AI 차량: 과대광고, 현실, 그리고 앞으로의 전망

오늘 ‘ The Garage ’의 게스트는 AWS의 데이터 및 AI 부문 글로벌 솔루션 아키텍처 리더인 닐 미트라(Neel Mitra)입니다.

오늘 인공지능 마스터 클래스에서는 AI 의 기원에서부터 시작해 보겠습니다. 고전적 AI 란 무엇이었을까요? 대규모 언어 모델이란 무엇일까요? 에이전트 기반 AI 란 무엇일까요?

그리고 자동차 분야에 대해 이야기해 봅시다.

현재 ‘ AI ’는 자동차 산업에서 어떤 역할을 하고 있을까요? 그리고 앞으로 ‘ AI ’와 자동차 산업을 통해 새롭고 놀라운 일들을 이뤄낼 기회는 무엇일까요? 오늘의 대화가 여러분께 큰 즐거움을 드릴 것입니다.

가자.

The Garage 에 오신 것을 환영합니다. 저는 Sonatus 의 최고 마케팅 책임자(CMO)인 존 하인라인입니다. 오늘은 AWS의 닐 미트라 씨와 함께합니다. 닐 씨, the garage 에 오신 것을 환영합니다.

감사합니다.

닐, 우리는 몇 년 동안 함께 일해 왔습니다. 정말 기쁜 일인데, 드디어 닐 씨를 초대해 함께 에피소드를 녹화할 수 있게 되었습니다. 먼저 닐 씨에 대해, 그리고 닐 씨의 배경에 대해 이야기해 주시겠어요?

네. 초대해 주셔서 감사합니다. 정말 기쁩니다. 그동안 정말 다양한 프로젝트를 진행해 왔는데, 드디어 그날이 왔네요. 저는 인도에서 자랐고, 이 업계에서 21년 동안 일해 왔습니다. 그 전에는 인도에서 공학 석사 학위를 취득하고, 그곳에서 몇 년간 컨설팅 업무를 하다 미국으로 왔습니다.

그리고 그 이후로는, 아시다시피, 핀테크와 헬스케어 분야의 포춘 500대 기업 고객들과 많이 협력해 왔고,

2016년에 아마존 웹 서비스(AWS)에 입사하기 전까지는 제가 자동차 분야에서 일하게 될 줄은 전혀 몰랐습니다.

그 당시에는, 아시다시피 클라우드가 정말 새로운 개념이었거든요. 제가 고객사를 방문하곤 했는데, 고객들이 이렇게 말하곤 했죠. “이봐요, 여러분은 책을 파는 사람들이잖아요. 여기서 뭘 하고 있는 거예요?”

그래서 그들에게 우리가 엔터프라이즈 분야에서 어떤 일을 하는지 설명하고, 그 다음에는 인프라 분야에서 어떤 일을 하고 있는지 알려줄 거예요. 그 당시에는 우리가 인프라 분야에 특히 집중하고 있었거든요.

아시다시피, AWS는 클라우드 컴퓨팅 분야의 선구자였으며, 제 생각에는 오늘날까지도 인프라 분야에서 최고의 자리를 지키고 있다고 봅니다. 네, 그로부터 벌써 9년이 지났네요. 정말 시간이 순식간에 지나가죠. AWS에서는 ‘매일이 첫날’이라고 말하곤 합니다. 다시 한 번 초대해 주셔서 감사합니다. 또한, 자동차 분야에서의 여정을 함께하며 여러분 모두로부터 많은 것을 배울 수 있어서 정말 좋았습니다. 이 부분에 대해서는 앞으로 더 깊이 다뤄보도록 하겠습니다.

정말 감사합니다. 저희는 항상 게스트에 관한 재미있는 일화를 소개하며 방송을 시작하곤 합니다. 여러분에 관한 재미있는 일화를 하나 들려주세요.

참 곤란한 상황이네요. 알겠습니다.

그러니까, 제 인생에서 일어난 많은 일들이 딱히 이유 없이 벌어진 것 같아요. AWS에 입사해서 자동차 관련 업무를 맡게 된 것도 마찬가지예요. 왜 그렇게 되었는지는 모르겠지만, 결과적으로는 정말 재미있더라고요.

요가가 제 삶에 들어온 것도 마찬가지였어요. 왜 그랬는지, 어떻게 그랬는지는 저도 잘 모르겠어요. 인도에서 자랐는데도 요가에 대해 들어본 적이 없었거든요. 그런데, 아시다시피, 한때는 여행을 많이 다녔고 일상이 너무 정신없이 돌아가는 시기였어요. 그래서 ‘내 몸을 신체적으로뿐만 아니라 정신적으로, 에너지적으로, 모든 면에서 종합적으로 돌봐줄 무언가가 분명히 있어야 할 텐데’라는 생각이 들었죠. 그래서 요가 수업을 한 번 들어봤는데 마음에 들었고, 그 후로는 꾸준히 하기도 하고 쉬기도 하면서 이어갔어요.

아마 8~9년 정도 그렇게 해왔던 것 같아요. 그런데 작년에 또 갑자기, 얼마나 우연한 일인지는 모르겠지만, 취미로 요가 강사가 되고 싶다는 생각이 들었어요. 그래서 자격증 과정을 시작했죠. OEMs.

무섭네요. 제 아내도 저한테 “왜 그런 짓을 했어?”라고 묻곤 해요. 하지만, 네, 재미있는 사실이에요. 아마 지난 1년 동안 200시간짜리 요가 강사 자격증을 취득했거든요.

지금은 석사 과정을 밟고 있는데, 300시간을 더 이수해야 합니다.

그러면 정말 재미있을 것 같아요. 아마 요가 강사가 되는 게 제 은퇴 계획이 될 것 같네요.

정말 멋지네요. 어떤 스타일의 요가인가요?

비냐사.

정말 멋지네요.

재미있는 사실 하나. 저는 항상 게스트를 위해 재미있는 사실을 하나씩 생각해 보려고 노력해요. 제 재미있는 사실은 꽤 오래전, 아마 10년 전쯤이었을 텐데, 그 당시 몇 년 동안 비크람 요가에 푹 빠져 지냈다는 거예요.

오, 좋네요.

혹시 청취자분들 중 이걸 잘 모르시는 분들을 위해 설명드리자면, 실내 온도가 105도인 공간에서 하는 요가예요. 네, 핫 요가죠. 일명 ‘하이 요가’라고도 하는데, 그 방에 들어가서 90분 동안 요가를 하게 돼요. 아주 특정한 90분짜리 동작 순서가 정해져 있죠. 수업이 끝날 무렵이면, 다들 땀으로 흠뻑 젖어 있어요.

저도 뉴욕에서 그런 걸 해봤어요. 요가 센터를 정말 많이 다녔는데, 결국 한두 군데에 정착하게 됐어요. 그래도, 네, 꽤 재미있었어요.

그리고 요가는 정말 최고예요.

물론 근력도 그렇고, 유연성도 그렇지만, 마음의 평정이나 차분함 같은 것도 느껴져요. 네. 뜨거운 방에서 90분을 보내고 나면 그런 기분이 들죠. 하지만 전반적으로 수업을 마치고 나면 정말 평온한 기분이 들고, 좋은 아이디어도 떠오르는 것 같아요. 제게는 아마 45분쯤 되었을 때 가장 훌륭한 아이디어가 몇 개 떠올랐던 것 같아요.

