작년 11월, 오리건 주립대학교의 플랑크톤 영상 연구 에 대한 기사를 게재했을 때 , 헤드라인은 연구선에 탑재된 AI 가속 인프라가 배가 항구에 도착하기도 전에 수 테라바이트에 달하는 해양 데이터를 거의 실시간으로 처리한다는 과학적 내용이었습니다. 하지만 그 후 몇 주 동안 조용히 또 다른 변화가 일어났습니다. Dell PowerEdge XE7745 서버 한 대에 Solidigm D5-P5336 E3.S SSD 8개와 NVIDIA RTX PRO 6000 GPU가 탑재되어 얼마나 놀라운 성능을 발휘하는지 캠퍼스 전체에 알려지기 시작했습니다. 다른 부서에서도 문의가 들어오기 시작했고, 곧 연락이 닿기 시작했습니다. 오리건 주립대학교 지구해양대기과학대학의 연구 및 학술 컴퓨팅 책임자인 크리스토퍼 설리번은 대학 전체의 증가하는 AI 수요를 충족하기 위해 이러한 서버 랙을 도입하고자 합니다. 그리고 이러한 야망을 뒷받침하는 이야기는 플랑크톤 연구를 훨씬 뛰어넘는 의미를 지닙니다.
오리건 주립대학교는 연구 및 학술적 활용 측면에서 인공지능(AI)을 도입하는 데 있어 미국에서 가장 앞서가는 대학 중 하나로 자리매김했습니다. 현재 캠퍼스에서 진행되고 있는 인프라 구축 결정과 Metrum AI, Dell, NVIDIA, Solidigm과 같은 기업과의 파트너십은 단순한 학술적 실험에 그치지 않습니다. 이는 대학이 교육을 제공하고, 학습을 평가하고, 학생들을 보호하는 새로운 방식을 위한 토대를 마련하는 것입니다. 이 글은 그러한 모델이 어떻게 개발되었는지에 대한 이야기입니다.
생성형 인공지능이 악화시킨 문제점
수십 년 동안 서면 과제는 학업 평가의 핵심이었습니다. 논문을 제출하고 이해도를 보여주면 좋은 점수를 받는 방식이었죠. 하지만 생성형 AI는 이러한 시스템을 근본적으로 바꿔놓았습니다. 이제 학생들은 자료를 제대로 이해하지 못한 채 세련되고 잘 짜여진 에세이를 작성할 수 있고, 심지어 노련한 교수조차도 그것이 진짜인지 아닌지 확실하게 구분하기 어려워졌습니다. 수십 년 동안 대학들이 의존해왔던 진정한 이해도의 증거가 약해진 것입니다.
명백한 대안은 구두 평가입니다. 학생들에게 자신의 추론 과정을 소리 내어 설명하고, 분석 단계를 자세히 살펴보고, 결론을 옹호하도록 요청하는 것입니다. 이는 속이기 어렵습니다. 문제는 규모입니다. 200명의 학생을 가르치는 교수가 모든 학생과 마주 앉아 실질적인 구두 시험을 치르는 것은 불가능합니다. 현대 대학에서 이러한 제약으로 인해 구두 평가는 주요 평가 도구로서의 역할을 사실상 잃었습니다. Metrum AI는 이러한 상황을 바꾸기 위해 개발되었습니다.
Metrum AI가 개발한 것
CEO 스틴 그레이엄과 CTO 체탄 가드길이 공동 설립한 메트럼 AI는 AI가 잠재력을 보여주는 데 그치지 않고 실질적인 운영 업무를 수행해야 한다는 단순한 신념을 바탕으로 설립되었습니다. 이 회사는 보험부터 제조에 이르기까지 다양한 산업 분야의 고객을 위해 비디오, 오디오, 문서 및 정형화된 데이터를 분석하는 멀티모달 AI 에이전트를 배포합니다. 메트럼은 델 테크놀로지스와 긴밀한 파트너십을 구축하여 다양한 GPU 구성의 델 엔터프라이즈 서버 인프라를 기반으로 자사 플랫폼을 검증해 왔습니다. 오리건 주립대의 학술 평가 시스템 도입은 메트럼의 사업 방향 전환이 아니라, 회사가 구축하는 모든 제품에 적용되는 온프레미스 방식의 인간 참여형 설계 철학을 새로운 문제 영역에 적용한 동일한 핵심 역량의 사례입니다.
