🖼️ 인포그래픽

🖼️ 4컷 인포그래픽

💡 한 줄 요약

Outpost VFX는 AWS EC2 P5 기반의 다중 GPU 분산 학습으로 얼굴 교체 모델 학습 병목을 줄여 최대 8배 빠른 반복 속도와 2일 내 초기 납품 흐름을 확보했다.

📌 핵심 요약

• Outpost VFX는 영화·에피소드 VFX 제작에서 얼굴 교체 초기 버전 제작이 며칠에서 몇 주까지 걸리는 문제를 겪고 있었고, 이는 감독 승인과 고객 피드백 주기를 지연시키는 핵심 병목이었다.
• 기존 AI 얼굴 교체 모델은 촬영 현장 데이터를 활용할 수 있었지만 한 번에 하나의 GPU만 사용해 VRAM과 처리량이 제한됐고, 모델 반복 학습 시간이 길어졌다.
• Outpost VFX는 컴퓨트 확장성, 민감한 제작 데이터 보호를 위한 보안, 더 큰 데이터셋과 고해상도 이미지를 다룰 수 있는 성능 최적화를 핵심 요구사항으로 정했다.
• AWS Generative AI Innovation Center와의 협업을 통해 기존 모델 코드를 PyTorch Distributed Data Parallel 방식으로 전환하고, EC2 P5 인스턴스의 H100 GPU와 NVLink 기반 다중 GPU 학습을 활용했다.
• 고정된 데이터셋·하이퍼파라미터·손실 기준으로 측정한 결과 학습 속도는 최대 8배 개선됐고, 기존 1~2주 걸리던 초기 검토용 v001 납품은 약 2일로 단축됐다.

🧩 주요 포인트

1. Outpost VFX는 영화·에피소드 VFX 제작에서 얼굴 교체 초기 버전 제작이 며칠에서 몇 주까지 걸리는 문제를 겪고 있었고, 이는 감독 승인과 고객 피드백 주기를 지연시키는 핵심 병목이었다.
2. 기존 AI 얼굴 교체 모델은 촬영 현장 데이터를 활용할 수 있었지만 한 번에 하나의 GPU만 사용해 VRAM과 처리량이 제한됐고, 모델 반복 학습 시간이 길어졌다.
3. Outpost VFX는 컴퓨트 확장성, 민감한 제작 데이터 보호를 위한 보안, 더 큰 데이터셋과 고해상도 이미지를 다룰 수 있는 성능 최적화를 핵심 요구사항으로 정했다.
4. AWS Generative AI Innovation Center와의 협업을 통해 기존 모델 코드를 PyTorch Distributed Data Parallel 방식으로 전환하고, EC2 P5 인스턴스의 H100 GPU와 NVLink 기반 다중 GPU 학습을 활용했다.
5. 고정된 데이터셋·하이퍼파라미터·손실 기준으로 측정한 결과 학습 속도는 최대 8배 개선됐고, 기존 1~2주 걸리던 초기 검토용 v001 납품은 약 2일로 단축됐다.

🧠 상세 정리

1. VFX 제작 일정에서 AI 학습이 만든 병목

글은 VFX 제작에서 AI 모델 학습이 몇 주까지 걸릴 수 있고, 그 지연이 곧 제작 일정과 고객 납품에 영향을 준다는 문제의식에서 출발한다. Outpost VFX는 영국, 캐나다, 인도에 스튜디오를 두고 고급 영화 및 에피소드 콘텐츠를 제작하는 회사로 소개된다. 이런 환경에서는 하루의 지연도 고객 전달물과 프로젝트 일정에 직접적인 압박이 된다. 특히 얼굴 교체 작업은 감독 승인 전 초기 버전을 빠르게 만들어 반복 검토를 진행해야 하므로, 학습 속도와 피드백 속도가 제작 흐름의 핵심 요소로 다뤄진다.

2. 전통적 얼굴 교체 방식과 단일 GPU 한계

기존 얼굴 교체 워크플로는 초기 감독 승인용 버전을 만들기 위해 5일 이상의 합성 작업이나 전문적인 뷰티·디에이징 지원이 필요했다. 이 방식은 효과적일 수 있지만, 반복 승인 과정의 초기에 병목을 만들며 제작 일정에서 가장 민감한 구간을 늦춘다. Outpost VFX는 촬영 현장 footage를 기반으로 학습하는 AI 모델을 개발해 이 과정을 앞당기려 했다. 그러나 기존 얼굴 교체 도구가 한 번에 하나의 GPU만 사용할 수 있어 VRAM 접근과 처리 용량이 제한됐고, AI 보조 접근법의 잠재력을 충분히 활용하지 못했다.

3. Outpost VFX가 설정한 세 가지 설계 요구사항

Outpost VFX가 제시한 첫 번째 요구사항은 얼굴 교체 모델 학습을 여러 GPU로 병렬화해 의미 있는 효율 개선을 얻는 컴퓨트 확장성이었다. 단일 GPU 학습은 모델 반복 주기를 길게 만들어 주 단위 지연을 발생시켰다. 두 번째 요구사항은 민감한 제작 데이터를 처리하는 데 필요한 엄격한 보안 조건을 충족하는 인프라였다. 세 번째는 단순히 속도만 높이는 것이 아니라 더 큰 데이터셋과 고해상도 이미지를 지원해 결과 품질까지 개선하는 성능 최적화였다.

