AV 3.0과 데이터 플라이휠: 자율주행의 승부처가 모델에서 데이터 파이프라인의 회전 속도로 옮겨 가는 이유 (1부)

구조와 흐름

• 차량 데이터 수집·처리·큐레이션·검색·증강·장면 재구성·학습·SiL 검증으로 구성된 8단계 파이프라인
• 검증 실패 사례를 다음 데이터 선택·수집·재학습에 반영하는 안쪽 루프와 차량 배포·재수집의 바깥 루프
• VLA 기반 주행 판단 모델, 월드 모델 기반 합성 데이터·시뮬레이션, 차량용 소형 모델 배포의 역할 분리

선택 이유

• 실제 주행만으로 확보하기 어려운 롱테일 상황의 학습·검증 데이터 보완
• 모델 성능 경쟁에서 자사 데이터 재학습·폐루프 검증의 반복 속도 경쟁으로의 전환
• 데이터센터 대형 교사 모델과 차량 탑재 모델의 전력·메모리·지연 시간 제약 분리

성능/운영 포인트

• 데이터 선별부터 재학습·폐루프 평가까지의 사이클 시간·비용, 롱테일 적중률, 폐루프 성능 변화 측정
• S3 공통 저장소, Batch 병렬 처리, HyperPod 기반 GPU 클러스터, OpenSearch·EKS 검색 경로의 단계별 조합
• SageMaker Pipelines DAG를 통한 분기·합류 표현과 입출력 리니지 기록

주의할 점

• 추론 텍스트의 실제 판단 과정 충실성 한계와 폐루프 평가 병행 필요성
• 합성 데이터·시뮬레이션의 실제 도로 특성 반영 여부 검증
• 서비스별 리전 지원, 계정별 요금·쿼터, 데이터 반입 시설 이용 조건 사전 확인