학업 평가에 적용될 경우, 이 플랫폼은 멀티모달 AI를 사용하여 녹화된 학생 비디오 프레젠테이션을 처리하고 교수진이 검토할 수 있도록 루브릭에 맞춰 작성된 평가 초안을 제공합니다. 핵심은 교수진에게 반복적이고 시간 소모적인 추출 작업을 처리하는 AI 파트너를 제공하여 교수진이 진정으로 인간의 판단이 필요한 부분에 집중할 수 있도록 하는 것입니다.
기능적인 측면에서 이 플랫폼은 세 가지 작업을 수행합니다. 첫째, 제출된 비디오에서 멀티모달 아티팩트를 추출하여 OpenAI Whisper를 통해 타임스탬프가 포함된 오디오 스크립트를 생성하고, 둘째, Qwen3-VL-30B 기반의 시각 분석을 통해 슬라이드 콘텐츠를 캡처합니다. 셋째, vLLM에서 실행되는 Qwen3-30B-A3B 추론 모델을 사용하여 추출된 콘텐츠에 강사가 설계한 평가 기준표를 적용합니다. 마지막으로, 각 점수를 특정 스크립트 타임스탬프 또는 슬라이드 식별자에 연결하여 교수진의 검토 및 승인을 거쳐 학생에게 전달될 수 있도록 증거 포인터가 포함된 평가 초안을 제시합니다.
마지막 단계가 매우 중요합니다. 강사가 검토하고 필요한 수정을 거쳐 명시적으로 승인하기 전까지는 학생들에게 점수, 댓글, 피드백이 전혀 표시되지 않습니다. 이 시스템은 교수진의 권한을 중심으로 구축되었습니다. 또한, 플랫폼은 전적으로 온프레미스 환경에서 운영됩니다. 이러한 결정은 시스템 작동 방식, 시스템 신뢰도, 필요한 하드웨어 등 모든 것에 영향을 미칩니다.
교수의 개인 프로젝트에서 총장의 지시 사항으로
조너선 칼로디모스는 오리건 주립대학교 경영대학의 재무학 부교수이자 할리 & 브리짓 스미스 펠로우입니다. 그의 이력은 인공지능 인프라 구축이라는 중요한 이슈의 중심에 있는 인물과는 다소 의외일 수 있습니다. 오리건 주립대학교에 합류하기 전에는 미국 증권거래위원회(SEC)에서 금융 경제학자로 근무하며, 도드-프랭크법 954조(임원 보수 환수 관련 규정) 제정에 주도적인 역할을 했습니다. 그의 기업 지배구조 및 금융 규제 연구는 월스트리트 저널, 뉴욕 타임스, 블룸버그, 하버드 비즈니스 리뷰 등에 인용되었습니다. 또한, 그는 물리학자 특유의 정확한 측정 감각을 지닌 것으로도 알려져 있습니다.
약 1년 전, 칼로디모스는 MBA 수업을 위해 간단한 도구를 개발했습니다. 바로 사례 연구 발표의 구두 평가를 위한 AI 에이전트였습니다. 학생들은 피드백의 질에 깊은 인상을 받았습니다. 그는 오리건 주립대학교에서 열린 AI 주간 행사에서 이 프로젝트를 발표했습니다. 델(Dell)은 이를 눈여겨보고 그를 메트럼 AI(Metrum AI)와 연결해 주었고, 교실에서의 작은 실험은 훨씬 더 큰 프로젝트로 발전하게 되었습니다.
"일단 도구를 갖추게 되면, 그 도구의 장점을 최대한 활용하여 더 나은 교육 경험을 제공할 수 있도록 교수 스타일과 교수법을 다듬을 수 있습니다."