4. P5 인스턴스와 분산 학습 구조로의 전환

구현은 기존 Outpost VFX 얼굴 교체 모델 코드베이스를 여러 GPU에서 분산 학습할 수 있도록 조정하는 방식으로 진행됐다. 솔루션은 Outpost VFX의 기존 인프라 요구사항에 맞는 분리된 보안 클라우드 환경 안에서 AWS 다중 GPU EC2 P5 인스턴스를 사용했다. 이전에는 RTX 3090 GPU가 장착된 워크스테이션에서 배우와 스턴트 대역의 작은 데이터셋을 모아 기본 모델을 fine-tuning했지만, 한 번의 fine-tune에 약 1~2주가 걸렸다. 또한 클라우드 워크스테이션을 확장하는 방식은 관리 부담이 커져, 팀은 P5 인스턴스 기반 학습을 검토하게 됐다.

5. H100 GPU, NVLink, PyTorch DDP 적용

P5 인스턴스는 분산 학습 워크로드를 위해 설계된 NVIDIA H100 GPU를 사용하며, GPU 간 통신에 PCIe를 쓰는 G 계열과 달리 NVLink 인터커넥트를 제공한다고 설명된다. 이는 여러 GPU 사이에서 gradient synchronization을 수행할 때 중요한 대역폭을 제공한다. H100의 14,592개 CUDA 코어와 80GB HBM3 메모리도 기존 로컬 RTX 3090 환경보다 큰 업그레이드로 제시된다. AWS 과학자들은 6주간의 자문 기간 동안 모델 코드를 PyTorch Distributed Data Parallel 전략으로 변환했고, 이 방식은 각 GPU에 모델 가중치를 복사해 더 많은 이미지를 한 batch에서 처리하도록 한다.

6. 측정 결과와 향후 확장 가능성

성능 개선은 학습용 이미지 데이터셋을 모으고, 모델 하이퍼파라미터를 고정한 뒤, 특정 손실 기준에 도달하는 시간을 측정하는 방식으로 검증됐다. 기준선은 G5 인스턴스의 단일 GPU였고, 비교 대상은 P5 인스턴스에서 실행한 모델이었다. Outpost VFX와 AWS의 공동 개발 결과 얼굴 교체 모델 학습 속도는 최대 8배 향상됐으며, 초기 검토용 v001 납품은 기존 1~2주에서 2일로 줄었다. 글은 더 높은 해상도의 이미지와 더 큰 데이터셋을 처리하면 출력 품질을 높일 수 있고, 향후에는 관리형 학습·모델 버전 관리·호스팅 추론 같은 기능으로 AI 파이프라인을 더 정리할 가능성도 언급한다.

🧾 핵심 주장 / 시사점

• 이 사례의 핵심은 단순히 더 빠른 GPU를 쓰는 것이 아니라, 기존 단일 GPU 코드와 워크플로를 다중 GPU 분산 학습 구조로 바꿔 제작 승인 주기를 줄였다는 점이다.
• VFX처럼 반복 검토와 초기 승인 속도가 중요한 분야에서는 학습 시간 단축이 기술적 성능 지표를 넘어 고객 피드백, 납품 일정, 비용 구조에 직접 연결된다.
• Outpost VFX의 결과는 AI 모델이 실험 단계에 머무르지 않고 실제 제작 파이프라인의 일부가 되려면 보안, 확장성, 데이터 해상도, 운영 관리까지 함께 설계돼야 함을 보여준다.

✅ 액션 아이템

• 영화·에피소드 VFX에서 초기 얼굴 교체 v001 제작이 1~2주 걸리던 병목을 DDP 다중 GPU로 2일 내 납품 수준으로 줄이는지 점검한다.
• 초기 검증 시 고정 데이터셋·고정 하이퍼파라미터·동일 손실 기준을 유지해 학습 속도 개선 폭과 재학습 주기를 정량적으로 산정한다.
• 기존 단일 GPU 한계의 VRAM·처리량 병목과 민감 데이터 보안을 동시에 완화할 수 있도록 EC2 P5 H100 NVLink 구성을 적합성 기준으로 정의한다.

❓ 열린 질문

• 단일 GPU 중심 파이프라인에서 다중 GPU 분산 학습으로 전환할 때 성능이 8배까지 개선되면서도 현재 품질을 유지할 수 있는 기준은 무엇인가?
• 감독 승인 및 고객 피드백 주기를 단축하려면 v001 초기 납품 기준은 어떤 산출물 범위와 품질 게이트로 설정하는 것이 적절한가?
• 촬영 현장 데이터를 포함한 제작 데이터 보호를 위해 AWS 환경에서 접근 제어·보안 경계는 어떤 방식으로 설정해야 가능한가?