그리고, 아시다시피 좀 더 현실적인 측면에서 보면, 오늘 나중에 ‘ AI ’에 대해 많이 이야기하게 될 거라는 건 알지만, 좀 더 현실적으로 보면 오늘날 기계들이 우리를 위해 정말 많은 일을 해주고 있다는 걸 알 수 있죠. 그렇죠? 네. 우리가 인간으로서 주의를 기울이지 않고 더 높은 차원의 주파수로 움직이지 않는다면, 상황이 어려워질 거예요.

그게, 어쩌겠어요? 코드는 제가 쓰고, 실제 작업은 기계가 하고 있잖아요. 그렇죠? 그래서 마음챙김의 관점에서 보면, 요가가 저에게도 도움이 될 수 있을 것 같다는 생각이 들어요.

어떻게 될지 두고 봐야겠네요.

좋아요. 그럼 AWS에서 맡고 계신 역할에 대해 말씀해 주시겠어요? 요즘 어떤 일을 하고 계신가요?

네. 그러니까, 뭐랄까, 정말 다양한 분야를 아우르고 있어요. 아시다시피, 지난 몇 년간 저는 자동차 분야에 집중해 왔거든요. 그래서 처음에는 커넥티드 모빌리티 관련 업무를 많이 했고, 이후에는 소프트웨어 정의 차량(SDV) 분야로 넘어가서, 보쉬나 덴소 같은 기업을 비롯해 전 세계의 수많은 고객사와 파트너들과 협력해 왔죠. 이름을 밝힐 수는 없는 고객사들도 많지만, BMW를 비롯한 여러 기업들과도 협력하며 정말 바쁘게 지냈어요.

하지만 지난 1년 동안 저는 업무의 초점을 좀 더 폭넓은 영역으로 전환했습니다. 즉, 다양한 사용 사례에 대해 수많은 자동차 제조업체 및 기업 고객들과 협력하고 있다는 뜻입니다. 이는 지난 몇 년간 아키텍처 및 엔지니어링 업무를 수행하며 다뤘던 극히 틈새적인 자동차 분야와는 다릅니다. 하지만 딥 러닝( AI )과 에이전트 등 머신러닝 분야에서 엄청난 변화가 일어나고 있기 때문에, 이 일이 꽤 재미있었습니다.

기회는 무궁무진하며, 제가 눈여겨보는 분야는 한 가지 산업에만 국한되지 않습니다. 그래서 더 많이 배우려고 노력하고 있습니다. 그리고 그것이 바로 AWS에 근무하면서 느끼는 가장 큰 장점입니다. 정말 많은 것을 배우면서 그 대가로 급여까지 받는 기분이에요. 마치 대학에 다니는 것과 같지만, 학비는 내지 않아도 되는 셈이죠. 급여를 받으면서 전 세계의 수많은 재능 있는 사람들과 함께 일하고, 이 세상을 더 나은 곳으로 만들기 위해 기여할 수 있다는 점이 정말 좋습니다.

네, 그렇습니다. 이것이 바로 지난 1년 동안 제가 걸어온 여정입니다. 제조 및 자동차 분야를 비롯한 다양한 사용 사례에 맞춰, OEM 및 RAG, 에이전트형 AI와 함께 AI 분야에서 많은 작업을 수행해 왔습니다.

좋아요.

네.

방금 AI 에 대해 언급하셨는데, 저희는 종종 차량과 차량용 소프트웨어에 대해 이야기하곤 합니다. 이 부분은 조금 후에 다룰 예정이지만, 이번 에피소드에서는 평소보다 훨씬 더 많이 ‘ AI ’에 대해 이야기해 볼 생각입니다. 자, 그럼 먼저 큰 그림 차원에서 이 주제에 대해 이야기해 봅시다. 청취자분들께서 이런 종류의 기술에 대해 각기 다른 수준의 지식을 가지고 계실 것 같아서요.

네. 그리고 요즘 대부분의 사람들이 ‘ AI ’라고 하면, 아마 ChatGPT나 검색 같은 것들을 떠올릴 거예요. 네. 하지만 그건 아주 극히 일부에 불과하죠.

AI 의 잠재력에 대하여.

그러니 먼저 2만 피트 높이에서 바라본 전반적인 개요를 설명해 주실 수 있을지 궁금합니다. 네. 우리가 고려해 볼 수 있는 ‘ AI ’ 알고리즘과 ‘ AI ’ 기술의 범위는 어떤 것들이 있을까요?

네. 그 얘기를 시작하기 전에 재미있는 일화를 하나 알려드릴게요. 제가 15년 전쯤에 영화 《터미네이터》를 봤는데, 아마 그때가 처음이었을 거예요. 맞죠? 그때는 정말 무서웠어요. ‘ AI ’가 어떤 일을 저지를 수 있는지, ‘ AI ’와 어떻게 싸워야 하는지 같은 것들 말이에요.

하지만 막상 작업을 시작하고 나니, ‘음, 아마 몇 백 년은 더 걸리겠구나’ 하는 생각이 들었어요. 설령 그런 일이 일어난다 해도 말이죠. 잘 모르겠어요. 뭐, 어차피 공상과학 소설이니까요.

그렇죠? 뭐, 어떻게든 해결해 볼게요. 하지만 당신 말이 정말 맞아요. 이 분야에서 정말 많은 일들이 일어나고 있으니까요.

AI 같은 건 새로운 게 아니잖아요. 그렇죠? 그 연구 논문들은 1930년대, 40년대, 50년대에 나온 것들이었으니까요.

그리고 그 후, 아시다시피, 우리 당시에는 감독 학습 모델에 대해 이야기를 나누기 시작했어요. 즉, 라벨이 붙은 데이터를 제공한다는 뜻이죠. 기계가 더 똑똑해져서 사람이 하는 일 중 일부를 수행할 수 있도록 만드는 거예요.

그리고 기술이 계속 발전하고 또 발전하면서, 비지도 학습 모델이 등장하는 것을 볼 수 있었죠. 그러니까 단순히 레이블이 지정된 데이터뿐만이 아니에요. 레이블이 지정되지 않은 데이터일 수도 있고, 다중 모달 데이터일 수도 있죠. 꼭 텍스트일 필요도 없고요. 그렇죠? 이미지나 동영상, 오디오 등 여러 가지 형태가 될 수 있죠.

믿거나 말거나, 90년대에 ‘ AI ’가 그다지 멋지다고 여겨지지 않았을 때, 아마존은 당시 AI 을 사용했었습니다.

그러니까 아마존의 최초의 사이트에 가보셨다면—저는 가보지 않았는데, 여러분이 가보셨는지는 모르겠지만—예전에는 특정 장르를 좋아한다면 이런 옵션이 나왔었죠. 추천 시스템—네, 추천 시스템 말이죠. 맞아요. 그 사이트는 AI 였어요. 90년대 초반이었죠. 그 후 구글이 웹 검색 등을 통해 비슷한 방식을 도입했죠.

넷플릭스가 초창기, 사용자에게 DVD 등을 우편으로 보내주던 시절에는 그런 방식을 사용했었죠.

맞아요. 그러니까 ‘ AI ’은 새로운 개념이 아니며, 이런 종류의 지도 학습 모델과 약간의 비지도 학습 모델은 꽤 오랫동안 존재해 왔습니다.

그리고 제가, 뭐랄까, 핀테크 업계에 몸담았던 초창기 시절을 떠올려 보면, 그땐 사기 탐지나 이상 탐지 같은 작업을 많이 했었죠. 그건 모두 일종의 AI 에 해당하는 거죠. 그렇죠?

