BLOG
요즘에는 신용 카드와 스마트 폰만 있으면 거의 모든 제품들을 바로 집 앞까지 배송시킬 수 있습니다. 그러나 자동차 산업에 있어선 디지털 시대로 변화되는 모습을 찾아보기가 힘듭니다. 자동차를 구매하는 일은 사전에 유심히 살펴봐야 할 점들이 많기 때문에 꽤 까다롭다고 볼 수 있습니다. 구매 경험에 있어서의 이런 골칫거리들을 건너뛸 수 있다면 다른 상품들처럼 자동차도 내 집으로 바로 불러들이길 원할 것입니다.
멕시코 최초로 유니콘 기업이 된 중고차 거래 플랫폼으로 미래 자동차 판매 기술을 선두하고 있는 스타트업 ‘Kavak’의 데이터 과학 부사장 Anders Christiansen씨는 다음과 같이 회사를 소개합니다. “Kavak을 사용하면 집에서 모든 것을 할 수 있습니다. Kavak은 산업 데이터를 기반으로 아주 쉽게 자동차를 평가하고 비용을 지불하고 필요한 서류를 관리할 수 있습니다. 저희는 여러분의 집에 찾아가 구매하고자 하는 차를 검사하고 제공합니다. 또한 고객의 필요에 따라 모델을 추천 할뿐만 아니라 새로운 휠 세트가 끝이 뾰족한 모양이고 수리되었는지 등 자세한 검사를 받을 수 있습니다.
Anders Christiansen, 데이터 과학 부사장
4 년이라는 짧은 기간동안 Kavak은 서비스의 범위를 폭 넓게 확장했고, 현재 ‘Kavak Capital’이라는 신규 프로그램을 통해 구매자들에게 금융 솔루션을 제공하기도 합니다. 이 회사는 데이터 운영을 효과적으로 관리하고 확장하면서 어떻게 그렇게 빨리 유니콘 기업이 될 수 있었을까요? Christiansen에 따르면 모든 것은 프로세스 최적화로 귀결됩니다. 서버 우선 순위가 낮은 인프라를 활용하는 머신 러닝은 팀이 이를 과학으로 귀결시키는 데 많은 도움을 주었습니다.
“우리는 가격 책정, 추천, 신용 점수 및 프로세스 자동화를 포함하여 비즈니스의 많은 부분에서 기계 학습을 사용합니다. 예를 들어 한 모델은 자동차의 나이, 주행 거리, 브랜드 및 기타 요소를 고려하여 각 자동차 부품을 교체해야 할 확률을 추정합니다. 그런 다음 이 정보를 사용하여 Kavak이 자동차를 구매하기 전에 검사하는 자동차 부품의 우선 순위를 지정하고, 해당 프로세스의 시간을 70 % 이상 단축합니다. “
AWS 및 서버리스
Christiansen과 팀은 AWS Glue 및 AWS Lambda 와 같은 AWS의 서버리스 서비스로 모든 것을 구축하고 있었고, 이를 통해 Kavak의 기계 학습 엔지니어는 자체 모델을 생산에 투입하여 시간과 인력을 절약할 수 있었습니다.
과거에는 엔지니어가 기계 학습 모델에 대한 코드를 작성하고 이를 인프라 팀에 전달하여 배포했습니다. “저희 기계 학습 팀은 각 역할이 다른 팀원들끼리의 시너지 효과를 중요하게 생각합니다. 비즈니스 요구 사항 정의, 기계 학습 모델 구축 및 프로덕션에 배포하는 각 단계는 서로 얽혀 있기 때문이죠. 기계 학습 코드를 작성하고 해결되는 핵심 비즈니스 문제를 이해하지 못한다면 생산 단계에서 모델을 모니터링하는 것도 제대로 해낼 수가 없습니다. “
AWS의 서버리스 아키텍처를 통해 Kavak의 기계 학습 엔지니어와 데이터 과학자는 프로덕션에서 모델을 쉽게 배포, 모니터링 및 업데이트 할 수 있었습니다.
Kavak의 ML 프로세스에 대한보기
새로운 서비스를 시작하는 데 도움이 되는 도구 중 하나는 Infrastructure as Code를 사용하는 일반 기계 학습 애플리케이션을 위한 모든 서버리스 인프라를 포함 하는 AWS CloudFormation 템플릿입니다. 템플릿은 Glue를 사용한 자동 데이터 수집 및 모델 재교육, Lambda로 테스트, Amazon Kinesis Firehose 및 Amazon CloudWatch로 모니터링하는 서비스를 시작합니다. 이 템플릿을 사용하면 데이터 과학자가 노트북에 작성한 Python 코드를 쉽게 복사하여 예측 생성을 위한 안정적이고 확장 가능한 서비스로 전환 할 수 있습니다.
서버리스 인프라를 선택하는 또 다른 이점은 개념 증명 또는 모델의 대체 버전을 시작하는 데 드는 비용이 거의 없다는 것입니다. 이를 통해 Kavak는 추가 비용없이 동시에 여러 버전의 모델 코드 및 모델 매개 변수를 사용할 수 있으며 서비스가 예측을 반환하도록 요청 된 횟수에 대해서만 비용을 지불 할 수 있습니다.
Christiansen은 기계 학습 여정에서 팀의 다음 단계는 Kavak이 제공하는 컴퓨터 비전 애플리케이션을 더 깊이 파고 드는 것이라고 말합니다. “우리는 이미 컴퓨터 비전을 사용하여 수동 프로세스를 자동화하고 자동차에 대한 정보를 추출합니다. 여기서 더 나아가 앞으론 컴퓨터 비전을 사용하여 사진에서 자동차에 대한 훨씬 더 세분화 된 정보를 식별 할 수 있게 되리라 보고 있습니다. 이 과정으로 업무 시간을 훨씬 절약하게 될 것입니다. ”
현재 Christiansen은 Kavak이 빠르게 성장할 수 있었던 이유 중 하나로 서버리스로 가능해진 효율성을 꼽습니다. “서버리스 아키텍처와 AWS에서 사용하는 도구는 우리를 훨씬 더 효율적이고 효과적으로 만들었습니다. 그리고 우리가 매우 재능있는 팀을 구성하는 데 도움이되었습니다.”
원문URL: https://aws.amazon.com/ko/blogs/startups/kavak-kicks-ml-into-gear-with-aws-serverless/
메가존 클라우드 TechBlog는 AWS BLOG 영문 게재 글이나 관련 기사 중에서 한국 사용자들에게 유용한 정보 및 콘텐츠를 우선적으로 번역하여 내부 엔지니어 검수를 받아 정기적으로 게재하고 있습니다. 추가로 번역 및 게재를 희망하는 글에 대해서 관리자에게 메일 또는 SNS 페이지에 댓글을 남겨주시면, 우선적으로 번역해서 전달해드리도록 하겠습니다.