모델 도입 한 번으로는 조직이 바뀌지 않습니다. 데이터 정형화부터 에이전트 구축, 내재화까지 지원합니다
누적 고객사 수
누적 이용자 수
기술 특허
국제 학술지 논문 발표
“도입을 해야 하는데 어떻게 시작해야 할지 모르겠어요”
“AI가 사내 데이터를 활용해야 하는 건 알겠는데 어떻게 정리해야 할지 모르겠어요”
“사내 데이터는 외부 AI에 올릴 수 없어 손도 못 대고 있어요”
“PoC까지는 만들었지만 운영으로 넘어가기가 어려워요”
“GPT와 클로드로도 못 푸는 일이 있어요. 차라리 우리 회사에 맞는 맞춤형 모델을 만들고 싶어요”
“결국 잘 쓰는 사람만 쓰고, 다 같이 배울 시간도 없어요”
모델 도입은 시작일 뿐입니다. 과제 발굴부터 운영까지 갖춰야 조직이 실제로 달라집니다
현업 업무를 분석해 AI로 바꿀 수 있는 과제를 찾고 우선순위를 정합니다
흩어진 문서와 이미지, 표를 AI가 이해할 수 있는 형태로 정리합니다
사내 지식을 업무 도구에 연결한 기업 전용 AI 에이전트를 구축합니다
보안 환경에서 모델과 에이전트를 안정적으로 운영하도록 인프라를 제공합니다
현업 업무를 분석해 AI로 바꿀 수 있는 과제를 찾고 우선순위를 정합니다
흩어진 문서와 이미지, 표를 AI가 이해할 수 있는 형태로 정리합니다
사내 지식을 업무 도구에 연결한 기업 전용 AI 에이전트를 구축합니다
보안 환경에서 모델과 에이전트를 안정적으로 운영하도록 인프라를 제공합니다
자료를 데이터로 바꾸고, 사내 지식으로 연결하고, 업무에서 실행하는 흐름으로 이어집니다
AI 문서 분석 솔루션
문서 인식 벤치마크에서 최고 성능을 기록한 모델로 HWP와 이미지, PPT, 엑셀 등 비정형 자료를 AI가 학습할 수 있는 데이터로 바꿉니다
빠른 변환 속도
표 추출 정확도
병합된 셀과 여러 줄 헤더까지 원본 표 구조 그대로 살립니다
차트와 이미지의 내용을 문장으로 풀어써 AI가 그대로 인용합니다
수식은 표준 표기로 바꿔 의미를 잃지 않습니다
구조화 데이터로 출력해 사내 지식 검색에 바로 연결합니다
온톨로지 구축 에이전트
헬피비전이 정형화한 자료부터 사내 협업 툴과 ERP, SCM에 흩어진 기록까지 하나의 지식 지도로 잇습니다. AI는 이 지도를 보고 회사 맥락에 맞게 답합니다
사내에 쌓인 자료가 어디 있는지만 알려주면 됩니다
여러 부서에 흩어져 있는 기록도 프로젝트 기준으로 묶어 맥락과 함께 보여 줍니다
Jira와 Confluence, GitLab 같은 사내 협업툴의 수정 사항이 실시간으로 검색 결과에 반영됩니다
볼 권한이 있는 자료만 검색 결과에 나옵니다
AI 코딩 에이전트
데이터 유출 걱정 없이 CSAP 인증 보안 클라우드에서 구동되는 프라이빗 AI입니다. 엘리스가 직접 검증한 고성능 오픈소스 모델로 외부 코딩 에이전트를 쓸 수 없는 환경에서도 개발 생산성을 확보합니다
코드가 회사 밖으로 나가지 않고 사내 환경에서 그대로 동작합니다
엘리스가 검증한 오픈소스 모델을 골라 쓰고 언제든 교체합니다
GitLab과 Jira 등 이미 쓰는 개발 도구에 연결합니다
생성형 AI 솔루션
보안 걱정 없이 사내에서 바로 쓰는 업무용 AI입니다. 최신 모델부터 사내 지식 기반(RAG) 대화까지 지원합니다
최신 모델을 사내에서 안전하게 골라 씁니다
사내 문서를 학습해 우리 회사 기준으로 답합니다
엘리스클라우드와 연동해 조직이 원하는 환경 어디에나 구축합니다