— 조너선 칼로디모스, 오리건 주립대학교 재무학 부교수 겸 할리 & 브리짓 스미스 펠로우
칼로디모스가 구축하고 있는 것은 그가 '증거 기반 추출'이라고 부르는 것으로, 그가 '평가 기준표 설계'라고 설명하는 개념을 기반으로 합니다. 이는 학생 발표에서 추출 가능한 특징을 파악하고, 이러한 특징들을 종합하여 학습 결과를 도출하며, 교수진에게 각 학생이 어떤 부분에서 이해도를 보였고 어떤 부분에서 부족했는지 체계적으로 보여주는 것을 포함합니다. 그는 "의식 없는 학생들에게 설명하기 쉽게 말하자면, 아주 상세한 체크리스트가 있어서 발표를 보면서 학생들이 한 부분을 체크하는 것과 같은 원리입니다. 물론 훨씬 더 정교한 시스템이지만, 학생이 해당 내용을 이해하고 있음을 보여줄 수 있는 모든 기회를 파악할 수 있게 해줍니다."라고 설명했습니다.
그는 시스템이 실제로 어떻게 변화하는지 보여주는 두 가지 사례를 제시했습니다. 첫 번째 사례에서 한 학생은 10분짜리 발표를 5분으로 압축했는데, 단조로운 어조에 영어가 모국어가 아닌 것처럼 느린 속도로 말했습니다. 그의 전달 방식 때문에 내용 이해도가 완전히 가려졌습니다. 칼로디모스는 "주의 깊게 듣고 있었지만, 전달 방식 때문에 핵심 내용에 집중하기 어려웠고, 그래서 내용을 세부적으로 분석할 수도, 또 그렇게 하고 싶지도 않았습니다."라고 말했습니다. 이후 그가 AI가 생성한 증거 분석 자료를 15초 단위로 살펴보자, 학생이 내용을 제대로 이해하고 있다는 것이 분명해졌습니다. 지식 자체가 아니라 전달 방식이 평가 대상이었던 것입니다.
두 번째 사례는 한 학생이 발표 자료를 천천히, 마치 서로 연결되지 않은 듯한 슬라이드로 구성하다가 마지막 슬라이드에서야 비로소 논지를 정리하는 방식이었습니다. 실시간으로 발표를 지켜보던 칼로디모스는 이미 그 발표에 대해 부정적인 인상을 가지고 있었습니다. 하지만 시스템은 발표 전체를 하나의 완결된 흐름으로 평가하여 높은 점수를 주었습니다. 칼로디모스는 "이런 유형의 평가 방식이 그런 장점이 있을 거라고는 생각도 못 했습니다."라며, "평가에 소요되는 시간이라는 요소를 배제할 수 있다는 점이 놀랍습니다."라고 말했습니다.
연구 및 학술 컴퓨팅 책임자인 크리스토퍼 설리번은 이번 구축 사업의 인프라 총괄을 맡고 있습니다. 그의 참여는 초기 메트럼 및 델 설계에서 중요한 규정 준수 문제가 드러나면서 더욱 강화되었습니다.
FERPA, 데이터 주권, 그리고 클라우드가 해답이 아닌 이유
설리번이 오클라호마 주립대학교(OSU)의 메트럼 플랫폼 온프레미스 구축을 맡았을 때, 그가 가장 먼저 파악한 문제는 아무도 완전히 해결하지 못했던 가족 교육권 및 사생활 보호법(FERPA)이었습니다.
FERPA는 학생 교육 기록을 규정하는 연방 법률입니다. 이 법은 누가 어떤 조건으로 학생 데이터에 접근할 수 있는지, 그리고 어떻게 보호해야 하는지에 대한 엄격한 요건을 규정합니다. 학생들의 비디오 제출물을 수집하고, 성적 증명서를 생성하고, 평가를 실시하고, 모든 성적 결정 내역을 저장하는 Metrum과 같은 시스템의 경우, FERPA 준수는 선택 사항이 아니라 시스템 아키텍처의 필수 조건입니다.