하지만 자동차 분야에 발을 들였을 때, 제가 처음 접한 ‘ AI ’의 활용 사례는 크루즈 컨트롤 같은 것이었는데, 이는 본질적으로 다양한 모드의 데이터를 모두 수집하고 이를 분석하여 차량이 차선을 이탈하지 않도록 유지하는 것입니다.

차선 이탈 방지 같은 사용 사례가 있죠. 차선을 유지하며 제어하는 것 같은 것들 말이에요. 이것들은 모두 전통적인 머신러닝 모델들이죠. 다시 질문으로 돌아가자면, 네, 지도 학습과 비지도 학습이 있고, 딥러닝이 등장하면서 ‘어떻게 하면 인간처럼 생각할 수 있을까’라는 고민을 하게 되었죠. 신경망과 그 모든 인지 기능을 차량에 서서히 적용하기 시작했고, 차량이 크루즈 컨트롤을 수행하게 되었습니다. 그리고 요즘에는 다양한 수준의 자율 주행에 대해 이야기하고 있죠.

사용 사례는 정말 많지만, 우리가 발전해 나가는 과정에서 여러분에게 필요한 것은 바로 ‘어텐션’이라고 생각합니다. 그 논문의 제목도 그렇게 된 것 같아요. 정확한 제목은 잊어버렸지만, 2018년이나 2019년쯤 구글에서 발표한 논문이었죠. 맞죠? 여러분에게 필요한 것은 바로 ‘어텐션’입니다.

이것이 바로 자기 주의 메커니즘에 대한 설명입니다.

그리고 과거의 ‘단어-순차 모델( AI)’을 생각해 보면, 즉 신경망인 CNN(컨볼루션 신경망)이나 RNN(재귀 신경망) 같은 것들 말인데요, 문제는 수많은 단어가 존재한다는 점이었죠? 하지만 ‘단어-순차 모델( AI )’은 다음에 어떤 단어나 토큰이 나올지 예측할 수 없었습니다. 그 한계가 매우 컸죠. 예를 들어, “존이 리비안(Rivian)을 샀다”거나 “닐이 테슬라(Tesla)를 샀다”거나 하는 식의 문장을 생각해 보세요.

AI 는 긴 문장을 처리하지 못했습니다. 아마도 몇 단어 정도밖에 처리할 수 없는 것 같습니다.

하지만 2018년경에 개발된 트랜스포머 아키텍처의 자기 주의(self-attention) 메커니즘 덕분에 상황이 바뀌었습니다. 이제 수천, 수십만, 심지어 수십억 개의 토큰을 처리할 수 있게 된 것이죠. 또한 셀프 어텐션 메커니즘을 통해, 인코더-디코더 아키텍처를 갖춘 AI 는 다음 단어가 어디에 올지 파악할 수 있습니다. 따라서 이러한 문맥 인식 능력과 방대한 양의 토큰을 한꺼번에 처리할 수 있는 능력은 모든 것을 바꿔 놓았습니다. 이것이 바로 대규모 언어 모델(LLM)의 시초이며, 앞서 언급하신 것처럼 모두가 화제로 삼았던 ChatGPT가 바로 그 예입니다. 하지만 이 모든 것들은 LLM으로 이어지는 기초가 되는 디딤돌이었으며, 앞으로 더 많은 발전이 있을 것입니다.

네.

자, 방금 그 얘기를 꺼내셨으니, 제 생각에는 이 트랜스포머 모델들의 다음 단계이자 핵심 혁신이 무엇인지 궁금해지네요. 그리고 GPT의 ‘T’는 바로 트랜스포머 모델을 의미합니다.

이 트랜스포머 모델, 그리고 더 넓게는 대규모 언어 모델(LLM)이 어떻게 게임의 판도를 바꾸는지 설명해 주시겠어요? 트랜스포머 모델을 통해 이제 어떤 것들이 가능해졌나요?

네. 제가 보기에 가장 큰 혁신은 콘텐츠 생성 분야인 것 같아요. 그렇죠? 마케팅 분야에서 일하고 계시니, 생산성이 엄청나게 향상된 걸 직접 목격하셨을 거예요. 파워포인트는 물론이고, 다양한 스토리, 동영상, 오디오 콘텐츠도 만들 수 있으니까요.

예를 들어, 팟캐스트를 만들 수 있잖아요. 구글도 하나 있는 것 같은데, 두 사람이 대화하는 것처럼 들리잖아요. 이건 AI 에서 생성된 게 아니에요!

이건 절대 AI 에서 생성된 게 아니에요. 확실히, 실제 사람들이 대화하고 있는 거예요. 하지만 콘텐츠 생성이라는 건, 제 생각에 이 ChatGPT 관련 일련의 흐름에서 나온 가장 혁신적인 것 중 하나라고 봐요.

그러다 보니 이 모델을 훈련하는 데 700억 개의 토큰이 사용된다거나, 저 모델을 훈련하는 데 1,000억 개의 토큰이 사용된다는 이야기를 듣게 되었습니다. 하지만 여러분이 아주 타당한 지적을 하셨습니다. 이것이 업계 전반에 어떤 도움이 될까요? 바로 그 부분에서 수많은 개발자 생산성 도구 모음이 등장하고 있습니다.

예를 들어, 아마존의 경우 ‘Q Developer’가 있고, 최근에는 ‘Kiro’라는 서비스를 출시했는데, 이는 대규모 언어 모델의 성능을 활용해 모든 결정을 내리는 에이전트형 IDE입니다. 따라서 이는 마케팅이나 스토리텔링을 위한 콘텐츠 생성에만 국한되지 않습니다. 여러분이 작성하는 코드와 같은 콘텐츠 생성도 가능하며, 그 범위는 무궁무진합니다. 자바나 파이썬 코드일 수도 있고, 50년 전의 메인프레임 코드일 수도 있습니다.

믿기 어렵겠지만, 특히 핀테크나 헬스케어 같은 업종에 종사하는 많은 고객사들은 메인프레임 시스템을 여전히 많이 사용하고 있는데, 이를 옮길 수가 없는 실정이죠. 그런데 이제 ‘ AI ’가 이 모든 코드를 이해하고, 코드를 리팩토링하여 클라우드로 이전하고 더 현대적인 형태로 개선할 수 있다면, 이는 고객사들에게 엄청난 투자 수익률(ROI)을 가져다줄 것입니다.

네. 그리고 일반적으로 대규모 언어 모델(LLM)에 대해 흥미로운 점은, 이제 더 이상 범용 LLM을 고려하기보다는 사람들이 일종의 AGI, 즉 인공 일반 지능에 대해 이야기하고 있다는 점입니다. 물론 아직 그 단계까지는 이르지 못했습니다. 사실 실제로는 이러한 LLM들이 이미지 생성이나 오디오 편집 등 특정 기능을 수행하도록 훈련되고 있습니다. 그 결과, 이들은 해당 분야에서 일종의 전문가 역할을 할 수 있게 됩니다.

시간이 지나면 그런 모델들은 서로 수렴하게 될 겁니다. 일종의 통합된 전문가 모델이 등장하겠죠. 네. 하지만 현재로서는, 방금 언급하신 그 놀라운 일들을 해낼 수 있는 특화된 전문가 모델들이 등장하고 있습니다.

물론이죠. 정말 정확히 짚으셨네요. 그리고 바로 그 부분에서 이 업계가 크게 발전해 나갈 것이라고 생각합니다.