부서가 매일 하는 일에서 출발합니다. 헬피챗을 기본으로 쓰고, 자료가 많은 부서는 헬피비전과 헬피컨텍스트를, 개발 조직은 헬피코드를 더합니다
부서별로 함께 쓰는 에이전트
회의록 정리와 보고서 초안을 AI가 먼저 써 두고, 담당자는 검토부터 시작합니다
수백 장짜리 설비 매뉴얼과 품질 문서를 뒤지지 않고, 물어보면 근거와 함께 찾아옵니다
임직원의 AI 역량을 진단하고 직무에 맞는 교육 과정을 추천합니다
보안 규정과 내부 문서를 바로 찾아주고, 반복되는 운영 업무를 자동으로 처리합니다
쏟아지는 문의를 분류하고 요약해 주고, 상담 이력에서 다음에 제안할 것을 짚어 줍니다
카피와 콘텐츠 초안, 성과 리포트까지 초안 상태로 만들어 두면 다듬기만 하면 됩니다
헬피비전
헬피컨텍스트
헬피코드
헬피챗
팀 단위로 필요한 에이전트만 먼저 쓰고, 전사 도입은 그다음에 결정해도 됩니다
AI 도입을 검토하는 기업
헬피챗으로 여러 AI 모델을 안전하게 써보며 우리 업무에 맞는지 확인합니다
계정과 권한 관리가 필요한 기업
임직원 계정을 한곳에서 관리하고 부서와 직급별로 사용 권한과 사용량을 통제합니다
개발 조직
GitLab과 Jira 등 기존 개발 환경에 헬피코드를 연동해 개발 생산성을 높입니다
금융과 공공, 대기업
고객사 전용 서버나 사내 환경에 맞춤형 AI 시스템을 구축하고 운영과 보안까지 맡습니다
현대자동차그룹 남양연구소
기술 도입만으로는 조직이 바뀌지 않습니다. 임원부터 실무자까지 AI를 제대로 쓸 줄 알아야 진짜 AX입니다
LG전자의 전장사업을 이끄는 VS본부LG전자 VS(Vehicle Solution)사업본부는 자동차 전장, 즉 차량에 들어가는 전자장비와 부품을 담당하는 조직입니다. 운전자에게 길안내와 음악, 각종 정보를 보여주는 차량 내 화면 시스템(인포테인먼트)과 차량을 통신망에 연결해 실시간으로 정보를 주고받는 기술(텔레매틱스)을 중심으로 차량용 디스플레이, 운전자를 돕는 안전 기능(ADAS), 전기차 구동 부품까지 폭넓은 포트폴리오를 갖추고 있습니다.VS본부는 AI를 활용하는 단계에서 나아가 실제 업무와 개발 현장에 적용해 성과를 만드는 조직으로 전환하고자 했습니다. 생성형 AI 기술이 빠르게 발전하는 과정에서 구성원이 AI 도구를 사용하는 역량과 AI 에이전트를 직접 설계해 업무에 적용하는 역량은 전혀 다르다는 점이 분명해졌기 때문입니다. 직군마다 다른 필요 역량, 동일한 교육으로는 좁혀지지 않던 격차교육 이전 VS본부가 겪던 가장 큰 어려움은 실제 업무 문제를 AI로 어떻게 해결할지에 대한 방법론과 실행 경험의 부재였습니다. 여기에 직군별로 업무 특성과 필요 역량이 다른데도 동일한 수준의 교육만 제공하는 것이 반복되어 한계를 느끼고 있었습니다.비SW 직군은 업무 혁신과 문제 정의 관점에서 AI를 활용하는 역량이 필요하고 SW 직군은 에이전트 설계, 구현 같은 기술 역량이 중요합니다. 하나의 과정으로 통합했다면 난이도 조절이 어려워 일부 참여자에게는 지나치게 쉽거나 반대로 너무 어려운 교육이 되었을 것입니다. VS본부는 구성원이 직접 문제를 정의하고 데이터를 활용해 에이전트를 설계, 구축하는 실무 중심 역량을 확보하는 것을 목표로 교육 체계를 마련했습니다. 현업 과제 기반 프로젝트형 교육과 AX 코칭까지 연계한 엘리스LG전자 VS본부가 여러 교육 옵션 중 엘리스를 선택한 결정적인 이유는 실제 현업 과제를 기반으로 한 프로젝트형 교육을 제안했다는 점이었습니다. 