AIㆍML / 클라우드

블로그 | 클라우드 기반 생성형 AI 시스템의 성능이 나쁜 이유

David Linthicum | InfoWorld 2024.01.31
생성형 AI 시스템은 항상 느리지 않으냐는 질문을 받은 적이 있다. 물론 필자는 "무엇과 비교했을 때 느리냐?”고 되묻는다. 대답은 재밌다. "생각했던 것보다 느리다”는 것이다. 그리고 이런 식으로 질문은 꼬리에 꼬리를 문다.
 
ⓒ Getty Images Bank

생성형 AI 개발 및 배포 시 성능은 종종 뒷전으로 밀려난다. 클라우드에 생성형 AI 시스템을 배포하는 경우, 심지어 클라우드가 아니더라도, 대부분 생성형 AI 시스템의 성능이 어느 정도여야 하는지 아직 파악하지 못했고, 성능을 결정하기 위한 조치를 취하지도 않았으며, 나중에 배포 후 성능에 대해 불만을 토로한다. 또는 사용자가 불만을 제기하면 생성형 AI 설계자와 개발자가 필자에게 불만을 제기하는 경우가 더 많다.
 

생성형 AI 성능의 과제

생성형 AI 시스템은 본질적으로 복잡하고 분산된 데이터 지향 시스템으로 구축, 배포, 운영이 까다롭다. 이런 시스템은 움직이는 부품이 모두 다르다. 학습 데이터의 소스 데이터베이스부터 출력 데이터, 클라우드 서비스 업체에 있는 핵심 추론 엔진에 이르기까지 대부분 부품이 모든 곳에 분산되어 있다. 대표적인 과제는 다음과 같다.

복잡한 배포 환경. 생성형 AI 시스템은 다양한 구성 요소로 이루어져 있는 경우가 많다. 여기에는 데이터 수집 서비스, 스토리지, 컴퓨팅, 네트워킹 등이 포함된다. 이들 구성 요소가 시너지 효과를 내도록 설계하면 종종 지나치게 복잡해지며, 성능이 가장 낮은 구성 요소에 의해 전체 성능이 결정되는 문제가 생긴다. 필자는 성능이 떨어지는 네트워크와 포화 상태의 데이터베이스를 많이 봤는데, 이들은 생성형 AI와 직접적인 관련이 없지만, 그럼에도 불구하고 성능 문제를 일으킬 수 있다.

AI 모델 튜닝. 성능은 인프라의 역할만이 아니다. AI 모델을 튜닝하고 최적화해야 하며, 이를 위해서는 소수의 전문가만 가지고 있는 심도 있는 기술 전문 지식이 필요하다. 솔루션 업체는 성능 튜닝의 베스트 프랙티스를 더 잘 구축할 수 있었을 것이다. 많은 기업이 AI 모델을 튜닝하다 상황을 악화시키거나 잘못된 결과를 초래하는 문제를 일으킬 수 있다고 우려한다. 이는 무시할 수 없는 문제이며, 클라우드에서 작업 중인 생성형 AI 시스템의 유형에 따라 생성형 AI 서비스 업체와 협력해 해결해야 한다.

보안 문제. 특히 멀티테넌시가 일반적인 클라우드 환경에서는 무단 액세스 및 침해로부터 AI 모델과 해당 데이터를 보호하는 것은 두말할 나위가 없다. 성능 문제가 너무 많으면 보안 위험이 커진다.

많은 경우 암호화와 같은 보안 메커니즘으로 인해 성능 문제가 발생하며, 데이터가 증가하면 상황은 더 나빠진다. 이때는 아키텍처와 테스트가 좋은 동료가 된다. 보안이 생성형 AI 성능에 미치는 영향을 이해하는 데 시간을 할애하기 바란다.

규정 준수. 보안과 관련된 것은 데이터 거버넌스 및 규정 준수 표준을 준수하는 것이다. 이런 규정은 성능 관리의 복잡성을 가중시킬 수 있다. 보안과 마찬가지로 이런 요건을 충족하는 방법을 찾아야 한다. 대부분의 경우, 필요한 규정 준수를 제공하는 적절한 매체를 찾을 수 있다. 성능 최적화와 마찬가지로 약간의 시행착오가 필요할 뿐이다.
 

생성형 AI 베스트 프랙티스

여기서 소개하는 베스트 프랙티스는 전체론적이라는 점을 잊지 말기 바란다. 각각 다른 구성 요소와 플랫폼을 고려해야 하는 특정 유형의 생성형 AI 시스템을 고려하지 않았다. 특정 사용례에 대해 이런 방법론이 어떻게 수행되는지 해당 생성형 AI 서비스 업체에 확인해야 한다. 

클라우드 서비스 업체가 제공하는 확장 및 리소스 최적화, 즉 자동 확장을 위한 자동화를 구현한다. 여기에는 AI 모델 운영을 위한 MLOps 기법 및 접근 방식을 사용하는 것이 포함된다.

인프라 관리를 추상화하는 서버리스 컴퓨팅을 활용한다. 서버리스 컴퓨팅은 생성형 AI에 필요한 리소스를 할당할 필요없이 자동으로 수행된다. 비용을 지불해야 하는 리소스를 할당하는 자동화 프로세스에 통제권을 넘기는 것이 마음에 걸릴 수는 있지만, 신경 써야 할 다른 모든 사항을 고려할 때 걱정할 일이 하나 줄어든다.

정기적인 부하 테스트 및 성능 평가를 수행한다. 생성형 AI 시스템이 최대 수요를 처리할 수 있는지 확인한다. 대부분은 이 단계를 건너뛰고 곡선의 정점에서 부하가 얼마나 될지 추측한다. "서비스 중단"이라고 말할 자신이 있는가?

지속적인 학습 접근 방식을 사용한다. AI 모델은 새로운 데이터로 정기적으로 업데이트하고 성능과 관련성을 유지하기 위해 개선해야 한다.

클라우드 서비스 업체의 전문 지식과 지원을 활용한다. 또한 특정 기술 스택을 지원하는 온라인 커뮤니티도 모니터링하자. 시간당 700달러의 컨설턴트가 제공하지 못하는 답변을 많이 찾을 수 있을 것이다.

필자의 생각에는 생성형 AI 성능은 점점 더 주목받는 분야가 될 같다. 폭발적으로 성장하는 생성형 AI에 투여되는 자원과 자금의 규모를 고려하면, 당연히 그래야 할 것이다.
editor@itworld.co.kr
Sponsored

회사명 : 한국IDG | 제호: ITWorld | 주소 : 서울시 중구 세종대로 23, 4층 우)04512
| 등록번호 : 서울 아00743 등록발행일자 : 2009년 01월 19일

발행인 : 박형미 | 편집인 : 박재곤 | 청소년보호책임자 : 한정규
| 사업자 등록번호 : 214-87-22467 Tel : 02-558-6950

Copyright © 2024 International Data Group. All rights reserved.