NVIDIA가 의료 영상 및 로보틱스 같은 워크로드를 위한 엣지 AI 플랫폼인 NVIDIA Holoscan을 사용해, AI 코딩 에이전트가 엔지니어의 실시간 애플리케이션 개발을 어떻게 도울 수 있는지 보여주는 개발 워크플로우를 공개했다. 회사는 이 접근법을 사용해 재사용 가능한 모델, 라이브 시각화, 텔레메트리, 벤치마킹을 갖춘 내시경 도구 분할 애플리케이션을 만들었다.

이 글은 새로운 제품 발표라기보다, NVIDIA가 개발자들에게 AI 코딩 에이전트를 구조화된 저장소, 명령줄 도구, 인간 검토와 어떻게 결합하길 기대하는지 보여주는 실용적 사례로 더 주목할 만하다. 핵심 주장은 에이전트가 하나의 프롬프트로 전체 애플리케이션을 생성하려 하기보다, 명시적인 엔지니어링 제약과 반복 가능한 개발 프로세스 안에서 작동할 때 더 유용하다는 것이다.

반복적으로 구축된 의료 영상 애플리케이션

NVIDIA의 예시는 기존 MONAI 내시경 도구 분할 모델과 Holoscan 샘플 비디오를 재사용했다. 회사는 먼저 기존 monai_endoscopic_tool_seg 애플리케이션이 로컬에서 실행되는지 확인한 뒤, 같은 딥러닝 파이프라인을 중심으로 별도의 애플리케이션을 개발했다.

새 애플리케이션은 분할 마스크의 실시간 렌더링, 통계 분석, 런타임 텔레메트리, 반복 가능한 성능 벤치마크를 추가하도록 설계되었다. NVIDIA는 이를 엔드투엔드 실시간 워크플로우라고 설명했지만, 제공된 자료에는 처리량, 지연 시간, 하드웨어, 벤치마크 수치에 대한 구체적 수치는 없다.

코딩 에이전트에게 한 번에 모두 구현하게 하기보다, 엔지니어는 작업을 더 작은 질문들로 나누었다. 여기에는 환경이 올바르게 설정되었는지, 모델과 비디오를 새 애플리케이션에서 실행할 수 있는지, 기존 기능을 해치지 않으면서 렌더링 성능을 개선할 수 있는지 등이 포함되었다.

각 반복은 비슷한 구조를 가졌다. 엔지니어가 목표와 제약을 설정하고, 에이전트가 관련 예제와 문서를 살펴보고, 에이전트가 변경 사항을 구현하고 테스트한 뒤, 엔지니어가 코드와 출력을 검토하고 다음 작업을 정의했다. 이 과정은 애플리케이션이 더 복잡해지는 동안 설계 결정을 검토 가능하게 유지했다.

Holoscan 도구가 에이전트를 안내하는 방식

이 워크플로우는 HoloHub 저장소, 개발 스킬, Holoscan CLI라는 세 가지 리소스를 결합한다. HoloHub는 Holoscan용 참조 애플리케이션과 컴포넌트를 모아 놓은 NVIDIA의 보완 컬렉션이다. 문서는 agents.md를 통해 점진적 공개 구조를 사용해, 에이전트가 무작정 많은 자료를 받는 대신 점점 더 구체적인 지침을 찾을 수 있게 한다.

개발 스킬에는 holohub-app-lifecycle와 holohub-debug-build-run이 포함된다. 이들은 예상되는 애플리케이션 생명주기와 프로젝트를 디버그, 빌드, 실행하는 데 필요한 작업을 설명한다. ./holohub 래퍼를 통해 호출되는 Holoscan CLI는 공통 실행 인터페이스를 제공한다.

이 공통 인터페이스는 단순한 편의성 이상의 의미를 가진다. 에이전트는 엔지니어가 검토, 반복 실행, 감사할 수 있는 동일한 CLI 명령을 통해 개발 작업을 발견하고 실행할 수 있다. 원칙적으로 이는 에이전트가 생성한 코드와 이를 검증하는 데 사용되는 명령 사이의 간극을 줄인다.

NVIDIA는 이 워크플로우가 에이전트에 구애받지 않는다고 말한다. 데모에서는 Codex와 GPT-5.6을 “sol max” 모드로 사용했으며, 게시물에 언급된 처리 시간은 대략적인 값이라고 밝혔다. 따라서 이 예시는 특정 모델이나 에이전트가 Holoscan 개발에 필수라는 것을 증명하기보다, 하나의 프로세스를 보여주는 것이다.

무엇이 입증되었고, 무엇이 입증되지 않았는가

NVIDIA는 반복적 개발을 통해 구현을 벤치마크하고 최적화하는 과정에서 애플리케이션 처리량이 향상되고 지연 시간이 감소했다고 보고한다. 또한 Holoscan CLI, 개발 스킬, 문서 또는 예제를 함께 사용했을 때, 문서만 또는 CLI만 사용할 때보다 가장 효율적이고 품질이 높은 워크플로우가 나왔다는 제거 실험도 설명한다.