엘리스는 AI 교육과 함께 에이전트 개발 및 실습 환경 운영 경험을 보유하고 있어 기술을 소개하는 데 그치지 않고 실제로 AI를 개발하고 구현하는 교육이 가능하다고 판단했습니다.교육 기획 단계부터 현업 니즈와 구성원 수준을 함께 점검하고, SW·비SW 직군별 맞춤형 커리큘럼을 제안한 점도 선택에 영향을 주었습니다. 무엇보다 교육 종료 이후 AX 과제 구체화와 실행 방안 코칭까지 연계해 교육이 실제 현업 적용으로 이어질 수 있다는 점이 최종 결정에 중요하게 작용했습니다."결과적으로 교육 자체보다도 VS본부의 환경을 이해하고 현업 적용까지 함께 고민하는 파트너라고 느꼈던 점이 엘리스를 선택한 가장 큰 이유였습니다." — LG전자 VS본부 HRD 담당자직군 특성에 맞춰 개발/비개발로 분리 설계한 커리큘럼과정은 사전 온라인 학습과 오프라인 집중 교육으로 구성했고 일정과 도달 목표는 직군에 따라 다르게 잡았습니다.SW 직군 과정은 AI의 기본 사용법에서 출발해 사내 문서를 근거로 답하는 AI를 만들고, 그 AI가 스스로 필요한 작업을 수행하도록 설계하는 단계까지 올라갑니다. 후반부에는 만든 결과물을 실제 서비스처럼 안정적으로 운영하는 방법까지 다뤘습니다. 배운 것을 데모 수준에서 끝내지 않고 실무에 배포할 수 있는 형태로 완성하는 것이 목표였습니다.비SW 직군 과정은 같은 출발점에서 시작하되 목표 결과를 다르게 잡았습니다. 시스템을 운영하고 배포하는 기술 단계까지 가는 대신, 자신의 업무 문서를 읽고 질문에 답하는 챗봇을 마지막 날 직접 완성하는 데 초점을 맞췄습니다. 이를 위해 엘리스는 VS본부 업무에서 가장 많이 활용되는 에이전트 주제 두 가지를 선정해 각각 가이드 프로젝트와 교안으로 준비했고, 참여자는 학습한 내용을 바탕으로 둘 중 원하는 주제를 골라 결과물을 구현했습니다. 부품 변경점이 발생했을 때 과거 유사 사례를 찾아주는 에이전트, 그리고 시험과 이슈 이력에서 유사 사례와 조치 내용을 찾아주는 에이전트입니다. 개발 경험이 없는 참여자도 실제 작동하는 챗봇을 완성해 본인의 업무에 바로 활용할 수 있게 하는 것이 목표였습니다.두 과정 모두 이론과 실습을 거친 뒤 현업 과제를 기반으로 한 가이드 프로젝트를 수행하도록 설계했습니다. 참여자는 학습한 내용을 곧바로 적용해 실질적인 결과물을 만들어 낼 수 있었습니다. 차량 인포테인먼트를 주제로 삼은 최종 프로젝트 SW 직군 교육에서는 VS본부의 업무를 그대로 옮겨 최종 프로젝트를 진행했습니다. 주제는 전기차 인포테인먼트 시스템을 위한 AI였습니다. 차량 매뉴얼 같은 문서를 AI가 읽을 수 있는 형태로 정리하고, 질문에 맞는 답을 찾아주는 기능부터 운전자를 돕는 여러 기능까지 각각 만든 뒤 이를 하나의 AI가 총괄해 답하도록 조립하는 과정이었습니다. 이 전체를 처음부터 끝까지 직접 구현하였으며 실제 현업 데이터를 사용하여 과제를 선정했습니다.일반적인 AI 교육이 범용 예제를 쓰는 것과 달리 차량 인포테인먼트라는 VS본부의 실제 제품 영역을 최종 프로젝트 주제로 삼았기에 특히 참석자 만족도가 높았습니다. 기초 이론 단계의 예시조차 가동률, 불량률 같은 제조 현장의 지표를 다루도록 구성해, 참여자가 배우는 내용을 자신의 업무와 계속 연결하도록 했습니다."