설리번은 “FERPA(가족 교육권 및 사생활 보호법) 조건을 모두 충족하면서도 대용량 저장 공간을 확보할 수 있는 온프레미스 솔루션이 필요했습니다.”라고 말했습니다. 클라우드 처리는 이러한 요구 사항과 부합하지 않았습니다. 학생들의 비디오 파일, 오디오 녹취록, 평가 기록을 외부 AI API를 통해 전송하는 것은 대학의 직접적인 통제 범위를 벗어난 제3자 시스템으로 학생의 개인 식별 정보를 전송하는 것을 의미했습니다. 이러한 환경에서 모든 공급업체에 걸쳐 FERPA 규정을 준수하는 데 따르는 계약적, 기술적 복잡성 때문에 클라우드 처리는 고려 대상에서 제외되었습니다.
또한 학생들의 실질적인 경험 측면에서도 중요한 점이 있습니다. 녹화된 프레젠테이션을 제출하는 학생들은 자신의 목소리, 얼굴, 압박 속에서 논리적으로 생각하는 과정, 때로는 모국어가 아닌 언어로 발표하는 모습 등 개인적인 경험을 제공합니다. 학생들이 자신의 영상이 OSU 서버에 저장되고, OSU 하드웨어에서 실행되는 모델로 처리되며, OSU 자체 데이터 정책의 적용을 받는다는 사실을 이해하게 되면 상황은 완전히 달라집니다. 칼로디모스는 시범 운영 기간 동안 이러한 변화를 직접 목격했습니다. 그는 "이것이 로컬 모델이고 로컬 저장소를 사용하며 OSU가 학생들을 지원한다는 사실이 확연히 느껴졌습니다."라고 말하며, "OSU가 구축해 온 기관의 신뢰를 활용하여 학생들을 보호하고 이러한 온프레미스 솔루션을 적극적으로 활용해야 합니다."라고 강조했습니다.
클라우드 AI 플랫폼은 배포가 쉽고 빠르지만, 기관 입장에서는 플랫폼 아키텍처 자체보다는 계약에 대한 신뢰를 바탕으로 구축해야 합니다. 이미 개인 데이터 관리 방식에 대해 경계심을 갖고 있는 학생들에게는 이러한 차이가 플랫폼 도입 의지에 상당한 영향을 미칠 수 있습니다. 온프레미스 배포는 단순히 규정 준수만을 위한 것이 아니라, 신뢰의 기반을 구축하는 것입니다.
오클라호마 주립대학교의 조종사, 교무처장, 그리고 앞으로의 전망
시범 운영이 진행 중입니다. 여러 학년의 약 500명의 학생들이 기말고사 기간이 끝나는 시점에 최종 프로젝트를 제출하고 있습니다. 채점 결과는 마지막 제출일로부터 4일 이내에 회신되어야 합니다. AI가 생성한 보고서는 교수진이 채점을 시작하기 전에 준비되어야 합니다. 칼로디모스는 "물론 사람이 직접 검토하는 과정도 병행되지만, 보고서가 먼저 필요합니다. 모든 제출물을 처리하는 데 이틀이 걸린다면, 사람이 투입해야 할 시간은 더욱 촉박해지겠죠."라고 말했습니다. 압박감은 상당하지만, 마감일은 정해져 있고, 관련 인프라는 제 역할을 다하고 있습니다.
이번 시범 운영을 통해 주목할 만한 또 다른 점이 드러났습니다. 최근 한 교수가 학기 도중 행정직으로 승진하면서 다른 강사가 급하게 수업을 대신 맡아 마무리해야 했습니다. 하지만 이미 일관된 AI 평가 체계가 구축되어 있고, 명확한 평가 기준과 확립된 검토 워크플로가 있었기 때문에 해당 강사는 수업의 연속성을 유지할 수 있었습니다. 칼로디모스는 "일관성 있는 AI 평가 시스템을 갖추는 것은 인간 강사의 수업 연속성을 보장할 수 없는 상황에서 학생들의 학습 경험을 확실히 향상시킬 것"이라고 말했습니다.
