, 이 분야에서 훌륭한 사례들이 있습니다. 앞서 제가 설명한 콘티넨탈(Continental) 사례는 ADAS 개발이었는데, 클라우드 네이티브 접근 방식을 채택했을 때 그들이 시간 절약, 비용 절감, 민첩성 측면에서 어떤 이점을 얻었는지 확실히 보실 수 있을 겁니다. 그것이 바로 우리가 콘티넨탈과 함께 개발한 이 CAEDGE 실습의 목적이었습니다. 참고로, 이는 소프트웨어 정의 차량(SDV) 환경에서도 진행되었습니다. 따라서 훌륭한 사례 자료가 되죠. 콘티넨탈과의 협력을 통해 우리는 이러한 개념의 대부분을 처음 구상하기 시작했습니다. 정말 훌륭한 협업이었습니다.

AWS와 간의 협력 Sonatus

존: 대화를 마무리하며, Sonatus 과 AWS가 협력하고 있는 몇 가지 분야에 대해 잠시 이야기해 보는 게 어떨까 싶습니다.

스테파노: 네, 기꺼이요. 다시 말씀드리자면, ‘ the garage ’에서 정말 놀라운 데모들을 봤거든요 — 그건 그렇고, 저에게 보여 주셔서 정말 감사합니다. 정말 놀랍죠. 예를 들어, 차량의 로직을 제어하고 새로운 상황에 맞춰 새로운 로직을 배포하는 등 제가 본 몇 가지 기능들은 우리가 SDV와 빅 루프 업데이트(big loop update)에 대해 논의했던 내용과 정확히 일치하거든요. 실제로 그런 일이 일어나고 있는 걸 볼 수 있으니 정말 환상적이에요. 그리고 네, 정말 훌륭한 협업이에요. 완벽한 사례라고 할 수 있죠. 보시다시피, 단순히 데이터를 전송하거나 수집하는 데 그치는 것이 아니라, 데이터 플레인에 대한 이러한 관점을 구현하기 시작하는 거죠. 네, 데이터를 수집해야 하지만 제어 플레인을 위해서도 마찬가지입니다. 따라서 클라우드에서 엣지로, 그리고 다시 클라우드로 돌아오는 과정에서 이러한 마이크로 로직을 관리할 수 있는 가능성을 고려해야 합니다. 엣지에서는 일부 마이크로 로직이나 머신러닝이 필요할 수 있고, 클라우드에서는 이러한 마이크로 로직이나 머신러닝을 실행해야 하죠. 또한 통합이나 ARM 코어를 고려해 보면, 이는 우리가 말하는 클라우드에서 엣지까지 이어지는 연속체와 같은 시스템입니다. 그리고 귀사는 일련의 제품들을 통해 이러한 비전을 구현하는 데 정말 훌륭한 성과를 내고 있다고 생각합니다.

존: 아시다시피, 정말 감사합니다. 앞서 데이터에 대해 이야기했었는데, 저희 ‘Collector’ 제품은 매우 고도로 최적화되어 있어, 정교하게 선별된 고가치 데이터를 수집하고 조정하여 클라우드로 전송합니다. 이 부분에 대해서는 여러분과 협력하고 있습니다. 그리고 방금 언급하신, 최근 출시한 ‘Automator’ 제품은 이러한 스마트 데이터의 개념을 바탕으로 차량 내부든 외부든 상관없이 다양한 조치를 취할 수 있게 해줍니다. 차량 테스트에 대해서는 자세히 다루지 않았지만, 차량 테스트 문제도 점점 더 복잡해지고 있습니다. 따라서 저희는 이를 새로운 방식으로 활용하여, 예를 들어 생산 워크플로우를 개선하고 더 나은 다운스트림 서비스를 제공할 수 있게 되어 매우 기쁩니다. 앞서 연결형 차량을 언급하셨는데, 이는 사용자는 물론 향후 가치 부가 서비스 제공업체에 이르기까지 다양한 다운스트림 기능을 의미합니다.