기존 교육이 'AI 기술 이해' 중심이라면 이번 과정은 '업무 문제 해결을 위한 AI 에이전트 설계 및 구현' 중심이었다는 점이 가장 큰 차이였습니다." — LG전자 VS본부 HRD 담당자AI로 업무를 설계하는 사람으로 도약하기가장 뚜렷한 변화는 AI를 바라보는 관점이었습니다. 교육 전에는 생성형 AI를 업무 보조 도구 정도로 인식하는 경우가 많았지만, 교육 이후에는 반복 업무를 자동화하고 업무 프로세스를 개선하는 에이전트 관점으로 접근하는 사례가 늘었습니다. "무엇을 물어볼까"부터 고민하던 담당자들은 이제 "어떤 업무를 에이전트에게 맡길 수 있을까"를 고민할 수 있게 되었습니다.참여자들은 프롬프트를 작성하는 수준에 머무르지 않고 자신의 업무 흐름을 분석하고 어떤 데이터를 활용할지, 에이전트가 어떤 역할을 수행해야 하는지를 스스로 정의했습니다. 이후 진행된 과제 개발과 프로젝트 코칭에서도 기술 구현보다 현업의 문제를 정의하고 필요한 데이터를 확보해 실제 사용자가 쓸 수 있는 업무 프로세스를 설계할 수 있었습니다. 일부 팀에서는 교육에서 기획한 에이전트 아이디어를 실제 AX 과제와 연계해 검토하는 사례도 나타나고 있습니다. 하반기 직군별 과정 추가 운영과 AX 과제 연계 확대상반기 교육을 통해 구성원들의 높은 학습 수요가 확인되었고, 교육 이후 추가 학습이나 실제 업무 적용을 희망하는 요청도 이어졌습니다. 이에 VS본부는 하반기에 실제 에이전트 구축과 현업 적용 역량 확보를 목표로 비SW 직군과 SW 직군 과정을 각각 1차수씩 추가해 확대 운영하였습니다.VS본부는 AX의 성공이 AI 기술을 도입하는 데 있는 것이 아니라 문제 정의와 데이터 품질, 업무 프로세스 설계, 현업 적용까지 연결되는 실행력을 확보하는 데 있다고 봅니다. 앞으로도 실제 AX 과제와 연계되는 실습 중심 프로그램을 확대해 구성원이 현업의 문제를 스스로 정의하고 해결할 수 있도록 역량 내재화를 이어갈 계획입니다.직군별 특성을 반영한 AI 에이전트 교육 도입을 검토하고 있다면, 엘리스 기업교육팀에 현업 과제 기반 커리큘럼 설계를 문의해보세요.
2026. 8. 14.
범용 인공지능을 연구하는 고려대학교 AGI Lab고려대학교 AGI Lab은 멀티모달 생성 모델, 인간 정렬 언어 모델링, 대규모 에이전트 학습, AI for Science의 네 가지 분야를 핵심 축으로 연구하고 있고, 모든 분야가 범용 인공지능(AGI) 구현을 공통 목표로 삼고 있습니다. AI for Science 연구실의 김예린 연구원(석사과정)은 화학 분야의 문제 해결을 돕는 LLM 에이전트의 사후 학습(Post-training) 전략을 다룹니다. 그리고 김용진 연구원(석박사통합과정)은 이미지 이해와 생성을 동시에 수행하는 통합 멀티모달 LLM의 이미지 생성 성능을 강화 학습으로 높이는 연구를 수행하고 있습니다.강화 학습 연구에 고성능 GPU가 필수적인 이유AGI Lab 연구팀은 GRPO(Group Relative Policy Optimization, 그룹 상대 정책 최적화) 계열 알고리즘을 사용합니다. 강화 학습은 일반 딥러닝 모델 학습보다 GPU 자원 소모가 큽니다. 학습 과정에서 학습 샘플을 생성하는 롤아웃 모델, 생성된 결과를 채점하는 리워드 모델, 채점 결과를 바탕으로 모델을 업데이트하는 트레이너가 동시에 GPU 메모리에 적재되어 상호작용하기 때문입니다. 