그리고 AWS에는 LLM 마켓플레이스도 있죠. 그렇죠? 그래서 많은 도메인별 기능의 경우, 예를 들어 오랫동안 자동차 업계에서 큰 문제였던 예측 유지보수 같은 것을 생각해 보세요. 그리고 다양한 사용 사례에서 필요로 여겨져 온 수많은 시계열 예측 모델들도 마찬가지입니다.

만약 그런 도메인 중심 문제에 초점을 맞춰 훈련된 대규모 언어 모델을 생각해 본다면, 이는 판도를 바꿀 만한 일입니다. 네. 그래서 저희가 작년에 ‘증류(distillation)’라고 불리는 기술을 선보인 것이죠. 즉, 단순히 ‘엄청나게, 엄청나게, 엄청나게, 엄청나게, 엄청나게’ 큰 규모를 추구하는 것이 아니라, 해당 사업 분야에 진정으로 중요한 데이터의 질을 추구하는 것입니다.

그 분야는 자동차 산업일 수도 있고, 의료 분야일 수도 있으며, 핀테크일 수도 있습니다. 하지만 당신의 말씀이 아주 정확합니다.

제 생각에는 업계가 바로 그 방향으로 나아가고 있는 것 같고, 앞으로 다양한 모델이 쏟아져 나올 것입니다. 그러면 고객은 용도에 맞는 모델을 선택하게 될 것입니다.

네. 많은 사람들이 알고 있는 예시지만, 제게는 특히 설득력 있게 다가오는 것은 바로 의료 진단 분야를 생각해 볼 때입니다.

네.

특히 엑스레이 말이에요. 엑스레이를 찍어본 적이 있다면 아시겠지만, 엑스레이를 찍고 나면 기술자가 그 엑스레이를 실시간으로 보긴 하지만, 환자한테는 말해서는 안 돼요. 하지만 그 기술자들은 수백 장, 수천 장의 엑스레이를 보게 되죠. 그리고 그 엑스레이는 수만 장의 엑스레이를 보는 의사에게 넘어가는데, 의사는 “아, 뼈가 부러졌네요”라든가 “뼈는 부러지지 않았네요”라든가, “이런 병이 있네요”라든가 “저런 병이 있네요”라고 말하죠.

맞아요. 하지만 이 모델들은 수십, 수백, 수천, 수백만 장의 엑스레이를 바탕으로 훈련되었고, 방대한 양의 이미지를 학습했기 때문에 의사만큼이나, 어떤 경우에는 의사보다 더 뛰어난 성능을 발휘할 수 있으며, 의사가 놓치는 부분까지 발견할 수 있습니다. 물론 제가 이 모델들이 의사를 대체할 것이라고 말하는 건 아닙니다. 다만 잠재적으로 이 모델들이 할 수 있는 일은 일종의 선별 작업입니다. 즉, ‘이 5%의 엑스레이만 확인하면 된다’고 알려주는 것이죠.

다른 사례들은 아주 명확하죠. 예를 들어요. 네. 그게 비용을 절감하든, 환자 예후를 개선하든, 처리 시간을 단축하든, 뭐든 간에 말이죠.

요점은 이게 새로운 도구들이라는 거죠. 네.

그리고 새로운 방식으로 활용할 수도 있죠. 네.

방금 전 다른 단어인 ‘에이전틱(agentic)’에 대해 언급하셨는데요. 제 생각에는 대부분의 사람들이 아직 ‘에이전틱’이 무슨 뜻인지 제대로 이해하지 못하고 있을 것 같습니다.

이는 매우 중요한 신흥 트렌드이지만, 아직 발전 초기 단계에 있습니다. ‘에이전틱(agentic)’이 무엇을 의미하는지 설명해 주실 수 있나요? 네. 에이전틱 AI 이 가져다줄 수 있는 기회에는 어떤 것들이 있는지, 또한 현재 직면한 과제와 한계는 무엇인지 말씀해 주시겠어요?

네, 물론이죠. 제 생각에 작년이든 지난 몇 년이든 ‘OEM의 시대’라고 불리던 시절이 있었던 것 같아요. 거의 매주 다양한 업체들이 대규모 언어 모델(LLM)을 출시하는 모습을 볼 수 있었으니까요. 그러다 RAG, 즉 검색 강화 생성(Retrieval Augmented Generation)이 등장했고, 챗봇의 시대가 열렸죠. 이제 모두가 이러한 대규모 언어 모델을 활용해 챗봇을 개발하고 있습니다.

하지만 올해는 소위 ‘에이전트의 해’라고 하더군요. 그런데 왜 에이전트일까요? 바로 여러분이 직접 행동에 나서야 하기 때문이죠. 예를 들어,

우리 인간도 마찬가지잖아요. 계속 생각만 하고 아무런 행동도 취하지 않으면, 아무것도 이룰 수 없으니까요.

마찬가지로, 이러한 모든 OEM 및 챗봇을 통해 이 모든 데이터를 조회할 수 있으며, 이는 좋은 출발점이 될 수 있습니다. 하지만 그 데이터를 바탕으로 실제 작업을 수행하려면 특정 기능이 필요합니다. 그렇다면 전통적으로 우리는 이를 어떻게 처리해 왔을까요? 바로 마이크로서비스를 활용합니다.

우린 소위 SOA 아키텍처나 REST API 같은 것들을 사용하잖아요. 그렇죠? 하지만 AI 세계에서는 에이전트에 대해 이야기하게 되는데, 에이전트는 의사결정 능력을 가지고 있고 자율적으로 행동할 수 있기 때문이에요. 그렇다면 어느 정도의 자율성을 가지는 걸까요?

그건 사용 사례에 따라 다르며, 우리가 앞으로 훨씬 더 많은 것을 배우게 될 성장 분야입니다. 예를 들어, 자동차 분야에서 우리는 오랫동안 완전 자율 주행 차량에 대해 논의해 왔지만, 여러 가지 복잡한 문제들로 인해 아직 실현되지 못하고 있습니다. 이러한 에이전트 기반 워크로드의 상당수에서도 마찬가지 상황이 벌어질 것입니다. 완전 자율 에이전트가 모든 것을 처리한다는 이야기를 계속할 수는 있겠지만, 그들이 의사결정을 내릴 때 많은 타협점이 따를 수 있습니다.

이미 달력 일정 관리나, ‘이 기간에 여기에서 저기로 가는 저렴한 항공편을 찾아줘’와 같은 아주 일상적인 사례들을 접하고 계실 겁니다. 그리고 시간이 지남에 따라, 우리 사회는 물론 각 개인마다 상황은 다를 수 있겠지만, 인공지능( AI )이 자신을 대신해 일을 처리하도록 더 많은 권한과 주도권—말장난을 의도한 표현입니다—을 기꺼이 넘겨주게 될 것이라고 생각합니다. 혹은 다른 사람들은 인공지능이 작업을 수행하게 한 뒤, 실행에 옮기기 전에 “이거 괜찮아 보이나요?”라고 확인하는 방식도 있을 수 있습니다. 저는 앞서 언급한 모든 사례가 나타날 것이라고 봅니다. 하지만 핵심은 단순히 답을 도출하는 데이터 분석에 그치지 않고, 실제 조치를 취함으로써 잠재적으로 루프를 닫아가는 과정을 거칠 때, 인공지능( AI )의 역량과 처리량, 그리고 잠재력을 향상시킬 수 있는 피드백 사이클을 형성할 수 있는 능력을 얻게 된다는 점입니다.

