【드래곤 스포츠】 보증업체놀이터추천홍보 : 프로그램제작판매제작의뢰 : 스포츠분석 : 무료스포츠중계tv : 섹시bj움짤 : 뉴스 : 안구정화

로그인

글쓰기

[IT뉴스][AIF2026] 스트라드비젼 “피지컬 AI 경쟁력, 데이터가 만든다”

온카뱅크관리자

2026-09-17 16:07:25

<div id="layerTranslateNotice" style="display:none;"></div> 500만대 양산 경험 바탕으로 데이터 경쟁력 강조 부족한 주행 상황은 AI·시뮬레이션으로 보완 자율주행에서 쌓은 데이터 기술, 피지컬 AI로 확대 
 <div class="article_view" data-translation-body="true" data-tiara-layer="article_body" data-tiara-action-name="본문이미지확대_클릭"> 
 <section dmcf-sid="Y4iUN1yOdt">
 <figure class="figure_frm origin_fig" contents-hash="557bcf803c5e6f5515bc7681a0a7c4743cd2081870d108d93478baccaf59e349" data-idxno="239838" data-type="photo" dmcf-pid="G8nujtWIL1" dmcf-ptype="figure">
 <img alt="김인수 스트라드비젼 데이터센터장이 17일 열린 제12회 인공지능 국제포럼에서 피지컬 AI 기술에서 데이터의 중요성에 대해 설명하고 있다. / 사진=시사저널e" class="thumb_g_article" data-org-src="https://t1.daumcdn.net/news/202609/17/552777-a6ToU27/20260917155801247lqmv.jpg" data-org-width="960" dmcf-mid="yWOxvfztJ3" dmcf-mtype="image" height="auto" src="https://img1.daumcdn.net/thumb/R658x0.q70/?fname=https://t1.daumcdn.net/news/202609/17/552777-a6ToU27/20260917155801247lqmv.jpg" width="658">
 <figcaption class="txt_caption default_figure">
 김인수 스트라드비젼 데이터센터장이 17일 열린 제12회 인공지능 국제포럼에서 피지컬 AI 기술에서 데이터의 중요성에 대해 설명하고 있다. / 사진=시사저널e
 </figcaption>
 </figure>
 [시사저널e=박성수 기자] 현실에서 직접 움직이는 '피지컬 AI' 경쟁에서 모델 자체의 성능뿐 아니라 데이터를 얼마나 빠르게 확보하고 다시 학습으로 연결하느냐가 중요하다는 진단이 나왔다.
 날씨와 조도, 도로 환경 등 현실 세계에는 개발 단계에서 예상하지 못한 변수가 끊임없이 발생한다. 모든 상황을 사전에 데이터로 확보하기 어려운 만큼 평가를 통해 AI의 취약점을 찾아내고 필요한 데이터를 다시 수집·생성하는 선순환 구조가 필요하다는 설명이다.
 김인수 스트라드비젼 데이터 이노베이션 센터장은 17일 시사저널e 주최로 서울 용산구 그랜드하얏트 서울에서 열린 제12회 인공지능 국제포럼(AIF 2026)에서 '피지컬 AI가 마주한 현실의 혼돈과 데이터 플라이휠의 해법'을 주제로 발표했다.
 김 센터장은 "현실의 모든 상황을 우리가 다 준비할 수 있을까"라며 "그 상황들을 데이터로 만들고 모두 준비해 우리가 원하는 AI 솔루션을 만들 수 있을까라는 질문부터 시작할 수 있을 것 같다"고 말했다.
 스트라드비젼은 차량용 비전 AI를 개발해 양산 차량에 적용하고 있다. 카메라로 입력된 영상을 AI가 인지해 차량의 판단과 제어를 지원하는 방식이다. 대표 솔루션 'SVNet'은 전 세계 약 500만대 차량에 양산 적용됐으며 50종 이상 차종과 30종 이상 시스템온칩(SoC)을 지원한다.