특히 학습 샘플 생성(추론) 단계에서 시간이 오래 걸리므로 개별 GPU의 성능이 연구 속도를 좌우합니다.GRPO 강화 학습 연구의 GPU 자원 적재 구조그동안 연구실 자체 서버만으로는 이 요구 사양을 감당하기 어려웠습니다. 모델의 수렴 여부를 관찰하기 위해 3,000단계까지 돌려야 하는 학습을 자원 부족으로 300단계에서 멈춰야 했던 한계가 있었습니다. 그렇다고 논문 마감을 앞두고 외부 GPU를 온디맨드 요금으로 빌려 쓰기에는 수천만 원에 달하는 임대 비용이 큰 장벽이었습니다.최신 B200 장비를 합리적 비용에 사용할 수 있었던 엘리스클라우드 스팟 GPU연구팀은 최신 B200 GPU를 확보하기 위해 엘리스클라우드 스팟 GPU를 선택했습니다. 자원이 회수될 수 있다는 조건을 감수하는 대신, 온디맨드보다 훨씬 저렴한 비용으로 최신 GPU 성능을 활용할 수 있었기 때문입니다. 다만 학습이 중간에 끊기면 안 되는 강화 학습의 특성상, 학습 도중 GPU가 회수되어 작업이 중단되지 않을까하며 처음에는 우려하기도 했습니다. 이 문제를 연구팀은 가중치 저장 주기를 짧게 설정해 문제를 해결했습니다. 중간에 회수되더라도 저장 시점부터 다시 이어서 학습을 재개하도록 워크플로우를 짰고, 또한 회수 전에 사전 알림을 주는 시스템 덕분에 안심하고 실험에 집중했습니다. 인프라를 쉽게 관리할 수 있는 ECI(Elice Cloud Infrastructure)도 유용했습니다. 사용 가이드가 직관적이어서 장비 세팅이 빨랐고, 메신저 기반의 문의 창구로 필요한 기술 지원을 실시간으로 받았습니다. 또한, 논문 제출이 다가와 자원 추가를 요청했을 때도 매니저들의 빠른 피드백 덕분에 마감 일정을 무사히 맞췄습니다.비용 약 2배 절감, 학습 시간 절반 단축정량적인 인프라 비용 절감 효과가 두드러졌습니다. B200 4대를 온디맨드로 2개월 임대할 때 드는 비용인 약 4,000만 원 기준에서, 스팟 GPU를 도입해 약 2,500만 원 선으로 지출을 낮췄습니다. 학습 속도도 크게 개선됐습니다. 기존 H100 8대 환경에서 3~4일씩 걸리던 학습 일정이 B200 4대로 1.5~2일 만에 끝났습니다. GPU 대수는 줄었지만 B200의 칩셋당 성능이 뛰어난 덕분에 연산 효율이 약 2배로 늘었습니다. 인프라 한계로 포기했던 3,000단계 학습을 완주하고 논문 제출 일정에 맞게 데이터를 완성했습니다.주요 도입 성과 비교"가장 먼저 강조하고 싶은 점은 최신 GPU에 대한 접근성입니다. 저희 같은 학생 연구자 입장에서는 B200 같은 최신 장비를 단독으로 확보하기가 현실적으로 쉽지 않은데, 엘리스클라우드 스팟 GPU를 통해 합리적인 비용으로 최신 장비를 바로 열어 쓸 수 있다는 점은 큰 장점이라고 생각합니다." — 고려대학교 AGI Lab 김예린 연구원더 큰 스케일의 강화 학습 연구를 준비하는 AGI Lab고려대학교 AGI Lab은 앞으로 파라미터 규모가 더 거대한 LLM을 대상으로 SFT(Supervised Fine-Tuning, 지도 미세 조정) 및 강화 학습의 사후 학습을 확대 진행할 예정입니다. 대규모 강화 학습처럼 자원 요구량이 기하급수적으로 늘어나는 연구에서 합리적인 최신 GPU 임대 방안은 필수적입니다. 연구팀은 자원의 벽에 막혀 도전하지 못했던 거대 스케일의 실험을 적극적으로 엘리스클라우드와 함께 수행할 계획입니다. 합리적인 고성능 GPU 인프라를 찾고 있다면 엘리스클라우드의 다른 도입 사례도 확인해 보세요.
2026. 7. 27.