네. 가장 큰 차이점은 지금까지 우리가 소프트웨어를 개발해 온 방식에 있죠. 그렇죠? 대부분 규칙 기반이니까요.

그러니까 본질적으로 말하자면, “이 마이크로서비스나 API는 X, Y, Z를 수행한다”는 것입니다. 그리고 이를 수행하기 위해서는 입력 데이터를 받아 처리한 뒤, 출력 데이터를 반환하게 됩니다. 그리고 그 논리를 코드로 구현해야 합니다.

하지만 에이전트의 경우, 대규모 언어 모델의 능력을 갖추고 있기 때문에 수많은 결정을 내릴 수 있습니다. 따라서 항상 명시적으로 지시할 필요는 없을지 모르지만, 그 대가로 잃게 되는 것이 바로 사고력입니다. 인간도 마찬가지잖아요? 너무 많이 생각하다 보면 지쳐버리게 되니까요.

우리는 에너지를 많이 소모하게 될 거예요. 물을 더 많이 마셔야 해요. 음식도 더 많이 먹어야 해요. 요원들도 마찬가지예요.

만약 에이전트가 지속적으로 사고를 수행하고, 본질적으로 비결정적인 성격을 띠고 있다면, 에이전트가 오랜 시간 동안 많은 메모리와 CPU 등을 사용하며 실행되기 때문에 그에 따른 비용을 치르게 됩니다. 결론적으로 말하자면, 물론 에이전트가 미래라는 점은 다들 아시다시피 분명하지만, if-then-else와 같은 직관적인 논리 기반의 워크로드가 있다면 여전히 마이크로서비스를 선택해야 합니다. 여전히 그런 마이크로서비스를 구축해야 합니다.

그들의 의사 결정에 무엇이 필요하든 간에, 예를 들어 공급망과 같은 사용 사례의 경우, 이는 오늘날 큰 과제죠. 특히 각종 관세 같은 문제들로 인해 불확실성이 정말 많으니까요.

그리고 이 에이전트가 재고를 파악하도록 하려면, 공급업체 현황이 어떤지 파악해야 하고, 물류와 운송 문제도 해결해야 합니다. 이런 경우들은 많은 논리를 코드화할 수 없는 대표적인 사용 사례입니다. 에이전트나 다중 에이전트 오케스트레이션은 서로 다른 작업을 처리하기 위해 여러 시스템에 접속해야 합니다. 따라서 이러한 사례들이 바로 에이전트에 가장 적합한 사용 사례이며, 네, 이것이 바로 미래입니다.

하지만 규칙 기반 논리로 처리할 수 있는 일이라면, 모든 것을 에이전트에 맡기려고 하지 마세요.

네.

그래서 제 생각에는, 이 두 가지 접근 방식—즉, 결정론적 방식과 비결정론적 방식—은 앞으로도 계속 공존할 것이며, 상황에 맞는 적절한 도구를 선택해 사용해야 할 것입니다.

그러니까 제가 한 걸음 물러서서 방금 말씀하신 내용을 종합해 보면, 제가 이해한 바는 AI 가 성장하고 있다는 점입니다. 점점 더 뛰어난 능력을 갖추고 있죠. 네. 하지만 이를 단일한 것으로 생각해서는 안 되며, 단순한 모델부터 더 복잡한 모델, 그리고 잠재적으로 더 독립적이고, 당연히 자율적인 모델에 이르기까지 다양한 스펙트럼이 존재합니다. 그 의미를 혼동시키고 싶지는 않지만, 좀 더 ‘에이전트적’이고 ‘행동 지향적’인 모델들을 말하는 것입니다.

그리고 이 모든 것들은 앞으로도 계속해서 소중한 가치가 있을 것입니다.

네.

그리고 이 조합은 시간이 지남에 따라 변화할 가능성이 높습니다.

그게 그런 식으로 생각할 수 있는 건가요?

물론이죠. 그리고 우리 컴퓨터, 저장 장치, 데이터베이스도 생각해 보면, 모든 것이 그런 식으로 발전해 왔습니다. 예를 들어, 처음에는 모두 모놀리식 메인프레임 OEM 업체들에서 시작했잖아요. 그렇죠?

그리고 나서 우리는 분산 시스템으로 넘어갔습니다. VMware 같은 것들과 여러 가지 주제를 논의하기 시작했고, 이제는 컨테이너에 대해 이야기하고 있습니다. 지금은 서버리스 함수에 대해 이야기하지만, 그 거대한 물리적 서버들은 여전히 존재합니다. 하지만 동시에 0.5기가바이트의 메모리에서 실행되는 단일 코드 조각인 서버리스 함수도 있습니다.

따라서 컴퓨팅 목록에 포함된 이 모든 다양한 기능들은 여전히 그대로 남아 있습니다. 데이터베이스 말입니다. 거대한 모놀리식 데이터베이스들이 많이 있죠? 하지만 시계열 데이터베이스와 같은 소규모 데이터베이스들도 있습니다.

그 외에도 다른 유형의 데이터, 즉 NoSQL 데이터베이스가 있습니다.

따라서 수많은 대규모 언어 모델(LLM)이 존재하는 AI 분야에서도 똑같은 일이 벌어질 것입니다. 그리고 우리는 바로 그 현장에 있습니다. 아시죠? 제가 농담 삼아 하는 말인데요. 솔루션 아키텍트로서 최종 고객으로부터 거꾸로 추론하여 어떤 도구가 필요한지 파악하는 것이 우리 일의 일부라고 할 수 있죠.

여러분의 사용 사례에 딱 맞는 도구입니다. 모든 것을 한데 묶으려고 하지 마세요. 적절한 일에는 적절한 도구를 사용해야 합니다.

좋아요.

그러니 자동차에 대해 이야기해 봐야겠네요. Sonatus, 그리고 저희 팟캐스트는 확실히 차량 기술과 차량 소프트웨어에 관한 내용입니다. 자, 그럼 이야기를 시작해 볼까요? 방금 몇 가지 언급하셨는데, 먼저 오늘날 차량에서 AI 가 어떻게 활용되고 있는지 살펴보고, 그 다음에는 앞으로 어떤 방향으로 발전해 나갈지에 대해 이야기해 봅시다.

네. 그러고 보니, 지난 10년 정도 자동차 업계에서 일하면서 정말 다양한 활용 사례를 접해왔어요. 제 배경은 빅데이터와 사물인터넷(IoT) 분야였거든요. 자동차 분야 외에도 커넥티드 홈 관련 제품들도 많이 다루었죠.

그렇죠? 그래서 커넥티드 모빌리티와 온갖 커넥티드 홈 관련 분야들이 어느 정도 비슷했던 겁니다. 그런 원격 측정 데이터를 많이 수집하게 되거든요. 자동차의 경우, 주로 텔레매틱스 장치에서 데이터를 얻게 됩니다.

그리고 그들은 모든 함대 관리와 그와 유사한 업무들을 담당하고 있었습니다.

그러다 저는 OTA 분야로 업무를 확장하게 되었습니다. 당시 우리 팀에서 “자동차 분야도 텔레메디신 장치나 인포테인먼트 장치뿐만 아니라, 전체적으로 업그레이드가 가능해야 하지 않을까?”라는 논의가 시작되었기 때문이었죠. 자동차 분야 전반을 어떻게 하면 더 업그레이드하기 쉽게 만들 수 있을지에 대한 고민이었습니다. 또한 시간이 지나도 업그레이드가 가능해야 하며, 그에 따른 비용이 감가상각되지 않아야 했습니다.

