자율주행 강국, 데이터 다양성으로 완성[전문가 시선]

■ 전문가시선 - 채상미(한국정보처리학회 부회장) 이화여대 경영학 교수 올해 국토교통부는 광주광역시 전역을 자율주행 실증 무대로 삼는 ‘도시 전체 실증’에 본격 착수했다. 광주는 단순한 시범 노선을 넘어 출근길, 주택가, 도심부 등 실제 시민 생활공간을 포함한 대규모 자율주행 실증의 첫 무대가 되고 있다. 대한민국 자율주행 산업의 경쟁력을 한 단계 끌어올릴 중요한 국가적 도전이다. 그러나 여기서 한 가지 질문을 던져야 한다. 광주라는 성공적인 출발점만으로 ‘전국 어디서나 안전하게 달리는 자율주행’을 완성할 수 있을까? 결론부터 말하면 광주는 출발점으로 충분하지만, 종착점으로는 부족하다. 많은 사람은 한국의 도로 환경이 대체로 비슷하다고 생각한다. 표준화된 도로법규와 신호체계, 유사한 차선 구조를 고려하면 일견 타당한 주장처럼 보인다. 하지만 최신 인공지능(AI) 자율주행 기술의 관점에서 보면 이야기는 달라진다. 최근 자율주행 기술은 기존처럼 인지·예측·판단·제어를 사람이 설계한 규칙으로 연결하는 방식에서 벗어나고 있다. 특히 E2E(End-to-End) AI 자율주행은 차량이 실제 주행 데이터를 학습해 스스로 판단하는 방향으로 발전하고 있다. 사람처럼 직관적으로 운전하는 가능성을 열어 주지만, 충분히 경험하지 못한 환경에서는 성능이 흔들릴 수 있다는 한계도 갖고 있다. 컴퓨터공학에서는 이를 ‘장기 분포(Long-tail)’ 문제라고 부른다. 맑은 날의 일반적인 주행 데이터는 넘쳐 나지만 역주행 차량, 갑작스러운 침수, 예측하기 어려운 공사 구간, 돌발 보행자와 같은 상황은 상대적으로 드물다. 하지만 실제 사고는 바로 이런 희귀한 상황에서 발생한다. 자율주행의 안전성은 얼마나 많은 데이터를 모았느냐보다 얼마나 다양한 예외 상황을 경험했느냐에 달려 있다. 자율주행 AI를 한 도시에서만 훈련시키는 것은 한 시험장에서만 연습한 운전자를 곧바로 전국 모든 도로에 내보내는 것과 비슷하다. 최근 연구들은 이러한 문제를 뒷받침한다. 자율주행 AI는 학습했던 도시를 벗어나 새로운 환경에 투입될 경우 성능이 저하되는 경향을 보인다. 이는 데이터의 양보다 다양성이 중요하다는 사실을 보여 준다. 우리나라 역시 도시별 특성이 매우 다르다. 이제 필요한 것은 광주를 든든한 출발점으로 삼아 전국으로 뻗어 나가는 ‘전국형 실증 확장 로드맵’이다. 1단계로 광주에서 도시 단위 실증 운영체계를 완성하고, 2단계에서는 서울·부산·강원·세종 등 다양한 환경의 도시를 순차적으로 연결해야 한다. 3단계에서는 각 지역에서 축적된 데이터를 표준화해 기업·대학·연구기관이 공동으로 활용할 수 있는 국가 자율주행 데이터 인프라를 구축해야 한다. 광주는 대한민국 자율주행 실증의 중요한 출발점이다. 그러나 자율주행 강국은 서로 다른 도시의 도로와 날씨, 교통 문화와 돌발상황이 데이터로 축적될 때 비로소 완성된다. 광주의 성공을 전국의 안전으로 확장하는 것, 그것이 지금 우리에게 필요한 다음 단계의 전략이다. 채상미(한국정보처리학회 부회장) 이화여대 경영학 교수 *동영상 및 원문 링크: https://www.munhwa.com/article/11595893?ref=naver