한국언론진흥재단은 '2026년 AI 리터러시 교육 온라인 플랫폼 위탁 운영' 사업으로 청소년의 AI 소양 교육을 지원하고 있습니다. 해당 사업의 목표는 학생이 AI 기술을 이해하고 활용하면서 동시에 딥페이크와 허위정보 시대에 필요한 비판적 판단력과 AI 윤리 의식을 기르도록 돕는 것입니다.사업 규모는 공모로 선정된 전국 중·고등학교 약 250~300개교, 약 1.5만 명에 이릅니다. 커리큘럼은 중등 12차시, 고등 48차시로 준비하였으며 AI의 정의와 종류, 딥페이크의 명과 암, AI가 제작한 뉴스와 팩트체크, 카드뉴스 제작, AI 윤리까지 폭넓은 주제를 다룹니다. 도입에 앞서 풀어야 했던 세 가지 과제: 오남용·운영 부담·안정성학교 현장에 AI 도구를 도입할 때 가장 먼저 부딪히는 고민은 오남용입니다. 학생이 AI에게 답만 받아쓰거나 학습과 무관한 용도로 쓰면, 교육 효과는 물론 교사의 수업 통제력까지 흔들립니다. 게다가 수백 개 학교에 한 번에 배포되는 사업은 교사의 운영 부담과 현장 안정성이라는 현실적인 문제도 안고 있었습니다. 교사가 플랫폼을 익히는 데 시간이 오래 걸리거나, 여러 교실이 동시에 접속할 때 오류가 나면 사업 전체의 신뢰가 떨어질 수 있죠.한국언론진흥재단은 이 세 가지 과제를 해결하며 양질의 교육을 제공할 수 있는 파트너가 필요했습니다. 학교가 가장 우려하는 'AI 오남용'을 막는 AI헬피챗엘리스스쿨은 선생님과 학생을 위한 공교육 AI 솔루션입니다. 이번 사업에서 12차시 AI 리터러시 커리큘럼과 수업 운영 전반을 맡았고, 학생이 수업 안에서 직접 쓰는 AI 튜터로 AI헬피챗을 제공했습니다.AI헬피챗은 학생이 따로 켜야 하는 별도 도구가 아니라 수업 안에서 자연스럽게 만나는 학습 동반자입니다. 학생은 콘텐츠를 학습하다가 AI헬피챗으로 이미지를 생성하고, AI와 대화를 주고받으며, 뉴스 기사의 사실 여부를 함께 검증합니다.오남용에 대한 대비도 설계에 담았습니다. AI헬피챗은 욕설이나 무의미한 입력처럼 학습과 무관한 요청에는 "학습 내용과 관련 있는 질문을 해주세요"라고 정중히 거절하고, 답만 요구하는 학생에게는 정답을 바로 주는 대신 풀이 과정을 안내합니다. 반대로 창작 활동에는 제약을 두지 않았습니다. 1인당 토큰 제한이 없어 "조금 더 현실적으로 그려줘", "실사화로 다시 그려줘" 같은 반복 수정을 학생이 자유롭게 시도합니다. ▲ 학습과 무관한 질문을 했을 때 다시 학습을 유도하는 AI헬피 ▲ 테스트 응시 중 정답을 물어보는 경우 방어하는 AI헬피엘리스스쿨은 화면 동기화, 단원별 퀴즈, 교사용 가이드와 온보딩 연수, CS 대응까지 수백 개 교실의 운영 전반을 책임졌습니다. 데이터로 확인한 변화AI헬피챗의 활용 데이터는 교육 목표가 실제로 구현되고 있음을 보여줍니다. 분석 기간(2026.4.21~5.12) 동안 학생들은 AI헬피챗과 5,000건의 메시지를 주고받았습니다.그중 가장 두드러진 활동은 팩트체크와 허위정보 검증이었습니다. AI 리터러시 교육의 핵심인 비판적 검증이 실제 수업에서 가장 빈번하게 일어난 것입니다. 한 수업에서는 학생 30명이 동시에 신문 기사 본문을 붙여넣어 사실 여부를 함께 확인하기도 했습니다.사용 시간대가 수업시간에 집중되고 같은 활동을 동시에 하는 흔적이 뚜렷한 점도 AI헬피챗이 별도 도구가 아니라 수업의 일부로 자리 잡았음을 보여줍니다.안전장치도 작동했습니다. AI헬피챗 응답 4건 중 1건꼴(26.1%)이 학습과 무관한 요청을 정중히 거절한 응답으로, 우려했던 오남용을 AI가 방어하고 있는 것을 확인했습니다. 