Amazon SageMaker AI와 AWS IoT Greengrass를 활용한 Physical AI 학습 파이프라인 구축하기

구조와 흐름

• VLA fine-tuning과 RL 학습을 공통 S3·CDK·시뮬레이션 워크스테이션 위에서 연결한 Physical AI 파이프라인
• SageMaker Pipelines 기반 데이터 변환·학습·스모크 평가·조건 게이트·Model Registry 등록 흐름
• Isaac Lab 폐루프 평가 통과 모델의 IoT Greengrass 엣지 배포와 TensorRT 추론 최적화

선택 이유

• 단발성 VLA fine-tuning에는 작업 종료 후 인스턴스를 반납하는 SageMaker Training Job·Pipelines
• 수일~수주 반복 RL 실험에는 공유 스토리지와 노드 복원력을 제공하는 SageMaker HyperPod
• RTX 렌더링 요구가 있는 시뮬레이션은 L40S 기반 EC2 G6e, 학습 GPU와 분리

성능/운영 포인트

• Isaac Lab의 GPU 병렬 시뮬레이션과 domain randomization 기반 Sim-to-Real 격차 완화
• HyperPod의 컴퓨트 노드 0대 시작, FSx for Lustre와 S3 자동 동기화 기반 상시 비용 절감
• TensorRT 적용 시 GR00T N1.6 DiT action head 추론 지연의 L40S 126ms→60ms, Thor 156.3ms→124.4ms

주의할 점

• S3 Files 체크포인트 로드는 반복 접근과 대역폭 제약 시 로컬 복사 대비 지연 가능성
• HyperPod Slurm의 노드 수 수동 조절 필요성과 다중 팀 환경에서 EKS task governance 고려
• 엣지 배포 모델은 Closed-loop 성공률 기준과 최소 권한 IAM·IoT 정책 게이트 필요