 <div contents-hash="d614760242427ec305f127edf8c7d2b8a226f843c05c682d93cc43b2ceba51eb" dmcf-pid="tRjKwu5TRY" dmcf-ptype="general">
 김 센터장이 강조한 것은 이 같은 양산 경험을 뒷받침하는 데이터다. 테스트 환경에서 안전성을 검증하더라도 실제 도로에서 마주할 모든 상황을 미리 재현할 수는 없기 때문이다.
 </div>
 <figure class="figure_frm origin_fig" contents-hash="5e8232433b7fc991432ed8f201a309e58cdd264823c1927e90a33ca65f6f7ae3" data-idxno="239839" data-type="photo" dmcf-pid="FeA9r71ydW" dmcf-ptype="figure">
 <img alt="스트라드비젼이 개발한 자율주행 솔루션은 누적 500만대·50종 차종에 적용됐다. / 사진=김인수 스트라드비젼 센터장 발표자료" class="thumb_g_article" data-org-src="https://t1.daumcdn.net/news/202609/17/552777-a6ToU27/20260917155802525viuk.png" data-org-width="960" dmcf-mid="WmmPl2u5MF" dmcf-mtype="image" height="auto" src="https://img4.daumcdn.net/thumb/R658x0.q70/?fname=https://t1.daumcdn.net/news/202609/17/552777-a6ToU27/20260917155802525viuk.png" width="658">
 <figcaption class="txt_caption default_figure">
 스트라드비젼이 개발한 자율주행 솔루션은 누적 500만대·50종 차종에 적용됐다. / 사진=김인수 스트라드비젼 센터장 발표자료
 </figcaption>
 </figure>
 ◇ 시간당 690GB 쌓이는 데이터···"평가가 다음 데이터의 출발점"
 차량의 센서와 자율주행 기능이 고도화될수록 처리해야 할 데이터 규모도 커진다. 김 센터장에 따르면 자율주행을 위한 멀티비전 솔루션 개발 과정에서 취득되는 데이터는 시간당 약 690GB에 달한다. 그는 이를 "넷플릭스 4K 비디오 약 50개에 해당하는 물량"이라고 설명했다.
 데이터가 많다고 문제가 해결되는 것은 아니다. 데이터를 실제 학습에 사용하기 위해서는 선별과 가공, 라벨링, 검수 등이 필요하고 그만큼 사람의 작업도 늘어난다. 특정 지역에서만 나타나거나 발생 가능성이 낮은 상황은 아무리 주행량을 늘려도 충분히 확보하기 어렵다.
 스트라드비젼이 이를 해결하기 위해 구축한 것이 '데이터 플라이휠'이다. 데이터를 수집한 뒤 가공·라벨링하고 AI 모델을 학습한다. 이후 모델을 평가하고 여기서 발견한 문제를 다시 데이터 수집 단계로 피드백해 필요한 데이터를 확보하는 구조다.
 김 센터장은 "평가 이후에 유의미한 이슈들을 분석하고 이런 이슈들을 통해 다음번 데이터 수집에 피드백이 가야 한다"며 "유의미한 데이터를 선별하고 취득 계획을 세워 정말 필요한 AI 모델을 개발할 수 있다"고 설명했다.
 이어 그는 "평가가 끝이 아니다. 바로 다음 데이터의 출발점"이라고 강조했다. 기존에 확보한 데이터에서 놓친 장면을 다시 찾아내거나 실제로 부족한 데이터를 새롭게 취득하면서 모델의 약점을 보완한다는 것이다.
 데이터 가공 과정에서는 AI를 적극 활용한다. AI가 방대한 주행 기록에서 필요한 주행 상황을 선별하고 '오토 라벨링'을 통해 학습용 데이터를 만드는 방식이다.
 김 센터장은 "현재 사람이 손을 대지 않아도 되는 구간은 90%에 가깝다"며 "나머지 10%는 여전히 사람이 손을 대야 한다"고 말했다. 안전과 직결되는 자율주행 솔루션 특성상 AI가 자동으로 처리한 데이터라도 문제가 있는 부분은 사람이 직접 확인하고 수정한다는 설명이다.