교사도 안심할 수 있는 AI 튜터 엘리스스쿨은 사업 참여 학교들을 방문해 유저 인터뷰를 진행했습니다. 한 중학교에서는 교사용 가이드와 온보딩 연수, 오류 없이 안정적으로 작동한 플랫폼, 그리고 체계적으로 정리된 콘텐츠를 긍정적으로 평가했습니다."교사용 가이드와 온보딩 연수가 실제 수업 준비에 충분했습니다. 수업 화면 동기화 기능이 유용했고, 다양한 실습이 있다는 점도 좋았습니다. 접속 지연이나 채점 오류 같은 기술적 문제는 한 번도 겪지 않았어요. 인공지능에 대한 지식이 체계적으로 정리되어 있어 학생들이 기본기를 다지기에 좋았습니다." — 사업 참여 교사또 다른 중학교에서는 CS 관리의 우수성과 학습 효과에 도움을 주는 퀴즈 구성 등을 만족한 점으로 꼽았습니다."처음엔 플랫폼이 낯설었지만 몇 번 들어가 보니 큰 어려움이 없었고, CS 관리가 잘 되고 있다고 느꼈습니다. 한 학기 17주차 중 12차시 구성이 학기 수업으로 진행하기에 적절했습니다. 단원이 끝날 때마다 퀴즈가 있고, 맞을 때까지 정답을 선택할 수 있는 구조가 특히 좋았습니다." — 사업 참여 교사전국으로 확장하는 AI 리터러시 교육한국언론진흥재단의 AI 리터러시 교육 사업은 1학기 중학교 70개교 운영을 시작으로 전국 250~300개교, 1.5만 개 계정 규모로 확장 중입니다. 이 여정에는 팩트체크와 창작을 북돋우면서도 오남용을 스스로 걸러내는 AI헬피챗과 전국 어느 교실에서나 안정적인 AI 수업을 가능하게 하는 엘리스스쿨이 함께 하고 있습니다.
2026. 7. 6.
숏폼 드라마 '비글루'로 주목받는 콘텐츠 기업, 스푼랩스의 AI 개발 현장스푼랩스는 오디오 라이브 스트리밍 서비스 '스푼라디오'에서 출발해, 숏폼 비디오 드라마 '비글루', 오디오 드라마 '판노블'까지 운영하는 콘텐츠 기업입니다. 음성과 영상이 핵심 자산인 만큼, 내부 머신러닝 기술이 서비스 경쟁력을 좌우합니다.ML팀은 머신러닝 엔지니어들로 구성돼 있으며, 사내 여러 서비스에 필요한 머신러닝 기술을 직접 개발·운영합니다. 적합한 오픈소스 모델을 찾아 활용하기도 하고, 필요하면 모델을 직접 만들어 서비스에 적용하기도 합니다.한 번의 학습 비용이 큰 TTS 모델, 가설 검증을 위한 인프라 확보 과제스푼랩스의 서비스는 음성이 핵심입니다. 실시간 오디오 방송인 스푼라디오, 목소리 연기로 이야기를 전달하는 판노블 모두 '좋은 음성'이 콘텐츠 품질을 결정합니다. TTS(Text-to-Speech, 텍스트를 음성으로 변환하는 기술)는 이런 음성 콘텐츠의 제작 효율을 높이는 것은 물론, 앞으로 사내 서비스에 추가될 음성 기반 기능을 설계할 때도 출발점이 되는 핵심 기술입니다.문제는 TTS 분야에서 새로운 모델 구조와 학습 기법이 빠르게 등장하고 있다는 점입니다. 어떤 접근이 자사 데이터와 서비스에 가장 잘 맞을지는 논문이나 벤치마크만으로 알 수 없습니다. 결국 엔지니어가 '이 방법이 더 자연스러운 음성을 만들 것이다'라는 가설을 세우고, 직접 모델을 학습시켜 결과를 확인하는 과정을 반복해야 합니다. 그래서 가설 검증을 많이 할수록 모델 완성도가 올라갑니다.하지만 TTS 모델은 한 번 학습을 돌리는 데 드는 GPU 자원과 시간이 큽니다. 기존에 보유한 워크스테이션만으로는 검증하고 싶은 가설을 충분히 실험하기 어려웠습니다."저희가 온프레미스 환경에 워크스테이션을 나름대로 구축해서 개발을 할 수 있긴 한데, 많은 가설을 실험해보기에는 부족하다는 결론이 나왔습니다. 