XENOM 공동 창립자 안드레이 쿨릭 – 인터뷰 시리즈

안드레이 쿨릭은 XENOM의 공동 창립자 겸 CEO로, 온디바이스 AI, 분산 시스템, 머신러닝 분야의 경험을 산업 현장에 적용하고 있습니다. 그는 앞서 AIMatter를 공동 창립했으며, AIMatter는 Google에 인수되었습니다. 이후 Google에서 소비자 기기용 AI 시스템 개발에도 참여했습니다. 그의 경력은 실제 하드웨어와 환경이 부과하는 현실적인 제약 속에서도 첨단 AI가 안정적으로 작동하도록 하는 데 초점을 맞춰 왔습니다.

XENOM은 소프트웨어와 스마트 보호 장비를 결합한 산업용 AI 플랫폼을 개발해 작업 현장의 실시간 상황을 운영자에게 보여 줍니다. 이 시스템은 위치 파악, 작업자 간 통신, 환경 감지, 안전 데이터를 하나로 통합합니다. 이번 인터뷰에서 쿨릭은 엣지 AI, 스마트 헬멧, 사람의 감독, 작업자 개인정보 보호, 산업 현장 모니터링에서 예측 기반 의사결정 지원으로 나아가는 과정에 대해 이야기합니다.

앞서 AIMatter를 공동 창립해 Google에 인수된 뒤, 소비자 기기에서 직접 작동하도록 설계된 AI 시스템을 개발하는 데 수년을 보내셨습니다. 어떤 계기로 XENOM을 공동 창립하게 되셨나요? Google에서의 경험은 산업 환경에 AI를 도입하려는 비전에 어떤 영향을 주었나요?

인수 이후 저는 한 가지 구체적인 문제를 해결하는 데 수년을 보냈습니다. 배터리가 제한적이고 연결 상태가 불안정하며 실험실에서 완벽히 재현할 수 없는 실제 환경에서도 주머니에 들어갈 만한 기기에서 첨단 AI를 안정적으로 실행하려면 어떻게 해야 할까 하는 문제였습니다. 그 기술을 휴대전화, 안경, 이어버드 등 수십억 대의 기기에 적용해 출시했습니다. 그러다 어느 순간 이 아키텍처가 또 어디에 쓰일 수 있을지 스스로 묻기 시작했습니다. 소비자 기기는 편리하지만, 산업 현장에서는 잘못된 결정을 내리거나 아무런 결정도 내리지 않는 대가가 인명 피해와 수백만에 달하는 생산성 손실로 이어질 수 있습니다. 대부분의 산업 현장에는 여전히 현재 상황을 실시간으로 파악할 수 있는 체계가 없습니다. 이런 공백을 메우는 것이야말로 우리가 수년간 개발해 온 기술이 해결하기에 꼭 맞는 문제라고 느꼈습니다.

XENOM은 AI 기반 소프트웨어와 스마트 보호 장비를 결합해 산업 현장 운영을 실시간으로 파악할 수 있게 합니다. 기존 산업 안전 시스템의 가장 큰 사각지대는 무엇이며, XENOM의 플랫폼은 기존 모니터링 기술로 해결하기 어려운 문제를 어떻게 다루나요?

근본적인 문제는 대부분의 시스템이 사고를 예방하기보다 이미 일어난 일을 기록하도록 설계됐다는 점입니다. 작업자의 위치 정보는 몇 분에 한 번씩 갱신됩니다. 근무 시간표는 교대 근무가 끝난 뒤 작성됩니다. 안전 규정 위반은 사고 보고서가 제출된 후에야 기록됩니다. 관리자가 데이터를 확인할 때쯤이면 근무가 끝났거나 사고가 이미 발생한 뒤입니다. 두 번째 사각지대는 시스템의 파편화입니다. 한 회사가 가스 모니터링 시스템, 별도의 출입 통제 시스템, 종이로 작성하는 개인 보호 장비(PPE) 점검표, 수기 근무 시간 기록 절차를 각각 운영할 수 있지만, 이들은 서로 연동되지 않습니다. XENOM은 이런 시스템을 모두 대체해 현장에서 수집한 데이터를 실시간으로 처리하는 단일한 연속 데이터 흐름을 제공합니다. 이를 통해 관리자는 서로 단절된 다섯 가지 정보가 아니라 일관된 하나의 현장 상황을 파악할 수 있습니다.

