영국·캐나다·인도에 스튜디오를 둔 영상특수효과(VFX) 기업 아웃포스트VFX가 아마존웹서비스(AWS)와 협업해 얼굴합성(face replacement) AI 모델의 학습 속도를 최대 8배 끌어올렸다고 AWS가 밝혔다. 고품질 영화·드라마 콘텐츠를 제작하는 아웃포스트VFX에게 하루의 지연은 곧 클라이언트 납품 일정에 직접적인 타격으로 이어지는 문제였다. 전통적인 얼굴합성 워크플로는 감독 승인을 받기 위한 초안을 만드는 데만도 5일 이상의 합성 작업이나 전문 인력의 보정·노화 처리 지원이 필요해, 제작 일정에서 가장 중요한 초기 승인 단계부터 병목이 발생해왔다.
아웃포스트VFX는 촬영 현장 영상으로 학습시켜 얼굴합성 작업을 가속하는 AI 모델을 자체 개발했지만, 기존 얼굴교체 도구가 GPU 한 대만 활용할 수 있는 구조여서 비디오램(VRAM) 접근과 처리 용량에 제약이 있었다. 이 때문에 AI 기반 접근법의 잠재력을 온전히 살리지 못하는 상황이었다. 회사는 컴퓨팅 확장성과 민감한 제작 데이터를 다루기 위한 보안 요건, 더 큰 데이터셋과 고해상도 이미지를 지원하는 성능 최적화라는 세 가지 기술 요건을 충족해야 했고, 이를 위해 AWS 생성형 AI 이노베이션 센터와 함께 기존 AI 학습 알고리즘을 현대화하는 작업에 착수했다.
기존에 아웃포스트VFX는 배우와 스턴트 대역의 소규모 데이터셋을 수집해 엔비디아 RTX 3090 GPU에서 기반 모델을 미세조정하는 방식으로 작업해왔다. 이 방법은 효과가 있었지만 미세조정 1회에 1~2주가 걸렸고, 클라우드 워크스테이션 관리 부담 때문에 규모를 키우기도 어려웠다. 이에 회사는 분산 학습에 특화된 엔비디아 H100 GPU를 탑재한 아마존 EC2 P5 인스턴스로 전환했다. 기존 G시리즈 인스턴스가 GPU 간 통신에 PCIe 방식을 쓰는 것과 달리 P5 인스턴스는 NV링크 인터커넥트를 제공해 다중 GPU 학습에서 핵심 변수인 그래디언트 동기화 대역폭을 크게 높였다. AWS 생성형 AI 이노베이션 센터 과학자들은 6주간의 자문 기간 동안 파이토치(PyTorch)의 분산 데이터 병렬(DDP) 학습 전략을 적용하도록 모델 코드를 변환해, 한 번에 더 많은 이미지를 학습 배치에 담을 수 있도록 개선했다.
속도 개선 효과를 측정하기 위해 아웃포스트VFX는 G5 인스턴스의 단일 GPU를 기준선으로 삼고 동일한 데이터셋과 하이퍼파라미터로 특정 손실 값에 도달하는 시간을 비교했다. 그 결과 P5 인스턴스에서는 학습 속도가 최대 8배 향상됐으며, 클라이언트에게 1차 검토용 결과물을 전달하는 시간이 기존 1~2주에서 2일로 단축됐다. 아웃포스트VFX의 팀 촌시 최고기술책임자는 “병렬화된 워크플로와 여러 최상급 GPU를 동시에 활용할 수 있는 능력 덕분에 훨씬 빠르게 반복 작업을 할 수 있게 됐다”고 말했다. 회사의 데헤라지 바다니 리드 소프트웨어 아키텍트는 이러한 모델들이 더 이상 연구 실험이 아니라 현대 VFX 파이프라인의 핵심 요소로 자리잡고 있다며, 다중 GPU 가속이 차세대 창작 도구의 토대가 될 것이라고 전망했다.
