[🎤Runyour AI 인터뷰] Runyour AI로 가능해진 실험의 확장

이번 User Interview에서는 Runyour AI를 활용해 2025 디지털 경진대회에서 대상(과학기술정보통신부장관상)과 인기상을 수상한 인하대학교 학생 팀 ‘AI들’을 만나보았습니다.

대형 언어 모델이 기본이 되어버린 요즘, 학생 팀에게 가장 큰 현실적인 고민은 늘 하나입니다.
“하고 싶은 실험은 많은데, 이걸 돌릴 환경이 될까?”

AI들 팀은 제한적인 연구 환경 속에서도 RunyourAI를 활용해 실험 범위를 확장했고, 그 결과 대회 최고 성과를 만들어냈습니다.
지금부터 이들이 어떤 문제를 마주했고, RunyourAI가 그 과정에서 어떤 역할을 했는지 자세히 들어보겠습니다.

안녕하세요. 먼저 팀과 프로젝트에 대한 소개부터 부탁드릴게요.

저희는 인하대학교 인공지능공학과 3학년에 재학 중인 학생들로 구성된 ‘AI들’ 팀입니다.
같은 학과 수업과 연구실 활동을 통해 자연스럽게 팀이 꾸려졌고, 모두 AI 모델 학습과 실험 경험을 어느 정도 갖고 있었습니다.

이번에 참가한 <2025 디지털 경진대회>는 AI가 생성한 텍스트와 사람이 작성한 텍스트를 구분하는 모델을 개발하는 것이 주제였고, 문제 특성상 대형 언어 모델을 활용한 접근이 사실상 필수인 대회였습니다.

저희는 문단 단위 텍스트를 사람이 작성한 것인지 AI가 작성한 것인지를 구분하는 모델을 개발했습니다. 데이터 전처리와 다양한 학습 기법을 적용해 판별 성능을 높였고, 여러 모델의 장점을 결합해 최종 성능을 향상시키면서 좋은 성과를 거둘 수 있었습니다.

단순한 모델 구현이 아니라, 다양한 모델을 비교하고 반복적으로 실험하면서 성능을 끌어올리는 과정이 중요했기 때문에 인프라 선택이 프로젝트의 핵심 요소였다고 생각해요.

프로젝트를 진행하면서 가장 큰 현실적인 제약은 무엇이었나요?

가장 큰 제약은 단연 GPU 자원이었습니다.
모델이 커질수록 연산량과 메모리 요구량이 급격히 늘어나는데, GPU VRAM이 부족하면 애초에 실험 자체가 불가능한 경우가 많았습니다.

또 하나의 문제는 실험의 연속성이었습니다.
학습이 중간에 중단되거나, 환경 설정에 많은 시간을 소모하게 되면 모델 성능 개선보다 “환경을 유지하는 일”에 훨씬 더 많은 에너지를 쓰게 됩니다.

이런 제약은 단순히 불편한 수준을 넘어, 멘탈을 흔들기도 하고 “시도할 수 있는 모델의 범위 자체를 제한하는 요소”로 작용하기도 했죠.

이런 상황에서 Runyour AI는 어떤 계기로 사용하게 되셨나요?

대회를 준비할수록 점점 더 큰 모델을 써야겠다는 판단이 들었어요.
그런데 기존에 쓰던 환경으로는 한계가 너무 명확했죠.

특히 저희에게 중요했던 조건은 딱 네 가지였습니다.

• GPU VRAM이 충분한지

• 장시간 학습에도 환경이 안정적으로 이어지는지

• 실험에 바로 집중할 수 있도록 세팅 편리한지

• 학생 팀이 감당할 수 있는 비용 구조인지

이 모든 조건을 종합적으로 고려했을 때, Runyour AI가 가장 현실적인 대안이었습니다.

실제로 Runyour AI는 프로젝트에서 주로 어떻게 활용되었나요?