 대규모 데이터를 처리하기 위해서는 클라우드도 활용한다. 고객사에서 데이터가 한꺼번에 유입될 경우 자체 데이터센터만으로 처리하기 어려운 만큼 데이터 위치와 필요한 자원의 종류 등을 고려해 자체 인프라와 클라우드를 병행하는 방식이다.
 ◇ 소프트웨어 업데이트마다 2만시간 평가···희귀 데이터는 만들어 쓴다
 데이터를 많이 처리할 수 있게 된 이후에는 '어떤 데이터를 더 학습해야 하는가'가 중요해진다.
 스트라드비젼은 전체적인 인식 정확도만 보는 것이 아니라 날씨와 주·야간, 도심·고속도로 등 주행 조건별로 데이터를 나눠 평가한다. 이를 통해 AI 모델이 어떤 상황에서 상대적으로 취약한지 파악한 뒤 필요한 데이터를 선별한다.
 취약 조건을 판단할 때도 모델이 약한 상황인지, 실제 주행 환경에서 만날 가능성이 있는지, 기존 데이터가 부족해서 발생한 문제인지 등을 함께 살펴본다. 필요하지 않은 데이터까지 무작정 늘리는 데 따른 비용과 작업 부담을 줄이기 위해서다.
 평가 규모 역시 상당하다. 김 센터장은 스트라드비젼의 MTBF(Mean Time Between Failures·평균고장간격) 성능 검증 기준과 관련해 "매번 소프트웨어를 릴리즈할 때마다 2만시간 정도를 평가해 성능을 검증한다"고 설명했다.
 사람이 이처럼 방대한 데이터를 일일이 확인하기 어려운 만큼 평가 과정에도 AI를 활용한다. AI가 문제가 발생한 주행 상황을 자동으로 찾아내고 원인을 분석한 뒤 해당 문제를 다시 데이터 플라이휠의 입력으로 전달하는 방식이다.
 다만 평가를 통해 필요한 데이터를 찾아내더라도 실제 도로에서 이를 확보하기 어려운 경우가 있다. 인도 도로의 동물과 같이 특정 지역에서 자주 나타나는 상황이나 보행자가 갑자기 나타나는 상황처럼 의도적으로 재현하기 위험한 데이터가 대표적이다.
 스트라드비젼은 이 같은 빈틈을 생성형 AI를 이용한 합성데이터로 보완한다. 실제 주행 영상에 소나 낙타 등 필요한 객체를 추가하거나 날씨와 환경을 바꿔 현실에서 확보하지 못한 상황을 학습 데이터로 만드는 방식이다.
 합성데이터의 비중도 확대할 계획이다. 김 센터장은 "현재 스트라드비젼에서 사용하는 데이터 분포를 보면 약 5%가 합성데이터"라며 "2027년에는 약 30%까지 확대될 것으로 예상하고 있다"고 밝혔다.
 다만 합성데이터와 실제 데이터 사이에는 차이가 있는 만큼 무조건 비중을 늘리는 것이 아니라 평가를 거쳐 유효성을 검증해야 한다고 강조했다.
 정적인 이미지 합성으로 해결하기 어려운 문제는 시뮬레이션을 활용한다. 가상의 환경을 만들어 보행자와 차량의 움직임, 조명 등을 바꾸면 실제 도로에서는 안전 문제로 반복하기 어려운 상황도 다양한 조건에서 재현할 수 있다. 김 센터장은 "시뮬레이션 데이터를 써야 하는 이유는 우리가 안전하게 반복하기 어려운 상황을 구성할 수 있기 때문"이라고 설명했다.
 스트라드비젼이 제시한 데이터 전략은 실제 데이터와 합성데이터를 함께 플라이휠 안에서 순환시키는 데 있다. 실제 데이터를 수집·가공해 AI를 학습하고 평가를 통해 취약점을 찾은 뒤 부족한 데이터는 다시 수집하거나 합성·시뮬레이션으로 만들어 학습에 투입한다.
 김 센터장은 앞으로 자율주행 수준이 높아질수록 이에 맞는 데이터 플라이휠과 데이터 전략을 사전에 구축하고 자동화해야 향후 발생할 비용과 문제를 줄일 수 있다고 강조했다. 그는 "이러한 솔루션은 비단 자율주행 도메인에만 해당되지 않는다"며 피지컬 AI 영역에서도 같은 데이터 문제가 발생할 수 있다고 설명했다.
 현실에서 동작하는 AI가 예상하지 못한 상황을 지속적으로 마주하는 만큼, 이를 다시 데이터로 만들어 학습에 반영하는 구조가 필요하다는 것이다. 스트라드비젼은 자율주행에서 축적한 데이터 수집·가공·평가와 합성데이터 활용 경험을 다른 피지컬 AI 영역으로 확대해 나간다는 계획이다.
 </section> 
 </div> 
 Copyright © 시사저널e 무단전재 및 재배포 금지

댓글 총 0개

이번주 포인트랭킹

매주 일요일 밤 0시에 랭킹을 초기화합니다.

14,000상품권
23,000상품권
32,000상품권

업체홍보/구인 더보기

지식/노하우 더보기

판매의뢰 더보기

포토 더보기