이 이야기는 결국 오클라호마 주립대학교(OSU) 교무처장에게까지 전해졌습니다. 칼로디모스는 델 시스템, 솔리디그(Solidigm) 스토리지 성능, 개발자 역량, 인프라 벤치마크 등 모든 것을 10분으로 예정됐던 회의에서 발표했지만, 회의는 40분이나 이어졌습니다. 교무처장은 CIO, CTO, 그리고 설리번에게 이메일을 보내 후속 조치를 취했습니다. OSU는 이제 교무처장과 연구처 산하에 새로 설립된 연구 컴퓨팅 사무실에서 관리하는 전교 차원의 시스템 구축을 계획하고 있으며, 봄 학기부터 교수진이 해당 리소스를 이용할 수 있도록 할 예정입니다.
설리번은 랙 규모의 인프라 구축을 구상하고 있습니다. 플랑크톤 이미지 분석 작업에 사용되었고 현재 메트럼 AI 평가 파이프라인을 구동하는 데 사용되는 XE7745 플랫폼을 기반으로 확장을 추진하고 있습니다. 목표는 수요 변화에 따라 학술 컴퓨팅과 연구 컴퓨팅 워크로드 간에 유연하게 전환할 수 있는 서버 랙을 구축하는 것입니다. 이상적으로는 중간고사와 기말고사 제출량이 급증하는 시기에는 메트럼 평가 파이프라인 전용으로 사용하고, 학사 일정이 비교적 한가한 시기에는 연구 워크로드에 재배치하는 방식입니다. 설리번은 "이러한 서버 세트에서 필요한 서버를 선택하여 일정 기간 동안 학술 컴퓨팅에 투입했다가, 다시 연구 컴퓨팅에 활용할 수 있도록 하고 싶습니다."라고 말하며, "필요에 따라 즉시 재배치할 수 있기를 바랍니다."라고 덧붙였습니다.
자연스러운 도입은 이미 진행 중입니다. 보건대학과 공과대학 교수진은 비공식적인 경로를 통해 프로젝트에 대해 알게 된 후 각자 독립적으로 칼로디모스에 연락했습니다. 이 플랫폼은 시범 운영 이후 공식적으로 발표된 적은 없지만, 어쨌든 사용자들을 확보했습니다.
성적 평가 문제의 근본 원인인 역량 부족
이 이야기에는 단순히 채점 속도를 높이는 것에만 초점을 맞춘 버전도 있습니다. 하지만 그것은 불완전한 비전입니다.
더 큰 문제는 수업 수용 능력에 관한 것입니다. 설리번 교수는 오클라호마 주립대학교(OSU)에서 핵심 교육 과정으로 간주하고 모든 학생이 수강해야 하는 100레벨 지질학 강좌를 예로 들었습니다. 현재 이 강좌는 300명씩 두 개의 분반으로 운영되어 분기당 총 600명의 학생이 수강하고 있습니다. 교수진은 이미 수용 한계에 도달했습니다. 현재의 강의 부담으로는 분반을 추가하는 것이 불가능합니다. 설리번 교수는 "교수들에게 더 많은 업무를 맡길 수는 없습니다."라며, "강의 부담을 줄여 분반을 추가하거나, 현재 분반에 더 많은 학생을 수용할 수 있는 방안을 마련해야 합니다."라고 말했습니다.
칼로디모스는 경영대학의 경우에도 비슷한 맥락으로 설명했습니다. 소방 규정상 수강생 수가 45명으로 제한된 강의를 담당하는 교수들은 개별 평가가 확장 가능해지면 소규모 토론 공간을 활용한 대규모 강의 형식을 도입할 수 있을 것이라고 했습니다. 그는 "단순히 수강생을 많이 모으는 것이 중요한 게 아닙니다."라며, "다양한 강의 방식을 모색하면서도 강의의 질을 유지하는 것이 중요합니다."라고 강조했습니다. 인공지능 기반 평가 시스템은 대규모 강의실에서 개별 평가를 실질적으로 가능하게 하는 핵심 요소입니다.