그리고 바로 그 시점에서 ‘소프트웨어 정의 차량(SDV)’이라는 개념이 등장하기 시작했습니다. 그리고 이는 단순히 무선 업데이트에만 국한된 것이 아니었습니다.

아시다시피, 여러분은 이 분야의 중소기업이자 전문가로 활동해 오셨습니다. 또한 차량 내 아키텍처를 혁신하는 것도 중요한데, 수백 개의 ECU가 설치되어 있다면 관리가 정말, 정말 어렵기 때문입니다. 따라서 ECU를 통합하여 구역 기반 또는 도메인 기반 아키텍처로 전환하고, 이를 통해 소프트웨어 업데이트를 적용하거나 차량에서 대량의 데이터를 수집하여 차세대 사용자 경험을 제공할 수 있는 방법을 모색해야 합니다.

그래서 제 생각에는 AI 의 경우, 앞서 언급했듯이 항상 존재해 왔다고 봅니다. 맞죠? 다양한 형태의 머신러닝은 항상 존재해 왔습니다. 몇 년 전, 저희 파트너사 중 하나인 블랙베리(BlackBerry)와 함께 일했을 때도, 우리는 ‘합성 센서’에 대해서도 논의한 적이 있습니다. 이 경우, 머신러닝 기반이거나 논리 기반일 수 있는 수많은 센서를 배치하는 방식이었습니다.

그리고 여러분은 이 모든 데이터를 수집하고, 클라우드에서 어떤 작업을 수행하기 전에 차량 내에서 노이즈가 섞인 데이터를 처리하고 있습니다. 데이터를 주고받는 데 드는 비용도 종종 감당하기 어려울 정도로 비싸기 때문이죠. 답변이 다소 길어져서 죄송합니다만, 제 생각에는 생성형 AI 과 에이전트를 활용하면 전체 공급망을 연결하고, 커넥티드 모빌리티를 실현할 수 있을 것이라고 봅니다.

또는 데이터 수집 방식과 실제로 클라우드에 전송할 수 있는 고품질 데이터의 양입니다. EE 아키텍처와 소프트웨어 정의 차량(SDV)을 통해 차량 자체에서 수행할 수 있는, 본질적으로 비결정적인 작업의 양이 얼마나 되는지가 결정적인 요소가 될 것입니다.

바로 그 점이 앞서 말씀하신 ‘적절한 일을 수행할 수 있는 적절한 모델을 갖춰야 한다’는 요점과 연결되는 부분입니다.

차량에 1,000억 개의 토큰 모델이 꼭 필요할 필요는 없습니다. 아마 차량에 1,000만 개의 토큰만 있어도 충분할 텐데, 여러분이 하려는 일에는 그 정도면 충분하죠. 그리고 바로 그 부분에서, 여러분이 개발하고 계신 차량 소프트웨어에 중점을 둔 훌륭한 소프트웨어들이 엄청난 가치를 발휘할 것이라고 생각합니다.

네. 정말 감사합니다. 고맙습니다. 그럼 그 얘기를 좀 해볼까요? 제 말은, 아까 처음에 언급했듯이, 사람들은 보통 차량 내 AI 가 단지 자율 주행이나 자동 제동, 혹은 적응형 차선 유지 기능에 국한된다고 생각하는 경향이 있고, 그런 인식이 있는 것 같아요.

그것들은 정말 대단하죠. 저는 그 모든 기술의 열렬한 팬이고, 정말 좋아합니다. 네. 하지만 Sonatus 에서 우리가 시도하고 있는 것은, 놓치고 있는 기회가 있다고 생각하며 이에 대한 인식을 높이기 위해 노력하고 있는 건데, 제 생각에는 훨씬 더 많은 가능성이 있다고 봅니다.

그럼 몇 가지 예를 들어보겠습니다. 저희는 수년 동안 AWS와 협력해 왔습니다. AWS와의 파트너십이 정말 마음에 듭니다.

작년 소비자 가전 전시회(CES)에서, 그러니까 1월 25일이었죠. 네.

저희는 ‘ AI Technician’이라는 신제품을 선보였는데, 이 제품은 AWS를 기반으로 대규모 언어 모델(LLM)을 활용하여 구동되었습니다. 그리고 이번 시연을 통해 대규모 언어 모델과 분석 기술을 활용하여 차량 내 문제를 더 잘 이해할 수 있는 가능성이 있음을 보여주었습니다.

그리고 Sonatus 에서 제공하는 소프트웨어나 데이터 인프라 같은 것들을 활용하여 더 우수하고 세분화된 데이터를 확보하는 거죠. 네.

식별할 수 있도록, 자. 이게 문제인가? 문제가 아닌가? 긴급한 문제인가?

긴급하지 않은 문제인가요? 차량 전체에 걸친 문제인가요? 네. 한 대의 차량에만 국한된 문제인가요?

그래서 이 ‘ AI Technician’ 개념은 엄청난 관심을 불러일으켰습니다. 또한 앞서 언급했던 ‘에이전트적(agentic)’ 접근 방식, 즉 데이터가 단일 출처에서 비롯된 것이 아니라는 점도 활용하고 있습니다. 단순히 고장 코드, DTC(진단 고장 코드)만 살펴보는 것이 아닙니다. 우리는 DTC 코드만 확인하고 이를 RAG나 LM에 입력하는 데 그치지 않습니다.

네. 하지만 오히려—이건 아까 당신이 지적한 바와 같이—우리는 다양한 출처의 데이터를 종합하고 있습니다. 그리고 여러 출처의 데이터를 결합함으로써, 어느 한 출처만으로는 얻을 수 없는 더 나은 답을 도출해내고 있죠. 제 생각에 바로 그 점이 ‘ AI ’가 가진 강점이라고 봅니다.

그건 정말 엄청난 위력을 발휘할 거예요. 저도 동의해요. 우리가 ‘바퀴 달린 데이터 센터’라고 부르잖아요. 그리고 정말 그렇죠. 아까 말씀하신 것처럼 네트워크 토폴로지가 정말 다양하잖아요? CAN도 있고, 이더넷도 있고, 그 외에도 정말 많은 종류가 있잖아요.

그리고 우리가 아주 오랫동안 고심해야 했던 문제는, 이렇게 다양한 유형의 신호들을 어떻게 표준화된 형태로 역직렬화할 것인가 하는 것이었습니다. 그래서 우리는 COVESA의 VSS 사양 작업을 시작했지만, 모든 OEM이 VSS를 사용하는 것은 아니잖아요? 각자 나름의 방식을 가지고 있으니까요. 그렇다면 이제 다양한 네트워크 토폴로지와 여러 종류의 ECU에서 들어오는 이 모든 데이터를 어떻게 표준화하고, 이를 거의 실시간으로 분석하여 개인화된 경험을 제공하거나, 심지어 브레이크 패드가 마모되어 교체가 필요하다는 예측 유지보수 정보를 도출해 대리점에 전송할 수 있을까요?

그러고 나서 대리점에 가보면, 대리점에서는 “아니요, 문제될 게 없어요. 저희가 고쳐 드릴게요.”라고 말하죠. 그렇죠?

이 모든 것이 바로 이러한 종합적인 가치 사슬입니다. 제 생각에는 ‘ AI ’가 이 문제를 해결할 수 있을 것 같습니다. 단순히, 말씀하신 것처럼 화려한 인포테인먼트 시스템 같은 것만은 아니죠. 물론이죠.

