우리의 비전
모든 플릿은 자체 경험을 통해 학습할 수 있어야 합니다.
우리는 실제 환경에서 얻은 경험을 더 나은 기계로 연결하는 인프라를 구축하고 있습니다. 지속적인 학습이 모든 Physical AI 팀이 활용할 수 있는 역량이 되게 하는 것이 우리의 목표입니다. 팀마다 같은 시스템을 처음부터 다시 만들 필요가 없어야 합니다.
Physical AI의 모델 개발을 뒷받침하는 기반
Emal Alwis창업자 겸 CEO새로운 기회
한 번의 경험은 개선으로 이어져야 합니다.
하룻밤 사이에 달라진 공사 구간에 접근하는 차량을 떠올려 보세요. 모델이 새로운 도로 구조를 제대로 해석하지 못합니다. 이 기록은 단순한 로그 파일이나 일회성 조사로 끝나서는 안 됩니다. 적절한 맥락이 있으면 팀은 실패를 이해하고, 더 나은 학습 데이터를 준비하며, 다음 모델이 그 상황에 더 안정적으로 대응하는지 검증할 수 있습니다.
경험이 반복해서 유용한 학습으로 이어지는 것. 이것이 자율 기계를 위해 우리가 바라는 미래입니다. 배송 로봇, 수확 기계, 산업용 로봇 팔은 서로 다른 문제에 직면합니다. 하지만 개발자들에게는 공통된 필요가 있습니다. 실제 환경에서 일어난 일과 모델의 변화를 연결하는 것입니다. 우리는 이 연결이 신뢰할 수 있는 인프라가 되기를 바랍니다.
창업자의 통찰
모델은 한 부분입니다. 경쟁력은 루프에서 나옵니다.
Tesla Autopilot에서 저는 플릿의 엣지 케이스를 모델 개선으로 연결하는 시스템을 개발했습니다. 그 일을 통해 모델 자체를 넘어 바라보는 법을 배웠습니다. 팀이 어떻게 유용한 사례를 찾고, 센서 맥락을 보존하고, 어떤 일이 있었는지 판단하며, 그 판단을 다음 학습 데이터셋에 반영하는지 살펴보게 되었습니다. 이 과정을 반복할 수 있는 능력은 개별적인 기술적 돌파구만큼 중요합니다.
다른 Physical AI 팀이 그 기반 전체를 처음부터 구축할 필요는 없다는 생각으로 Avala를 창업했습니다. 자신들을 차별화하는 기계와 모델에 최고의 엔지니어링 역량을 쏟을 수 있어야 합니다. Avala는 첫 프로덕션 워크플로부터 훗날 운영할 플릿에 이르기까지, 실제 환경에서 학습할 수 있는 신뢰할 만한 방법을 제공해야 합니다.
학습 루프
실제 환경의 실패에서 검증할 수 있는 결과까지.
우리가 구축하는 시스템은 개선 사이클 전체를 연결합니다. 실패를 찾는 것은 시작입니다. 적절한 데이터를 준비하고 무엇이 달라지는지 측정하는 일이 그 뒤를 잇습니다.
실제 환경의 경험
유용한 사례를 찾고, 부족한 사례를 수집합니다.
AI + 전문가의 판단
센서 맥락을 보존하고 모호함을 해소합니다.
재현 가능한 릴리스
학습 데이터, 라벨, 품질 근거를 고정합니다.
학습 + 평가
합의된 기준에 따라 다음 모델을 검증합니다.
오늘의 기반
학습 과정이 막히는 지점에서 시작합니다.
우리의 일은 프로덕션 데이터에서 시작됩니다. 멀티모달 센서 기록, 어노테이션, 품질 검토가 그 출발점입니다. MCAP과 ROS 기록, 카메라 이미지, LiDAR, 로봇 이동 궤적은 이들을 유용하게 만드는 맥락과 계속 연결되어 있어야 합니다. 우리는 소프트웨어와 전문가 운영을 결합해 고객의 학습 요건을 충족하는 데이터를 준비합니다.
반복되는 문제에서 시작하세요. 일관되지 않은 라벨, 부족한 사례, 다시 한번 보완해야 하는 학습 데이터셋이 그 예입니다. 무엇이 수용 가능한지 정의하세요. 소요 시간, 품질, 전체 투입 노력을 측정하세요. 이를 바탕으로 다음 릴리스를 더 쉽게 만들 수 있게 하세요. 이렇게 특정 데이터 업무가 단절된 납품으로 끝나지 않고, 고객이 의지하는 시스템으로 발전할 수 있습니다.
플랫폼 살펴보기앞으로의 10년
전 세계 자율 플릿의 학습을 뒷받침하는 인프라.
