pile·
AI / ML·쏘카쏘카·

Data Product (2) AI(데이터)로 실제 운영 효율화가 가능할까?

쏘카의 2만 대 차량을 운영하면서 세차가 필요한 차량을 수작업으로 선정하는 건 불가능해졌다. 딥러닝 모델 기반 AI 세차 오퍼레이션 도입 과정에서 "모델 prediction = ground truth" 가정을 버리고 판단 주체를 재정의한 뒤, 세차 요청 로직을 AI 모델 + 고객 피드백 + 정기 세차 우선순위 구조로 재설계하기까지의 과정을 다룬다.

핵심 포인트
  • 배경: 2만 대 규모에서 수작업 세차 선정 불가 → 딥러닝 기반 Car State Classifier(오염도 분류)로 자동화 시도
  • 핵심 난관: "오염" ground truth가 주관적이고 완전한 정보 수집 불가 → 모델만으로 기준 설명 어려움
  • 방향 전환: 모델을 유일한 ground truth로 보는 관점 포기 → 판단 주체(모델·고객 피드백·육안 판단)별 신뢰도 정의
  • 로직 재설계: AI 모델 판단 + 고객 위생 피드백 + 정기 세차 필요 3가지 기준으로 우선순위 부여
  • 결과: 대당 세차 요청 수 감소, 적시 수행률 개선, 비용 절감 + 고객 만족도 동시 향상
상세 정리
  • 기존 프로세스: 수작업 선정 → 룰 베이스 자동화(데이터 조직) → AI 모델 도입 단계적 고도화
  • 아키텍처: AWS RDS(MySQL) → BigQuery 적재(Airflow 배치) + S3 차량 사진 → AI 모델 inference → 날씨 API → 세차 상태 정보 → 세차 관리 시스템 운영 DB 업데이트
  • AI 모델: 쏘카 AI팀 개발 Car State Classifier, 오염 여부 prediction + confidence 값 제공
  • 1차 분석 실패: Confusion matrix 기반 분석에서 모델이 깨끗하다 판단한 차량에 나쁜 고객 피드백, 세차 요청됐는데 오염 판정 등 혼란스러운 결과 발생
  • ground truth 부재 문제: 오염 판단 기준이 주관적, 차량별 특정 시점 완전 정보 수집 불가
  • 판단 주체 재정의: 모델 inference(prediction+confidence), 고객 위생 피드백(good/bad), 분석가 육안 판단 → 각 주체 한계 명시 후 신뢰도 수치화
  • 차량 상태 재정의: 세차 수행 시점 = 깨끗한 상태, 최초 요청 ~ 수행 이전 = 오염 상태
  • 새 로직: 3가지 판단 기준 우선순위 부여 + 조건별 세차 방식 매칭 + 설명력 높은 구조로 현업 설득 용이
  • 한계: 요청·수행 사이 시차, 세차 품질 불균일, 고객 피드백 편향 → A/B 테스트 불가한 영역
  • 향후 과제: 차량 내부 사진 수집, 세차 수행 최적화, Human-in-the-loop 모델 성능 개선
왜 읽나AI 모델을 운영에 적용할 때 "데이터가 불완전하고 ground truth가 모호한" 현실에서 분석 관점을 재정의하고 설득 가능한 로직을 설계하는 과정을 1년 이상의 실전 경험으로 보여준다.
쏘카
쏘카 블로그
원문은 여기서 이어서 읽을 수 있어요
원문 읽기
읽음 (0)
·takedown 요청

이 글과 비슷한

  1. AI / ML·cloudflare-blogCloudflare Blog·

    AI 에이전트에는 컨테이너보다 경량 컴퓨트가 — @cloudflare/computer 소개

    Cloudflare가 AI 에이전트 런타임 패키지 @cloudflare/computer 얼리 프리뷰를 공개했다. 에이전트마다 컨테이너를 할당하는 방식이 수십억 동시 에이전트 규모로 확장되지 않는 문제를 해결하기 위해, 경량 isolate와 풀 Linux 컨테이너를 작업 복잡도에 따라 동적으로 선택하는 하이브리드 아키텍처를 제안한다.

    #agent-engineering#serverless#cloudflare-workers+2
  2. AI / ML·cloudflare-blogCloudflare Blog·

    더 작고 빠르고 안전하게: Kimi와 GLM 대규모 서빙 최적화

    Cloudflare Workers AI가 Moonshot의 Kimi K-시리즈와 Z.ai의 GLM처럼 메모리 제약이 큰 대형 MoE(Mixture-of-Experts) 모델을 효율적으로 서빙하기 위해 적용한 세 가지 최적화 기법을 다룬다. KV 캐시 양자화, 모델 가중치 압축, 공유 KV 캐시 무결성 검사를 계층적으로 적용해 처리량을 크게 높이고 비용을 낮췄다.

    #llm#inference-optimization#kv-cache+2