예를 들어, 임베디드 기기용 알렉사 SDK가 처음 출시되었을 때 제가 그 작업을 맡았었죠. 그리고 아직도 기억나는데, NXP와 함께 완전히 새로운 방식을 구상해서 고객들에게 어떻게 임베디드할 수 있는지 보여줬었죠. 알렉사, 이런저런 기능들 말이에요. 그래서 우리가 오랫동안 해왔던 이런 인포테인먼트 관련 작업들과 머신러닝(ML)도 꽤 오래전부터 존재해왔지만, 말씀하신 것처럼 오늘날의 사물인터넷( AI )을 통해 할 수 있는 일은 훨씬 더 많습니다. 이것이 바로 다음 단계의 진화이며, 어디에나 퍼져 있으니까요.

그래서 당신이 그렇게 말해 주셔서 정말 기뻐요.

그리고 그 마지막 요점은 오늘 이 자리에 모인 우리가 강조하고자 하는 마지막 내용으로 자연스럽게 이어집니다. Sonatus 에서 ‘ Sonatus ’라는 최신 AI 제품을 출시했다는 소식에 저희는 무척 기쁘게 생각합니다.AI Director입니다. 그리고 방금 전 AI 기술자에 대해 이야기했던 내용을 바탕으로 볼 때, 저희가 인식하고 있는 바는 오늘날 AI 가 일반적으로 ADAS 장치에 집중되어 있거나, 물론 특정 경우에는 IVI 장치의 챗봇을 통해 ‘가장 가까운 스타벅스는 어디인가’, ‘집으로 가는 길에 교통 체증이 있을까?’와 같은 질문을 처리하는 데 쓰인다는 점입니다. 네. 하지만 현실은 이것이 차량 인프라의 극히 일부에 불과하다는 점입니다. 차량 하위 시스템 중에서도 아주 작은 부분에 지나지 않습니다.

그래서 저희는 AI 를 더 많은 차량 하위 시스템에 적용해 다양한 용도로 활용할 수 있는 막대한 미개척 잠재력이 있다는 점을 인식하게 되었습니다. 여기에는 더 나은 진단, 더 효과적인 예방 정비, 최적화, 효율성 향상, 시간 경과에 따른 튜닝 등이 포함됩니다. 그래서 AI 디렉터가 한 일은—AWS는 저희의 런칭 파트너 중 하나이며, 이번 프로젝트를 시작하는 데 도움을 주셔서 정말 기쁩니다—클라우드가 아닌 차량 내부에 AI 를 신속하게 배포할 수 있는 인프라를 어떻게 제공할 수 있는지 보여준 것입니다. 클라우드도 중요합니다. 클라우드는 언제나 중요할 것입니다.

네. 하지만 지연 시간에 민감한 경우든, 클라우드로 전송하기에는 데이터 양이 너무 많은 경우든, 개인정보 보호 문제가 있든, 아니면 지적 재산권 보호 문제가 있든 간에, 로컬에서 처리해야 하는 특정 애플리케이션들이 있습니다. 적절한 경우, 이러한 모델들을 차량에 더 가깝게 가져와 차량의 인프라 내에서 문제를 해결하고, 비용을 절감하며, 효율성을 높일 수 있는 방법은 무엇일까요?

그래서 최근에 이 서비스를 출시하게 되어 정말 기뻤고, 여러분이 함께해 주셔서 너무나 기쁩니다. 이 문제를 오랫동안 지켜보셨는데, 이 문제가 업계에서 실제로 필요한 부분이라고 보시나요?

네. 전적으로 동의해요. 아시다시피, 데이터야말로 여전히 경쟁 우위를 결정하는 요소니까요.

우리가 계속 ‘ AI ’에 대해 이야기하고 있지만, 표현이 좀 거칠어서 죄송합니다만, 적절한 품질의 데이터가 없다면 ‘쓰레기를 넣으면 쓰레기가 나온다’는 말이 현실이 될 겁니다. 그게 제 확고한 믿음입니다. 아시겠죠? 아까 말씀하신 것처럼, 우리는 여전히 높은 데이터 품질과 데이터 거버넌스를 확보하는 데 집착해야 하며, 그 외에도 온갖 종류의 최적화를 계속 추구해야 합니다.

그리고 여러분의 AI — LLM 기반이든 AI, 에이전트 기반이든 AI — 이 사이트가 여러분에게 그 투자 수익률(ROI)을 창출해 줄 것입니다. 단순히 인터넷 데이터로 훈련된 이 LLM을 도입하기만 하면 비즈니스에 기적 같은 효과를 가져다줄 것이라고 생각한다면, 결코 그렇지 않을 것입니다. 제 말은, 그게 현실이라는 뜻입니다.

그리고 바로 그 부분에서, 여러분이 선도적으로 개발하고 계신 많은 솔루션들이 고객들에게 정말 큰 도움이 될 것이라고 생각합니다.

네. 그 점에 대해 감사드립니다. 그리고 저희가 깨달은 점 중 하나는, 이미 이를 확인했고 여전히 그렇지만, 각 분야에 대한 전문 지식이 정말 많다는 것입니다. 배터리, 추진 시스템, 안전, 타이어 등 어떤 분야를 막론하고 방대한 지식과 노하우가 존재합니다.

그런 전문 지식이 이미 존재한다는 점입니다. 하지만 오늘날의 과제는 OEM 업체들이 이러한 모델들을 각각 개별적으로 통합해야 하는데, 이에 따른 통합 비용이 매우 높다는 점입니다. OEM 업체들이 업계 전문가들의 혁신을 활용할 수 있도록, 동시에 그들에게 매우 확장성이 뛰어난 공통 인프라를 어떻게 구축할 수 있을까요? 바로 이것이 우리가 시도하고 있는 일입니다. 그리고 지금까지 이에 대한 반응은 매우, 매우 긍정적이었습니다.

네, 그리고 이건 정말 놀라운 일이에요. 다중 모드 OEM 업체들을 생각해 봐도 그렇죠. 맞아요. 사실 그들은 여전히 내부 데이터이긴 하지만, 많은 지식을 제공하고 있거든요. 하지만 점점 더 다양한 산업 분야에서 이 데이터가 활용되고 있어요. 마치 10년 전쯤 제가 목격했던 것처럼, 많은 고객사들이 ‘데이터 교환’이라는 개념에 실제로 기여하고 있었죠.

즉, 이들은 금융, 의료, 자동차 산업 등에서 유용하게 활용될 수 있는 고품질 데이터인 ‘트레이더’를 보유하고 있으며, 이를 오픈소스 모델이든 상업적 모델이든 상관없이 공유하고 있습니다. 그리고 이 데이터는 다른 다양한 산업 분야에서도 활용될 수 있습니다. 제 생각에는 이 분야에서도 아마 비슷한 일이 일어날 것으로 보입니다. 그리고 그런 일이 발생하면, 대규모 언어 모델(LLM)은 엄청난 위력을 발휘할 것입니다.

그것을 두뇌 삼아 이러한 모범 사례들을 모두 도입하는 거죠. 말씀하신 대로, 전기차 주행 거리 불안은 오늘날에도 여전히 큰 문제입니다.

네.