"인공지능은 영향력이나 메시지, 학습 내용 자체를 바꾸지 않고도 수치를 높이는 데 도움을 주고 있습니다."
— 크리스토퍼 설리번, 오리건 주립대학교 연구 및 학술 컴퓨팅 책임자
저장 공간이 부족했던 부분을 채워줬습니다.
설리번이 FERPA 규정을 완벽하게 준수하면서 OSU에 Metrum 시스템을 구축하는 데 필요한 사항을 평가했을 때, GPU 측면은 이미 결정된 상태였습니다. Metrum과 Dell의 레퍼런스 아키텍처는 NVIDIA RTX PRO 6000 GPU가 탑재된 XE7745가 대규모 추론 워크로드를 처리할 수 있음을 입증했습니다. 남은 문제는 스토리지였습니다.
XE7745는 GPU 밀도에 최적화된 4U 공랭식 플랫폼입니다. 이러한 설계는 강점이지만, 드라이브 베이 개수가 제한적이라는 실질적인 제약도 따릅니다. 설리번은 "속도를 저하시키지 않으면서 하나의 장비에 최대한 많은 공간을 확보해야 했습니다. GPU의 성능과 XE7745의 모든 장점을 잃고 싶지 않았기 때문입니다. 하지만 당시에는 이러한 조건을 충족하는 대용량 SSD 솔루션이 많지 않았습니다."라고 말했습니다.
이러한 시스템의 스토리지 계층은 AI 작업 부하 외에도 훨씬 더 많은 것을 처리해야 합니다. 학생 포털에서 들어오는 비디오 파일은 즉시 저장할 공간이 필요합니다. 추출된 오디오 트랙과 타임스탬프가 찍힌 녹취록은 교수진 검토를 위해 별도의 파일로 저장됩니다. 슬라이드 이미지와 OCR 출력물은 별도의 계층에 저장됩니다. 제출 메타데이터, 초안 평가, 교수진 수정 사항 및 승인 기록을 추적하는 Supabase 데이터베이스는 지속적으로 실행됩니다. Whisper, Qwen3-VL 및 추론 모델의 가중치는 추론 병목 현상을 방지하기 위해 충분히 빠르게 로드되어야 합니다. 또한 모든 AI 생성 초안, 모든 교수진 수정 사항 및 모든 승인 조치에 대한 전체 감사 추적 기록은 인증 심사, 학업 윤리 조사 및 행정 보고를 위해 조회 가능한 기록으로 보관되어야 합니다.
이러한 모든 작업 부하는 스토리지에 저장됩니다. GPU는 AI 출력에 대한 책임을 지고, 스토리지는 GPU에 필요한 데이터를 지속적으로 공급하여 작동을 유지하도록 합니다.
설리번 팀은 E3.S 폼팩터의 Solidigm D5-P5336을 선택했습니다. XE7745에는 이 드라이브가 8개 장착됩니다. 드라이브당 30.72TB 용량이므로, 4U 섀시 하나에 245TB가 넘는 플래시 스토리지를 사용할 수 있습니다. D5-P5336은 지속적인 쓰기 성능과 데이터 무결성을 위해 최적화된 엔터프라이즈 펌웨어가 탑재된 QLC NAND를 사용합니다. 이는 시스템이 순간적인 데이터 폭증을 처리하는 것이 아니라, 기말고사 기간처럼 제출량이 폭증하는 시기에는 동시에 비디오 입력, 녹취록 작성, 평가 결과 기록, 데이터베이스 업데이트 등의 작업을 처리해야 하기 때문에 매우 중요합니다.