2036년까지 Avala가 자율 기계를 개발하는 팀의 표준 학습 인프라가 되는 것이 우리의 목표입니다. 현장 경험을 학습 데이터 릴리스로 전환하고, 그 릴리스를 평가와 연결하며, 효과가 있는 방법을 플릿 전체에서 반복하는 시스템입니다. 우리는 서로 연결된 네 단계를 통해 그 위치에 걸맞은 신뢰를 쌓아갈 것입니다.
하나의 프로덕션 워크플로를 입증합니다.
고객이 지금 해결해야 하는 문제를 해결합니다. 명확한 수용 기준에 맞춰 결과물을 제공하고, 이전 프로세스와 비교해 성과를 측정합니다. 첫 납품에서 좋은 인상을 주는 데 그치지 않고 다음 사이클의 신뢰성을 높입니다.
모델과 팀을 아우르는 기반이 됩니다.
동일한 데이터셋 식별 체계, 검토 이력, 품질 정책을 더 많은 워크플로로 확장합니다. 확장할 때마다 이미 구축된 인프라를 재사용할 수 있어야 합니다. 별도의 맞춤 엔지니어링 프로젝트 없이 다른 팀이나 모델이 혜택을 얻을 수 있는지가 판단 기준입니다.
발견에서 개선까지의 작업을 자동화합니다.
학습 목표를 실행 가능한 계획으로 전환하는 에이전트를 향해 나아갑니다. 기존 데이터를 찾고, 부족한 사례의 확보를 의뢰하고, 전문가 검토를 조율하고, 릴리스를 준비하며, 평가 결과를 다음 결정과 연결합니다. 일상적인 작업은 자동화하되, 중대한 영향을 미치는 작업에는 범위를 정하고 검토할 수 있게 하며 고객의 통제 아래 둡니다.
생태계 전반에서 학습을 옮겨 활용할 수 있게 합니다.
개방형 인터페이스를 통해 로봇 기술 스택, 모델, 인프라를 연결합니다. 팀은 이력을 포기하지 않고도 더 나은 도구를 도입할 수 있어야 합니다. 소유자가 공유를 선택하고 재사용이 허용되는 경우, 공유 데이터셋과 모델로 이 기반을 넓힐 수 있습니다. 상호운용성은 통제권을 포기하도록 요구하지 않으면서 접근 기회를 넓혀야 합니다.
우리가 믿는 것
진보는 기회를 넓혀야 합니다.
고객은 자신만의 고유한 경쟁력을 유지할 수 있어야 합니다. 플릿의 경험에서 학습한다는 것이 데이터를 경쟁사의 데이터와 몰래 합치는 것을 뜻해서는 안 됩니다. 우리는 이동 가능한 데이터, 명확한 권리, 고객이 통제하는 배포를 지지합니다. Avala는 떠나기 어렵게 만들어서가 아니라, 시스템이 제공하는 가치로 선택받아야 합니다.
기계를 가르치고 평가하는 사람들도 이 미래의 일부입니다. 그들의 판단에는 좋은 도구, 공정한 보상, 더 높은 숙련도를 요구하는 일로 나아갈 경로가 뒷받침되어야 합니다. 우리는 자동화가 반복적인 노력을 줄이면서 전문성의 가치를 높이기를 바랍니다. 더 나은 판단이 과정에 축적되고, 더 나은 소프트웨어가 다음 작업을 지원하며, 같은 실수를 반복하는 일이 줄어드는 미래입니다.
더 큰 목적은 더 안전하고 생산적인 현장 작업, 그리고 더 많은 사람이 감당할 수 있는 가격의 유용한 서비스입니다. 우리는 작은 로봇 개발 팀도 대규모 내부 조직이 있어야 가능했을 역량을 기반으로 개발할 수 있기를 바랍니다. 더 나은 기계는 수단입니다. 더 많은 사람이 그 기계로 무언가를 만들고, 소득을 얻고, 혜택을 누릴 수 있게 하는 것이 목표입니다.
함께 만드세요
더 나은 기계를 뒷받침하는 인프라를 함께 만드세요.
우리는 다음 학습 데이터 릴리스를 가능하게 하는 데이터 작업부터 시작하고 있습니다. 배포 경험에서 학습하는 것이 일부 기업만 구축할 여력이 있는 역량이 아니라 보편적인 실천이 되는 세상을 향해 나아갑니다. 개선할 가치가 있는 프로덕션 워크플로를 가져오세요. 다음 워크플로를 더 쉽게 만드는 인프라를 우리와 함께 구축하세요.
이 비전의 배경을 담은 장문 에세이.