저는 정말 많은 사람들과, 심지어 OEM 업체들과도 이야기를 나눴는데, 그들 모두 같은 문제를 토로하고 공유하더군요. 예를 들어 전기차 주행 거리 불안 문제가 있는데, 이에 대해 우리가 무엇을 할 수 있을까요? 타이어에서 데이터를 수집하고, 다양한 ECU에서 데이터를 수집한 뒤 이를 통합하여 예측 또는 예방적 유지보수를 수행하고, 심지어 주행 거리 최적화까지 이루어지기 전까지는 이 시스템을 최적화할 수 없습니다.

겉보기에는 더 간단해 보이지만, 사실 그렇지 않습니다. 차량 자체에 엄청난 기능을 탑재하고 있기 때문이죠. 예를 들어, 제 아이가 장거리 운전 중에 넷플릭스를 보고 싶어 할 때가 있잖아요. 그렇죠? 그런데 시스템에서 배터리를 그렇게 많이 소모하면서 여전히 주행 거리가 500마일이 되기를 기대한다면, 그건 불가능한 일입니다. 그렇다면 이 모든 것을 어떻게 최적화할 수 있을까요? 그 해답은 데이터와 그 위에 구축된 머신러닝( AI )에 있으며, 전통적인 모델이든 대규모 언어 모델이든 상관없이 지속적으로 학습하고 모델을 미세 조정하는 것입니다. 그렇죠?

그리고 바로 그게 여러분도 실천할 수 있는 MLOps입니다.

맞아요. 그리고 방금 주행 거리 불안에 대해 언급하셨는데, 그 원인 중 하나도 배터리입니다. 차량 배터리 기술에 대한 이해는 빠르게 발전하고 있습니다.

저희 출시 파트너 중 하나는 배터리 관리 시스템 및 배터리 상태 진단 분야의 선두 기업인 Qnovo입니다. 음. 이 회사가 저희 출시 행사에 동참해 주셔서 기뻤습니다.

이들이 주목하고 있는 점은, 배터리 결함을 탐지하거나 충전 속도를 높이는 등 놀라운 혁신을 이루고 있다는 것입니다. 하지만 이를 위해서는 데이터가 필수적입니다. 모델도 있어야 하고요. 그래서 저희가 그들과 함께 진행 중인 작업 중 하나는, 동일한 인프라를 활용해 해당 모델을 적용할 수 있는 방안을 마련하는 것입니다. 이는 생각지도 못했을 하위 시스템이지만, 동일한 인프라를 활용할 수 있는 것이죠.

맞아요.

그리고 방금 말씀하신 또 다른 점, 제 생각에 정말 중요한 점은, 우리 업계와 기술자로서 우리의 사명은 언제나 미래를 예측하는 것이라는 점입니다. 그리고 때로는 미래를 예측한다는 것이, 미래에는 우리가 알지 못하는 일들이 생길 것이라는 점을 인정하는 것을 의미하기도 합니다.

네.

그렇다면 다음 혁신이 등장했을 때 이를 활용할 수 있도록 어떤 체계를 마련해야 할까요?

이 기능을 활용하실 수 있습니다. 많은 기술, 특히 역사적으로 볼 때 자동차의 경우, ‘자동차니까 달릴 수 있으면 그걸로 충분하다’는 생각으로 설계되는 경우가 너무나 흔했습니다. 하지만 예상치 못한 상황이 발생하면 차량이 구식이 되거나 시장에서 경쟁력이 떨어지거나, 재판매 가치가 하락하게 됩니다. 출고 후에도 주행 거리 최적화, 새로운 서비스, 새로운 안전 기술을 위해 차량의 기능을 지속적으로 확장할 수 있는 역량을 어떻게 구축할 수 있을까요? 이것이 바로 우리가 제공하고자 하는 확장성의 이점 중 하나이며, 업계에서 이에 대한 수요가 매우 크다고 생각합니다.

네, 네, 물론이죠. 그리고 바로 이 부분에서, 아시다시피, 저는 여전히 클라우드의 힘이 정말 중요해질 것이라고 믿고 있어요. 그렇죠?

저는 이러한 프로젝트 중 일부에는 직접 참여하지는 않았지만, 동료들은 클라우드 기반 가상 ECU 같은 작업을 진행했죠. 맞죠? 자동차에 탑재되어 사용되던 NVIDIA 관련 장비들을 클라우드에 가져와, 어떻게 클라우드에서 계속 구동시키면서 이 모든 시뮬레이션을 수행할 수 있는 건가요?

특히 ECU를 통합한 EE 아키텍처로 전환한다면, 차량은 클라우드에 연결된 상태가 됩니다. 그리고 이 모든 것에 대해 종단 간 시뮬레이션을 수행하게 되죠. 결국에는 ‘지금 이 시점에서 무엇이 합리적인가?’를 파악하게 됩니다. 자동차는 그야말로 완전히 다른 존재이기 때문이죠.

이건 스마트 헤드폰 같은 헤드폰과는 다르잖아요. 그렇죠? 아시다시피, 이미 알고 계신 분들께 굳이 설명할 필요는 없겠지만요. 마치 반드시 취해야 할 결정론적인 조치가 필요한 안전 핵심 시스템 같은 거예요.

에어백이 전개되고 있습니다. 즉시 조치를 취해야 합니다. 이 제품은 다른 어떤 커넥티드 제품과도 다릅니다. 이 제품은 시중에서 가장 복잡한 제품입니다.

그래서 제 생각에는, 말씀하신 대로 지속적인 학습의 과정이라고 봅니다. 우리는 클라우드 분야에서 가속화를 꾀하고 엣지 분야에서는 파트너십을 맺게 될 테지만, 이 모든 데이터가 필요합니다. 또한 머신러닝과 OEM 업체들 역시 이 모든 데이터가 필요합니다. 우리는 모든 MLOps가 필요하고, 모든 SDLC 모범 사례도 필요합니다. 이런 것들은 사라지지 않을 것입니다. 단지 도구가 바뀌는 것뿐이죠.

그리고 우리는 상황에 맞는 적절한 도구를 사용해야 합니다.

“정말 완벽한 요약이네요.”라고 당신이 말했죠. 방금 전 차량 에지에 대해 잠시 이야기했지만, 핵심은 사실 앞서 언급한 모든 요소가 필요하다는 점이기 때문이죠. 맞아요. 강력한 클라우드가 필요하고, 강력한 데이터도 필요하죠.

강력한 서비스가 필요합니다. 맞아요. 그리고 차량 내 데이터도 필요하며, 이 둘이 긴밀하게 연동되어야 합니다. 그게 바로 핵심입니다.

그래서 저희가 여러분과 협력하는 거죠. 네.

네.

그래서 여러분이 이곳에 와 주셔서 정말 기쁩니다. 저희도 마찬가지예요. 이 주제에 대해 이야기할 수 있어서 정말 기쁘고, ‘ AI ’에 대해 더 자세히 다룰 수 있어서 무척 설레네요. 앞으로 방송될 에피소드에서 ‘ AI ’에 대해 더 자세히 다룰 예정입니다. 하지만 이 모든 기술에 대해 정말 훌륭한 강의를 해주셔서 진심으로 감사드립니다.

초대해 주셔서 감사합니다. 정말 고마워요, 존. 함께 이야기 나누는 시간이 정말 즐거웠어요.

이번 에피소드가 마음에 드셨다면, ‘좋아요’를 누르고 채널을 구독해 주세요. 앞으로도 비슷한 콘텐츠를 더 많이 만나보실 수 있습니다. 시청해 주셔서 감사드리며, 조만간 다음 에피소드에서 다시 뵙기를 기대합니다.