경력의 상당 부분을 리소스가 제한된 기기에서 머신러닝과 대규모 언어 모델(LLM) 추론을 최적화하는 데 집중해 오셨습니다. 이러한 원칙을 산업 환경에 어떻게 적용하고 계신가요? 클라우드 인프라에 의존하는 대신 엣지에서 AI 작업을 처리하면 어떤 기술적 이점이 있나요?

리소스가 제한된 기기를 다루다 보면 한 가지 원칙을 익히게 됩니다. 매 밀리초, 매 밀리와트, 매 바이트의 사용에도 타당한 이유가 있어야 한다는 것입니다. 산업용 헬멧에는 바로 이런 사고방식이 필요합니다. 헬멧은 한 교대 근무 내내 착용해야 하며, 11시간째에도 첫 시간째와 똑같이 일관되게 작동해야 합니다. 우리는 작업을 의도적으로 나눕니다. 음성 스트림과 센서 신호 처리, 낙상과 충격 감지처럼 시간에 민감하고 데이터 처리량이 많은 작업은 해당 하드웨어에 맞게 압축하고 조정한 모델을 사용해 헬멧의 NPU에서 실행합니다. 현장 전체를 조망하는 기능과 심층 분석은 플랫폼 측에서 처리합니다.

엣지 처리는 실용적인 이점을 네 가지 제공합니다. 첫째는 속도입니다. 서버와 데이터를 주고받을 필요 없이 기기가 이벤트에 즉시 반응합니다. 둘째는 안정성입니다. 경량 온디바이스 모델은 예측 가능한 방식으로 작동하는 반면, 연결 단계가 하나 늘어날 때마다 장애 지점도 하나씩 늘어납니다. 셋째는 네트워크 부하입니다. 수백 대의 헬멧이 원시 음성과 센서 데이터를 계속 스트리밍할 수는 없으므로 각 헬멧은 분석 결과를 전송합니다. 넷째는 배터리 수명입니다. 데이터 전송은 기기의 전력을 가장 많이 소모하는 작업 중 하나이므로, 기기에서 직접 처리하고 전송량을 줄이면 작업 시간을 늘릴 수 있습니다.

XENOM은 위치 파악, 통신, 환경 감지, AI 기능을 통합한 스마트 헬멧을 개발했습니다. 연결 상태와 배터리 수명, 안정성을 예측하기 어려운 환경에서 이러한 기술을 하나로 통합하면서 겪은 가장 어려운 엔지니어링 과제는 무엇이었나요?

가장 어려운 문제는 어느 한 기술 자체가 아니라, 대부분의 소비자용 전자기기라면 고장 날 환경에서 모든 기술이 하나의 기기 안에서 안정적으로 함께 작동하도록 만드는 것이었습니다. 산업 현장은 먼지가 많고, 육체적으로 고되며, 극한의 온도에 노출됩니다. 헬멧은 바닥에 떨어지기도 하고 비에 젖기도 하며, 12시간 교대 근무 내내 착용되기도 합니다. 위치 측정, 센서, 통신, AI 추론을 동시에 실행하면 배터리 사용 시간이 실질적인 제약으로 작용합니다. 여기에 연결 아키텍처 문제도 있습니다. 작업자가 실외와 실내를 오갈 때 정확도에 공백이 생기지 않도록, 실외의 RTK 위성 위치 측정과 실내의 독자적인 UWB 메시 네트워크 사이를 매끄럽게 전환해야 했습니다. 이 전환이 자동으로, 안정적으로, 실시간으로 이뤄지게 하는 일은 저희가 개발한 기술 중에서도 상당히 까다로운 과제였습니다.

귀사의 팀은 음성을 통해 음주로 인한 기능 저하 징후를 감지하는 음성 AI 모델을 개발했으며, 기존 학술 벤치마크를 뛰어넘는 성능을 보고했습니다. 이를 가능하게 한 기술적 혁신은 무엇이며, 다양한 언어와 억양, 배경 소음 수준, 실제 작업 환경에서 시스템의 신뢰성을 어떻게 검증하시나요?