실제 ECU를 사용하는 것의 중요성

스테파노: 네, 정말 흥미로운 점이에요. 게다가 실제 ECU를 대상으로 작업하고 계시다는 점에서 제가 보기에 또 다른 아주 훌륭한 장점이라고 생각해요. 제 말을 믿으세요, 그건 엄청난 차이예요. 제가 항상 말하듯이, 자동차용 새로운 소프트웨어나 하드웨어 부품을 개발할 때는 개발 작업이 50%, V와 V[검증(Verification)과 확인(Validation)]이 50%라고 생각해야 하거든요. ADAS와 AV의 경우, 몇 가지 가정을 해볼게요. ADAS는 아마 20 대 80 정도일 거예요. 자율주행차(AV)의 경우, 그 비율은 1 대 99일 겁니다. 맞죠? 왜냐하면 V와 V가 정말 중요하고, 코드가 실제 CPU에서 실행되는 것을 보게 되면 그 차이가 확연히 드러나기 때문이죠. 더 이상 평가 키트를 기반으로 책상 위에 놓인 프로토타입이 아닙니다. 100만 대, 200만 대, 1,000만 대의 차량에 탑재되는 것이니까요. 그래서 그 차이가 모든 것을 좌우합니다.

존: 맞아요. 그리고 저희는 정말 기쁘게 생각하고 있습니다. 아시다시피, 올해 말까지 수십 가지 모델에 탑재될 예정이고, 내년 말까지 수백만 대의 차량에 적용될 예정이거든요. 그래서 정말 기대가 됩니다. 이건 시제품도 아니고, 과학 프로젝트도 아닌, 실제 양산 제품이기 때문이죠. 그리고 말 그대로 ‘실전’에서 이루어지는 실제 양산 과정을 통해 많은 것을 배우게 되죠. 그만큼 훨씬 더 어려워지기도 하고요.

스테파노: 네. 그리고 자동차 업계에 종사하는 사람이라면 누구나 규정을 준수하기 위해 얼마나 많은 노력이 필요한지 잘 알고 있습니다. 그게 이 업계의 큰 부분이지 않나요? 그러니까 스마트폰에 코드를 배포하듯이 그냥 배포할 수는 없는 거죠. 맞죠? 이건 소비자용 기기가 아닙니다. 규제를 받는 제품이라는 점에서 기능 안전성과 사이버 보안이 필수적입니다. 그리고 이러한 측면들은 무엇보다 중요하며, 우리에게도 정말 중요합니다. 이는 최우선 과제이자, ‘우선순위 제로’입니다.

요약

존: 네, 오늘 정말 많은 이야기를 나눴는데요. 우리가 다룬 여러 하위 주제들만으로도 한 시간씩 여러 차례 대화를 나눌 수 있었겠지만, 오늘은 여기서 마쳐야 할 것 같습니다. 먼저, 스테파노 씨, 오늘 와 주셔서 정말 감사합니다. 함께할 수 있어 정말 기뻤습니다. 그리고 오늘 대화를 통해 정말 많은 것을 배웠고, 항상 당신과 이야기하는 게 즐거워요. 다음에 또 오셔서 저희와 함께해 주시길 바랍니다.

스테파노: 저도 마찬가지예요. 초대해 주셔서 감사합니다. 언제나 즐거운 시간이에요. 저도 많은 것을 배웠습니다. 정말 환상적이네요.

존: 고마워요, 스테파노. 오늘 에피소드에서는 클라우드의 모든 측면에 대해, 특히 AWS를 중심으로 논의했습니다. 데이터의 중요성과 데이터를 활용할 수 있는 다양한 방법부터 시작해, 클라우드가 자동차 산업과 차량 워크플로우에 어떤 이점을 주고 개선할 수 있는지에 대해 이야기했죠. 또한 컴퓨팅과 다양한 종류의 컴퓨팅 서비스에 대한 필요성, 그리고 이를 통해 다양한 유형의 문제를 해결하는 방법에 대해서도 다뤘습니다. 프로토타이핑에 대해서도 이야기했는데, 특히 클라우드에서 차량 기능을 프로토타이핑하고 실제 차량에 배포할 수 있는 능력은 정말 매력적입니다. 머신 러닝과 분석에 대해서도 다루었으며, 데이터 분석을 통해 다양한 방식으로 가치를 창출할 수 있는 방법에 대해서도 논의했습니다. 마지막으로 자율주행과 ADAS에 대해 아주 간략히 언급하며, 이를 개선하고 해당 워크플로우를 최적화하는 것이 얼마나 중요한지 살펴보았습니다. 정말 폭넓은 대화가었습니다. 즐겁게 시청해 주셨기를 바라며, 조만간 ‘ The Garage ’의 다음 에피소드에서 다시 뵙기를 기대합니다. 대단히 감사합니다.