자율주행차 출시 경쟁에서 앞서 나가기 위해 자동차 제조사들은 딥 러닝 분야 개발에 박차를 가하고 있습니다. 그 과정에서 자동차 제조사들은 워크플로우 및 인프라 문제를 탐색하고 해결해 나가면서 자사의 연구 결과를 실제 애플리케이션으로 전환해가고 있지요.
그러나 자동차 제조사들이 직면한 과제는 비단 자율주행 분야에만 국한되지는 않습니다.
자동차 시장의 문제 해결 경험을 바탕으로, 딥 러닝을 자사의 비즈니스에 통합하려는 모든 산업 분야의 기업들에게 도움이 될 만한 5 가지 참고 사항을 소개합니다.
- 새로운 기술 받아들이기
지금은 GPU 기반의 딥 러닝으로 구동되는 인공지능(AI) 컴퓨팅이라는 새로운 시대의 초기 단계입니다. 모든 새로운 것은 두려움과 주의의 대상으로 간주되곤 하지만 초기에 변화를 수용하는 사람들은 그에 상응하는 이점을 누릴 수 있습니다.
얼마 전까지만 해도 자율주행차는 SF 소설에서나 나올법한 소재였는데요. 지금은 로보카(Robocar)와 같은 자율주행 경주용 차량이 트랙을 달리고 있습니다. 또한 자율주행 트럭은 장거리화물 운송에 혁신적인 변화를 만들 수 있습니다. 뿐만 아니라, 자동차에는 각종 스마트 기능들이 탑재되어 교통 정체 구간을 확인하고 운전자의 안전을 지원하기도 하지요.
자동차 제조사들은 기존 기술에만 고착되지 않고, 빠르게 최신 기술을 채택했습니다. 특히 AI를 빠르게 채택한 기업들은 시장의 선두주자로서 많은 혜택을 입을 수 있지요.
이제 기업들은 전력을 다해 AI로 얻을 수 있는 혜택의 기회를 활용해야 합니다.
- 양질의 데이터를 최대한 확보하기
딥 러닝 시스템의 성공 여부는 얼마나 정확한 결과를 도출할 수 있는지에 따라 결정됩니다. 이를 위해서는 엄청난 양의 트레이닝을 위한 데이터가 필요한데요. 복잡한 뉴럴 네트워크는 과거의 데이터 경험을 그대로 간직한 채 방대한 데이터 세트로부터 학습할 수 있도록 개발되어야 합니다.
엔비디아의 딥 러닝 솔루션 아키텍트인 Adam Grzywaczewski이 설명하는 자율주행 차량 개발자들이 안전 필수 시스템이 요구하는 수준을 달성하는 방식에 따르면, 뉴럴 네트워크는 날씨 등 외부 환경의 변화에 이르는 모든 가능한 변수를 포함하는 데이터 세트에 대한 트레이닝을 받아야 합니다. 또한 이러한 데이터 세트에는 고품질의 레이블이 지정된 데이터가 포함되어 있어야 합니다.
데이터 수집을 축소하는 것은 결코 현명한 방법이 아닙니다. 기업이 필요로 하는 데이터의 종류와 수량을 파악하기 위해서는 명확한 워크플로우를 구현하는 것이 중요합니다.
- 훌륭한 인재들을 고용하고 유치하기
딥 러닝에 숙련된 개발자를 찾는 것이 점점 더 어려워지고 있는데요. 하지만 이보다 더 중요한 것은 적절한 팀을 구성해서 장기적으로 성공적인 AI 전략을 세우는 것입니다.
자동차 제조사들은 이러한 현상을 이해하고 인재를 고용하고 계발하는 데 투자해왔습니다. 균형이 잘 맞고, 숙련된 능력 있는 인재가 있는 팀 구성을 위해 투자하면 다른 기업들과 차별성을 지니며, 더 많은 우수 직원들을 모집할 수 있습니다.
포브스(Forbes) 매거진에 따르면, 몇몇 대기업들은 재능 있는 인재들을 유치하기 위해 깜짝 놀랄 만한 연봉을 제시하기도 합니다.