저희가 동일한 하드웨어 구성을 다룬 해양 연구 기사에서 언급했듯이, RAID 10으로 구성된 Solidigm 드라이브는 처리 파이프라인에 뒤처지지 않고 지속적인 읽기 및 쓰기 성능을 제공했습니다. 스토리지가 병목 현상이 아니었던 것입니다. 아키텍처를 통해 실제 워크로드 제약 조건을 파악할 수 있었고, 팀은 필요한 부분을 최적화할 수 있었습니다. 이러한 검증된 결론은 학술 평가 배포에도 그대로 적용되었습니다.
오클라호마 주립대학교, AI 시대를 대비한 고등교육의 청사진 제시
오리건 주립대학교의 AI 인프라 구축 방식은 의도적이고, 다른 교육 기관들이 참고할 만한 모델입니다. 클라우드 API를 통해 AI 도구를 기회주의적으로 도입하는 대신, 이 대학은 AI를 공급업체 서비스가 아닌 기관의 지속적인 역량으로 간주하는 일련의 아키텍처 설계를 내렸습니다. 하드웨어는 연구 및 학술 컴퓨팅 워크로드를 포괄하는 플랫폼을 중심으로 표준화되었으며, 스토리지는 설계 단계부터 고밀도 및 규정 준수를 고려하여 구축되었습니다. 또한, 교수진은 시스템에서 생성되는 모든 평가에 대한 최종 결정권을 보유합니다.
칼로디모스는 이 플랫폼이 오클라호마 주립대학교(OSU)를 넘어 더 널리 보급되기를 바란다고 분명히 밝혔습니다. "모든 대학이 우리처럼 풍부한 자원을 갖추고 있는 것은 아닙니다."라고 그는 말했습니다. "저는 이 기술이 모든 대학에서 활용될 수 있도록 하고 싶습니다." 이러한 기반이야말로 교육 형평성이라는 더 큰 주장을 뒷받침하는 근거가 됩니다. 특히, 강의 부담이 크고 자원이 부족한 소규모 대학의 교수라면 이 도구가 가장 절실히 필요할 것입니다.
"저장 공간이 필요하고, 그 저장 속도는 빨라야 합니다. 저장 공간이 없으면 AI는 죽은 기술입니다. AI는 데이터 기반 시스템입니다. 1960년대와 70년대에 알고리즘은 있었지만, 데이터를 저장할 저장 공간이 없었기 때문에 알고리즘을 실행할 데이터가 없었습니다."
— 크리스토퍼 설리번, 오리건 주립대학교 연구 및 학술 컴퓨팅 책임자
설리번은 OSU의 모든 인프라 결정과 마찬가지로 하드웨어 계획 문제도 같은 방식으로 접근합니다. 모델은 바뀔 것이고, 학생들이 제출하는 의견의 유형도 진화할 것이며, 교수진이 활용하고자 하는 평가 기법은 더욱 정교해질 것입니다. 그는 "더 큰 포크, 더 큰 나이프, 더 큰 스푼을 사용하게 될 수도 있지만, 하드웨어 측면에서는 여전히 포크, 나이프, 스푼이 기본입니다. 앞으로 몇 년 안에 모델과 의견이 크게 바뀔 것이고, 지금으로서는 하드웨어가 이러한 변화에 앞서 나가는 것이 훨씬 더 중요합니다."라고 말했습니다.
처리된 모든 성적 증명서, 추출된 모든 슬라이드, 모든 평가 초안, 승인된 모든 성적, 그리고 모든 감사 기록은 모두 어딘가에 저장되어야 합니다. 이 시스템에서는 OSU 인프라 내에 245TB 용량의 Solidigm QLC 플래시 스토리지가 설치되어, 눈에 보이는 AI 기능을 가능하게 하는 보이지 않는 작업을 수행합니다. 설리번 교수가 계획 중인 스토리지 랙이 마지막은 아닐 것입니다. 대학은 이 시범 운영의 결과를 주시하고 있으며, 다른 기관들도 OSU의 행보를 주목할 것입니다. 이것이 바로 AI 분야를 선도한다는 의미입니다.
아마존