핵심은 음주 상태가 말의 미세한 패턴에 감지 가능한 흔적을 남긴다는 점이었습니다. 말의 내용이 아니라 말하는 속도와 타이밍, 음높이의 변화, 발음의 정확도 같은 음향적 특성에 나타나는 흔적입니다. 저희는 별도의 검사를 하거나 작업자가 어떤 행동을 취하지 않아도, 일반적인 음성 통신 중에 이런 패턴을 백그라운드에서 분석하는 모델을 만들었습니다. 정확도 86.7%라는 수치는 공개된 학술 데이터셋을 대상으로 엄격한 벤치마크 테스트를 거쳐 나온 결과입니다. 실제 환경에서의 검증을 위해 중장비 소리, 바람, 여러 사람이 동시에 말하는 상황 등 실제 산업 현장을 대표하는 배경 소음 조건에서 다양한 언어와 억양을 대상으로 테스트합니다. 통제된 연구 환경과는 전혀 다른 조건에서도 작동할 만큼 모델의 견고성을 확보해야 했습니다. 그러려면 학습 데이터의 다양성을 크게 높이고 반복적으로 개선해야 했습니다.

근로자의 기능 저하나 피로를 식별하도록 설계된 AI 시스템은 오탐과 책임 소재에 관한 중대한 문제를 제기합니다. XENOM은 위험을 조기에 감지하는 일과 사람의 확인을 거쳐야 한다는 요구 사이에서 어떻게 균형을 맞추며, 부정확한 AI 평가로 근로자가 부당한 불이익을 받지 않도록 어떤 안전장치를 마련하고 있나요?

이 문제는 처음부터 매우 신중하게 고민했습니다. 시스템은 우려되는 상황을 관리자에게 알리도록 설계됐으며, 자율적으로 조치하지는 않습니다. AI가 기능 저하 가능성을 평가하면 사람이 확인합니다. 관리자는 해당 근로자를 직접 살펴보거나 질문을 하거나, 필요하다고 판단되면 신체 검사를 요청할 수 있습니다. AI가 누군가를 현장에서 배제하는 것은 아닙니다. 사람이 그렇지 않았을 때보다 더 신속하게 판단을 내리는 데 필요한 정보를 제공할 뿐입니다. 또한 실제로 도입된 환경에서 오탐률을 추적하고 모델을 지속적으로 개선합니다. 알고리즘만을 근거로 근로자에게 불이익을 주는 시스템을 만드는 것이 아니라, 아무도 알아차리지 못해 발생하는 사고를 줄이는 것이 목표입니다.

XENOM을 창업하기 전에는 OneSoil의 CTO로 재직하며 컴퓨터 비전과 머신러닝을 농업 모니터링과 생산성 분석에 적용하셨습니다. 농업 분야에 AI를 도입하면서 얻은 교훈 중 건설 현장, 광산, 항만, 에너지 시설을 위한 지능형 시스템을 개발할 때 가장 큰 도움이 된 것은 무엇인가요?

현실 세계에 AI를 도입하는 일은 소프트웨어에 AI를 적용하는 것과 근본적으로 다른 과제입니다. 변수가 많고, 장비가 매번 똑같이 작동하지 않으며, 수십 년 동안 같은 일을 해 온 작업자들은 자신에게 다른 방식으로 일하라고 요구하는 기술을 깊이 불신하기도 합니다. 산업 현장에도 같은 역학이 작용합니다. 기술이 사람들의 예상보다 더 자주 정확하게 작동해 신뢰를 얻어야 하며, 50명으로 구성된 작업팀을 관리하는 사람도 별도 교육 없이 실제로 사용할 수 있을 만큼 간단해야 합니다. 또 하나의 교훈은 현장 데이터의 품질이 거의 언제나 예상보다 낮다는 점입니다. 깔끔한 데이터셋에는 나타나지 않는 잡음과 누락, 예외 상황에도 견딜 수 있는 시스템을 구축해야 합니다.

산업용 AI 플랫폼은 근로자의 위치와 활동, 통신, 생산성에 관한 상세한 정보를 생성할 수 있습니다. 이런 기술이 실제로 안전과 운영 효율을 개선하도록 하면서 데이터 프라이버시와 직원 동의, 직장 내 감시 가능성에는 어떻게 대응하시나요?