기업에서 고용한 재능 있는 인재를 계속해서 보유하려면, 그들이 성장과 발전을 할 수 있는 적절한 공간과 최상의 업무 수행에 필요한 도구를 제공해야 합니다. 기업의 연구진은 시스템을 구축하는 동시에 수천 건의 실습 교육을 수행해야 합니다. 일부 작업은 디버깅을 비롯한 작은 일을 처리하기 위해 소규모의 데이터 세트에서 실행됩니다. 가령, 폭스바겐(Volkswagen)은 혁신적인 자동차 솔루션을 개발하는 스타트업과 재능 있는 인재들을 지원하기 위해 Data : Lab 이니셔티브를 개설했습니다.
- 최신 딥 러닝 개발 플랫폼 활용하기
딥 러닝 알고리즘과 프레임워크는 전례 없는 속도로 발전하고 있는데요. 지난 6 개월 동안, 텐서플로우(TensorFlow) 프레임워크는 6가지 다른 버전(버전 0.12에서 1.4까지)으로까지 발전했습니다.
최신 딥 러닝 플랫폼을 사용하면 항상 최신 버전을 유지할 수 있고, 기술을 과도하게 사용하는 오버 엔지니어링(over-engineering) 및 기존의 제품을 완전히 새롭게 고치는 리엔지니어링(re-engineering) 대신 문제 해결에 역량을 집중할 수도 있습니다.
볼보(Volvo), 폭스바겐, ZF, 오토리브(Autoliv) 및 헬라(HELLA)와 같은 자동차 대기업들을 포함한 전 세계 145개 자동차 스타트업들이 엔비디아의 AI 플랫폼을 사용하고 있습니다. 엔비디아의 AI 플랫폼은 데이터 센터에서 뉴럴 네트워크를 트레이닝하는 엔비디아 DGX 시스템(NVIDIA DGX systems)과, 엔비디아 드라이브 PX(NVIDIA DRIVE PX)를 통해 차량에서 실시간으로 대기 시간이 짧게 걸리는 추론을 제공하여 차량이 안전하게 운행 될 수 있도록 클라우드 투 카(Cloud-to-car) 솔루션을 제공합니다.
엔비디아 DGX 시스템은 GPU로 최적화된 딥 러닝 프레임워크, 툴, 그리고 라이브러리와 완벽하게 통합됩니다. DGX 시스템은 엔비디아 GPU 클라우드(NVIDIA GPU Cloud)와 더불어 연구, 확장 및 협업을 빠르고 쉽게 처리할 수 있도록 지원합니다. 또한 엔비디아는 정기적인 업데이트와 엔터프라이즈 레벨의 지원을 제공합니다.
- 성공을 위해 필요한 유연성 및 안정성
매우 역동적인 환경의 딥 러닝 생태계 중심에 있는 개발자를 위해 안정적인 플랫폼을 만드는 것은 중요합니다. 엔드 투 엔드 제작 파이프라인을 개발하면 프로젝트의 목표를 주지하며 혁신을 도모할 수 있습니다.
기준이 되는 성능 모델과 유용한 측정 기준을 설정하면, 프로젝트 성능에 대한 인사이트를 제공받으며 모델 간의 비교를 쉽게 해낼 수 있는데요. 이러한 측정 기준을 정기적으로 테스트하면 진행 상황을 보다 쉽게 파악하고, 개선해야 할 사항을 확인할 수 있습니다.
독립적인 AI 알고리즘을 찾는 것은 매우 어렵습니다. AI 알고리즘이 제품에 내장될 때, 여러 가지 비기능적인 요구사항을 충족시켜야 하는데요. 시스템이 전력 소비, 대기 시간, 메모리 또는 다른 비기능적인 요구 사항들에 제약을 받는지의 여부와 무관하게 해당 사항들을 숙지하고, 대응할 수 있어야 합니다.
Grzywaczewski의 엔비디아 딥 러닝 솔루션 아키텍트의 블로그에서는 측정 기준을 구축해야 할 필요성과, 측정 기준이 자율주행차 개발규모 계획에 도움을 줄 수 있는 방법에 대해 자세히 설명합니다. 그가 블로그에서 다루는 핵심 주제는 기업들이 당면하고 있는 복잡한 과제에는 여러 가지 솔루션이 필요하다는 것입니다.
더 알아보기
엔비디아 GPU 클라우드, DGX-1, 그리고 딥 러닝이 비즈니스에 어떻게 도움이 되는지 궁금하다면 여기에서 자세히 알아보세요.