자율주행과 MaaS(Mobility as a Service)가 실제 서비스로 확산되면서 이제는 단순히 “차량을 똑똑하게 만드는 것”만으로는 충분한 가치를 창출하기 어려워졌습니다.
이동의 품질(안전·정시성·쾌적성)을 높이고 안정적인 운행을 유지하며 지속 가능한 사업으로 이어가기 위해서는 차량·도로·이용자·운영 전반을 아우르는 데이터 활용이 필수입니다.
일본에서도 SDV(Software-Defined Vehicle), 자율주행, MaaS, 기업 간 데이터 활용을 하나의 통합 주제로 정리하는 흐름이 강화되고 있습니다.
이번 기사에서는 자율주행·MaaS 시대의 데이터 활용 전반과 AI 아키텍처 진화의 배경을 핵심 포인트 중심으로 정리하도록 하겠습니다.
1.데이터 활용은 ‘자율주행’에서 ‘이동 서비스 전체’로 확장
자율주행의 핵심 데이터는 LiDAR·카메라·레이더 등의 센서 데이터와 주행 로그입니다.
하지만 MaaS가 결합되면 데이터 범위는 크게 확장됩니다.
■ 운행 데이터：배차, 운행 계획, 지연, 승하차, 원격 모니터링·개입 로그
■ 수요 데이터：예약, 혼잡도, 이벤트, 요일·시간대별 수요 패턴
■ 인프라·환경 데이터：신호, 공사, 규제, 기상, 노면 상태
■ 외부 연계 데이터：철도·버스·택시 등 타 교통수단 연계, 결제, 관광·시설 정보
또한 최근에는 차량 단독 인식뿐 아니라 V2X(차량 간·차량-도로 간 통신)를 통해 시야 밖 정보를 보완하는 협력형(Cooperative) 접근 방식도 중요해지고 있습니다.
2.대표 유스케이스: 왜 데이터를 수집하는가
현장에서는 단순히 데이터가 있어서 활용하는 것이 아니라 목적 중심 설계가 중요합니다. 대표 사례는 다음과 같습니다.
■ 안전성 향상：아찔한 상황(Hit & Near Miss) 감지·원인 분석, 위험 구간 학습, 협력 인식 기반 인지 확장
■ 운행 안정화：원격 모니터링 부담 감소, 이상 탐지, 운행 계획 자동 보정
■ 수요 최적화：예약·혼잡 예측, 동적 경로 설정, 공급 최적 배분
■ 도시·지역 최적화：이동 취약계층 지원, 교통 공백 시각화, 정책·투자 의사결정 지원
일본에서는 특정 지역에서 레벨4 자율주행 서비스 구현을 염두에 둔 가이드라인과 사회적 도입 지원 정책이 정비되고 있으며, 일반도로 레벨4 운행 실증 및 인허가 관련 움직임도 발표되고 있습니다.
3.AI 아키텍처: ‘클라우드 중심’에서 ‘엣지+클라우드 협력’으로
자율주행·MaaS AI는 크게 두 계층 요구사항으로 나뉩니다.
■ 실시간 추론(저지연·고신뢰)：차량·도로 등 엣지 중심
■ 학습·검증(대규모·반복)：클라우드 중심
이에 따라 아키텍처는
엣지에서 추론 → 클라우드에서 학습 → 엣지로 재배포하는 순환형 구조가 됩니다.
엣지 환경은 통신 장애·지연을 고려한 설계가 필수이며 MEC(엣지 클라우드) 표준화와 상호운용성이 중요해지고 있습니다.
실무에서 증가하는 구성은 다음과 같습니다.
■ 데이터 수집(차량/도로/운영) → 데이터 레이크/레이크하우스
■ Feature Store → 모델 학습·평가(Model Registry)
■ 배포(엣지/클라우드) → 모니터링(정확도·드리프트·이상) → 개선
4.병목 요소는 ‘데이터 연계 규칙’과 ‘품질’
MaaS는 다양한 이해관계자(교통사업자·지자체·지도·결제·보험 등)가 참여하므로 기술보다 데이터 거버넌스가 병목이 되기 쉽습니다.
일본 국토교통성의 MaaS 데이터 연계 가이드라인 등에서 주요 고려사항이 정리되고 있습니다.
핵심 관점은 다음과 같습니다.
■ 목적 외 사용 방지 설계(동의·권한·로그)
■ 데이터 품질 정의(최신성·정확성·완전성·결손 처리)
■ 표준화된 연계 인터페이스(API, ID 설계, 시간 동기화, 메타데이터)
■ 보안(공급망, 제로트러스트, 키 관리)
5.기술보다 먼저 ‘설계 철학’을 맞춰라
자율주행·MaaS의 가치는 AI 모델 자체보다 데이터 순환(수집→학습→배포→개선)을 얼마나 잘 운영하느냐에 달려 있습니다.
사업화를 위해서는 다음 요소를 초기부터 갖추는 것이 중요합니다.
■ 엣지+클라우드 협력 설계: 실시간 추론과 학습·최적화 역할 분리
■ 데이터 연계 규칙: 다수 주체 환경을 고려한 권한·범위·책임 명확화
■ 품질·책임 분계 정의: 결손·시간 불일치·감사 로그 등 운영 이슈 선제 대응
추가로 데이터 활용 성과를 평가할 지표를 아래와 같이 정의하여 나아가면 더욱 좋습니다.
6.KPI 설계: 성과 평가 기준을 먼저 정하라
■ 안전：개입 횟수, 아찔한 상황 발생률
■ 운행：정시율, 결항률
■ 수요：대기 시간, 탑승률
■ 비용：모니터링 공수, 클라우드 비용
초기에는 KPI를 1~2개로 좁히고 로그 설계와 데이터 품질 기준을 정립한 뒤 소규모 검증을 반복하면 PoC에서 사업화로 전환하기 쉬워집니다.
모델 정확도뿐 아니라 어떤 데이터를 누구와 공유하고 어떤 KPI를 개선할지에 대한 공통 언어를 만드는 것이 향후 프로젝트 추진의 핵심 기반이 될 것입니다.
마무리
자율주행과 MaaS는 더 이상 개별 기술의 문제가 아니라, 다양한 데이터를 연결해 실제 이동 서비스를 어떻게 운영할 것인가의 영역으로 넘어가고 있습니다.
앞으로의 프로젝트에서는 모델 성능만큼이나 데이터 흐름과 운영 설계를 함께 고민하는 접근이 중요해질 것입니다. 결국 지속 가능한 모빌리티 서비스는 기술이 아니라, 데이터를 중심으로 한 실행 구조에서 만들어집니다.