저희는 목적 제한의 관점에서 이 문제를 바라봅니다. XENOM이 수집하는 데이터는 안전과 운영 상황 파악을 위한 것이며, 생산성 감시 도구가 아니고 그렇게 사용해서도 안 됩니다. 도입에 앞서 운영사와 함께 명확한 데이터 거버넌스 정책을 정합니다. 어떤 데이터를 수집하는지, 얼마 동안 보관하는지, 누가 접근할 수 있는지, 어떤 경우에 인사 결정에 활용할 수 있는지를 규정합니다. 생산성 분석에는 근로자 위치 데이터를 집계하고 익명화해 사용합니다. 개인별 추적 정보는 비상 대응을 위해 안전 관리자가 이용할 수 있지만, 성과 평가를 위해 현장 관리자가 이용할 수는 없습니다. EU AI Act가 산업용 AI 시스템에도 적용 범위를 넓혀 감에 따라, 규제 체계가 이러한 사항의 상당 부분을 공식화할 것으로 예상합니다. 저희는 규제에 허둥지둥 대응하기보다 한발 앞서 준비하는 편을 택하겠습니다.

통제된 실험실 환경에서 안전이 중요한 산업 현장으로 AI를 옮기는 일은 소프트웨어만 다루는 AI 기업들이 좀처럼 마주하지 않는 과제를 안겨줍니다. XENOM의 실제 현장 도입 과정에서 가장 크게 놀란 점은 무엇이며, 사고 예방, 운영 효율성, 노동력 생산성 측면에서 이 기술이 실질적인 개선을 가져오고 있는지는 어떻게 측정하시나요?

가장 놀라운 점은 사람들의 위치와 시간 사용 방식을 정확히 파악하는 것만으로도 얼마나 큰 가치를 얻을 수 있는가입니다. 운영자들과의 대화에서 안전이 가장 중요한 주제가 될 것으로 예상했습니다. 그러나 실제로는 생산성 가시성, 즉 교대 근무 중 어디서 시간이 낭비되는지, 어떤 작업조가 다른 작업조보다 더 나은 성과를 내는 이유는 무엇인지, 병목 현상이 어디서 발생하는지를 파악하는 일이 투자 대비 수익을 더 빠르게 창출하고, 훨씬 신속하게 플랫폼을 지지하는 내부 구성원을 만들어 내는 경우가 많았습니다. 두 번째로 놀라운 점은 업종 간에, 심지어 같은 업종 안에서도 현장마다 차이가 매우 크다는 것입니다. 독일의 건설 현장은 UAE의 건설 현장과 운영 방식이 크게 다릅니다. 상당한 반복 개선을 거치지 않고는 제품 하나를 만들어 어디서나 잘 맞으리라 생각할 수 없습니다.

앞으로 XENOM은 모니터링을 넘어 위험을 예측하고 운영상의 의사결정을 제안할 수 있는 산업용 AI 코파일럿을 구상하고 있습니다. 향후 5년 동안 물리적 AI는 어떻게 발전할 것으로 보시며, 산업용 AI 시스템이 인간의 감독을 유지하면서 더 높은 자율성으로 작동하려면 어떤 기술적 돌파구가 더 필요할까요?

현재 산업용 AI는 대부분 상황을 파악하는 단계, 즉 무슨 일이 일어나고 있는지 알아내는 데 머물러 있습니다. 다음 단계는 예측입니다. 사고나 생산성 저하가 발생하기 전에 이를 앞서 알리는 패턴을 찾아내는 것입니다. 이를 위해서는 시간이 흐르는 동안 구조화되고 라벨이 지정된 데이터를 대규모로 축적해야 합니다. XENOM은 바로 이 작업을 처음부터 해오고 있습니다. 그다음 단계는 권고입니다. 시스템이 일어날 가능성이 높은 일을 알려주는 데 그치지 않고, 인력을 어떻게 재배치할지, 언제 작업을 중단할지, 특정 작업에서 어떤 작업조 구성이 최상의 결과를 내는지와 같이 어떻게 대응해야 할지도 제안하는 단계입니다. 저희가 Industrial AI Copilot을 통해 구현하려는 것이 바로 이 세 번째 단계입니다. 여기에 필요한 기술적 돌파구는 무엇보다 모델링의 발전이 아니라 데이터 문제입니다. 안정적으로 일반화되는 모델을 학습시키려면 충분히 다양한 현장에서 고품질 운영 데이터를 충분한 양으로 확보해야 합니다. 지금부터 그런 데이터를 수집하기 시작하는 기업은 나중에 따라잡기 매우 어려운 우위를 갖게 될 것입니다.

훌륭한 인터뷰에 감사드립니다. 엣지 AI, 스마트 보호 장비, 실시간 산업 안전 모니터링에 대해 더 알아보고 싶은 독자는 XENOM을 방문해 보시기 바랍니다.