AI
AWS 환경에서 Physical AI 모델 구축하기 – (1) 데이터
두줄요약
Physical AI는 모델보다 데이터가 성능을 좌우하며, 실제·합성·인간 영상 데이터를 조합하는 전략이 중요했습니다. AWS는 수집부터 큐레이션, 학습 연결까지의 데이터 파이프라인을 서비스 조합으로 설계하는 방식을 제시했습니다.
핵심 내용
- Physical AI는 텍스트 생성형 AI와 달리 물리 세계의 인식·추론·행동을 다루며, 성능 상한은 모델보다 데이터의 문맥성과 수집·학습 레시피에 의해 좌우됨
- 데이터는 실제 로봇 데이터, 합성 데이터, 인터넷/인간 영상으로 나뉘며, 품질·정합성·확장성 사이의 트레이드오프를 조합해 사용해야 함
- AWS는 엣지 수집, 실시간 스트리밍, 대용량 반입, 데이터 레이크, 큐레이션·증강, 학습 연결까지의 데이터 파이프라인을 서비스 조합으로 설계하는 방식을 제안함
적용해볼 점
- Embodiment와 제어 주기, 데이터 스키마, 수집 모달리티를 먼저 확정해 데이터와 모델 선택 범위를 좁힐 필요가 있음
- 엣지에서 타임스탬프 정렬과 버퍼링을 처리하고, 영상과 텔레메트리를 경로별로 분리해 전송 병목을 줄일 수 있음
- 큐레이션·라벨링·증강을 순환 구조로 묶고, I/O 패턴에 맞는 스토리지를 선택해 학습 효율을 높일 수 있음