Runyour AI는 프로젝트 전반에서 모델 학습과 실험의 중심 인프라로 활용되었습니다.
특히 80GB VRAM을 갖춘 고사양 GPU 환경을 통해, 기존에는 시도하지 못했던 대형 LLM들을 실제 학습 환경에 올려볼 수 있었습니다.

이 덕분에 단순히 하나의 모델에 의존하는 방식이 아니라,

• 여러 모델 구조 비교

• 파라미터 규모별 성능 차이 분석

• 반복 학습을 통한 세부 튜닝

과 같은 작업을 충분히 수행할 수 있었습니다.

실험 범위가 넓어지면서, 결과적으로 모델 선택과 전략 결정에서도 훨씬 합리적인 판단이 가능해졌습니다.

기존 환경과 비교했을 때 Runyour AI를 사용하면서 가장 크게 체감된 변화는 무엇이었나요?

가장 크게 느낀 변화는 “실험의 기준선 자체가 달라졌다”는 점이었습니다.

첫째로, VRAM 여유가 주는 차이가 컸습니다.
메모리 제약을 신경 쓰지 않고 모델을 선택할 수 있다는 것만으로도 프로젝트 접근 방식이 훨씬 자유로워졌습니다.

둘째로, 학습 속도와 안정성입니다.
학습 시간이 단축되면서 실험 회전율이 높아졌고, 중간에 끊길 걱정 없이 긴 학습을 진행할 수 있다는 점이 큰 장점이었습니다.

셋째로, 환경 설정 부담이 줄었다는 점입니다.
환경 세팅에 들이던 시간을 최소화하고, 그만큼 모델 구조와 성능 개선에 집중할 수 있었습니다.

비용이나 사용 방식 측면에서는 어떠셨나요?

학생 팀 입장에서 사용한 만큼만 과금되는 구조는 굉장히 합리적으로 느껴졌습니다.
필요한 시점에 집중적으로 사용하고, 실험이 없는 구간에서는 비용 부담을 최소화할 수 있었습니다.

장기간 고정 비용을 감당해야 하는 구조였다면 시도 자체가 어려웠을 것 같은 실험들도, Runyour AI 덕분에 현실적인 선택지가 되었습니다.

Runyour AI가 최종 성과에 어떤 영향을 주었다고 보시나요?

RunyourAI는 단순히 “편리한 도구”를 넘어서, 대상이라는 결과를 가능하게 만든 전제 조건에 가까웠다고 생각합니다.

대형 모델을 충분히 실험할 수 있었기 때문에 모델 선택의 폭이 넓어졌고, 그 결과 최종 리더보드에서도 상위 성과를 안정적으로 유지할 수 있었습니다. 결국 실험을 얼마나 많이, 얼마나 깊게 해보느냐의 문제였으니까요.

대상을 수상한 결과 역시, 이러한 실험 환경의 차이가 누적되어 만들어진 성과라고 봅니다.

앞으로도 Runyour AI를 활용하실 계획이 있으신가요?

네, 분명히 있습니다.

앞으로도 대규모 모델을 다루거나, GPU 자원이 프로젝트 성패에 중요한 영향을 미치는 상황이라면 Runyour AI는 충분히 다시 선택할 수 있는 서비스라고 생각합니다.

인터뷰를 마치며

인하대학교 AI들 팀의 사례는 AI 프로젝트에서 인프라가 단순한 지원 요소가 아니라 실험의 한계를 넓혀주는 핵심 요소임을 보여줍니다.

Runyour AI는 인하대학교 학생들에게 더 큰 모델을 시도할 수 있는 환경을 제공했고, 그 선택은 결국 대상 수상이라는 결과로 이어졌습니다.

연구, 교육, 경진대회, 실무 프로젝트까지 대규모 연산 환경이 필요한 순간, Runyour AI는 사용자가 아이디어와 실험에 집중할 수 있도록 돕는 GPU 인프라로 함께하고 있습니다.

🎥 인터뷰 풀버전은 아래에서 확인하실 수 있습니다.