그래서 엘리스클라우드를 사용하게 됐습니다." - 스푼랩스 ML팀 우필원 엔지니어직관적인 사용성과 가격 경쟁력, 엘리스클라우드를 선택한 이유스푼랩스 ML팀은 외부 GPU 클라우드를 검토하면서 엘리스클라우드의 콘솔 사용성과 가격을 함께 살펴봤습니다."엘리스클라우드 서비스의 GUI나 가격을 검토한 결과 인스턴스를 조작하는 방법이 굉장히 직관적이고 편리했고, 가격도 합리적이라고 느꼈습니다." - 우필원 엔지니어* GUI(Graphical User Interface): 마우스 클릭으로 조작할 수 있는 웹 화면 기반의 인터페이스H100급 고성능 GPU는 도입 비용 부담이 큰 만큼, 가격은 도입을 결정하는 핵심 변수였습니다. ML팀은 여러 GPU 클라우드의 가격을 비교 검토했고, 엘리스클라우드가 동급 사양 대비 합리적인 수준이라고 판단했습니다.실무에서 ML팀이 가장 만족한 부분은 인스턴스와 스토리지를 분리해서 쓸 수 있는 구조였습니다. 저장 공간이 필요할 때 연결하고, 쓰지 않을 때는 분리하거나 더 빠른 스토리지로 교체하는 흐름이 직관적으로 되어 있어, 다른 글로벌 클라우드보다 쓰기 편했습니다."인스턴스랑 스토리지를 탈착식으로 굉장히 직관적으로 사용할 수 있거든요. AWS보다 더 직관적이고 더 편합니다." - 우필원 엔지니어처음 클라우드를 쓸 때는 환경 설정에서 막히는 일이 많지만, 이번에는 큰 어려움이 없었습니다. 콘솔 내 Q&A 탭에서 질문을 남기면 빠르게 답변이 오기 때문에 초기 셋업 부담이 줄었습니다.전처리는 온프레미스에서, 본 학습은 엘리스클라우드에서, GPU 활용률을 높인 하이브리드 운영스푼랩스 ML팀은 기존 온프레미스 워크스테이션을 확장하는 대신, 엘리스클라우드 H100 4장을 도입하고, 온프레미스 워크스테이션과 역할을 나눠 운영하고 있습니다.데이터 전처리는 시행착오가 잦고 작업 시간이 길기 때문에, 클라우드를 통해 진행하기에는 비용이 많이 듭니다. 따라서 전처리는 보유 중인 온프레미스 워크스테이션에서 처리하고, 검증할 가설이 정리되어 본격적인 학습이 필요한 시점에 H100 인스턴스를 투입합니다.이렇게 역할을 나누면 약정한 고성능 GPU를 전처리 같은 보조 작업에 점유시키지 않고 본 학습에만 온전히 쓸 수 있습니다. 같은 비용으로 GPU 활용률을 끌어올려, 더 많은 가설을 검증하는 구조입니다.체감 학습 속도 4~8배 향상엘리스클라우드 H100 인스턴스를 활용한 결과, 동일한 학습 작업 기준으로 기존 환경 대비 체감 학습 속도가 4~8배가량 빨라졌습니다."체감상 잠깐의 학습을 돌려봤을 때 4배에서 8배 사이로 학습 속도가 빨라진 것 같습니다." - 우필원 엔지니어학습 속도가 빨라지면 같은 기간에 더 많은 가설을 검증할 수 있습니다. 정해진 정답이 없는 TTS 모델 개발에서는 가설 검증 횟수가 곧 모델 품질과 직결되기 때문에, ML팀에게 학습 속도 개선은 곧 연구 생산성 향상이었습니다.더 많은 가설 검증이 곧 모델 경쟁력, 음성 AI 팀을 위한 GPU 인프라스푼랩스 ML팀의 사례가 보여주는 것은 분명합니다. 정답이 없는 음성 AI 개발에서는 가설을 얼마나 빠르게, 얼마나 많이 검증할 수 있느냐가 모델 품질을 결정하고, 그 속도를 받쳐주는 것이 GPU 인프라라는 점입니다. 스푼랩스 ML팀은 이렇게 확보한 실험 환경을 바탕으로 TTS를 비롯한 음성 머신러닝 기술을 사내 서비스 전반에 적용해 나갈 계획입니다.엘리스클라우드는 스푼랩스 ML팀처럼 자체 서비스에 머신러닝을 적용해야 하는 기업이 합리적인 비용으로 GPU 자원을 확보하고, 실험을 빠르게 반복할 수 있도록 지원합니다.
2026. 6. 22.