이러한 결과는 벤더가 보고한 것이다. 원자료에는 독립 평가자가 명시되어 있지 않고, 전체 테스트 설정도 공개되지 않았으며, 수치 벤치마크 결과도 없다. 또한 이 워크플로우가 서로 다른 에이전트, 모델, 애플리케이션, 하드웨어 구성에서 어떻게 작동하는지도 제시되지 않는다. 따라서 결과는 AI 지원 엔지니어링 전반에 대한 일반적 성능 보장이 아니라, NVIDIA 자체 개발 실험의 증거로 읽어야 한다.

다만 이 게시물은 코딩 보조 도구가 소프트웨어를 작성할 수 있다는 일반론보다 에이전트 사용에 대해 더 구체적인 신호를 준다. 에이전트에는 기존 코드베이스, 참조 구현, 프로세스 문서, 모델 재사용, 시각적 증거, 모델 가중치 무결성에 대한 명확한 제약이 주어졌다. 인간 검토는 모든 반복에 계속 포함되었고, 다음 목표를 정한 것은 에이전트가 아니라 엔지니어였다.

이 차이는 실시간 및 의료 워크로드에서 중요하다. 생성된 구현은 컴파일되거나 시각적 결과를 낼 수 있지만, 지연 시간 목표를 위반하거나 모델 동작을 바꾸거나 성능 재현을 어렵게 만들 수 있다. NVIDIA의 워크플로우는 이런 위험을 모델에 맡길 가정이 아니라, 테스트해야 할 엔지니어링 문제로 다룬다.

개발자와 기업 팀에 대한 시사점

Holoscan 개발자에게 가장 직접적인 교훈은 기술적이면서 조직적이기도 하다. 에이전트에는 탐색 가능한 프로젝트 구조와 운영 도구가 필요하다. 예제, 생명주기 지침, 디버깅 절차, 표준 명령을 갖춘 저장소는 에이전트에게 낯선 인프라를 통과하는 제한된 경로를 제공한다.

이 접근법은 검증된 구성 요소를 버리지 않고 참조 애플리케이션을 현대화하는 데도 도움이 될 수 있다. NVIDIA의 예시에서는 분할 모델과 샘플 입력을 재사용하면서 주변 애플리케이션에 시각화와 텔레메트리를 추가했다. 이는 에이전트에게 모델 선택, 아키텍처 설계, 전체 의료 영상 파이프라인을 처음부터 만들도록 요구하는 것보다 훨씬 더 좁고 통제 가능한 작업이다.

기업 구매자와 제품 팀에게 이 워크플로우는 여러 배포 질문을 제기한다. 어떤 생성된 변경 사항에 인간 승인이 필요한지, 모델 가중치와 데이터를 어떻게 보호할지, 대상 장치에서 벤치마크가 재현 가능한지, 에이전트가 렌더링이나 파이프라인 코드를 수정할 때 회귀를 어떻게 탐지할지 등을 결정해야 한다. 규제되거나 안전이 중요한 환경에서는 명령과 테스트 출력의 감사 가능성이 코드 생성 속도만큼 중요할 수 있다.

이 예시는 또한 코딩 에이전트 플랫폼 간의 경쟁적 차별점도 보여준다. 가치는 반드시 기반 언어 모델에서만 나오지 않는다. 에이전트가 도메인 특화 문서, 실행 가능한 도구, 참조 애플리케이션, 평가 루프와 얼마나 잘 연결되느냐에 달려 있을 수 있다. NVIDIA의 기여는 Holoscan과 HoloHub를 중심으로 이러한 요소를 묶어 제공하고, 에이전트 계층은 교체 가능하게 남겨둔 데 있다.

다음에 주목할 점

다음으로 유용한 신호는 NVIDIA가 내시경 애플리케이션에 대한 수치 결과를 공개하는지 여부다. 여기에는 하드웨어 구성, 기준 비교, 처리량, 지연 시간, 그리고 에이전트 지원 반복의 비용이나 시간이 포함된다. 이런 세부 정보가 있으면 보고된 최적화 주장들을 더 쉽게 평가할 수 있다.

개발자들은 HoloHub가 로보틱스나 다른 의료 영상 파이프라인 같은 추가 Holoscan 워크로드를 위한 에이전트 지향 스킬과 예제를 더 제공하는지도 지켜봐야 한다. 더 넓은 범위의 지원은 이 워크플로우가 하나의 애플리케이션을 넘어 일반화되는지 보여줄 것이다.

마지막으로, 서로 다른 코딩 에이전트와 모델에 대한 독립적 테스트는 NVIDIA의 저장소와 CLI의 기여를 데모에 사용된 특정 에이전트의 능력과 분리하는 데 도움이 될 것이다. 실패율, 검토 노력, 재현성에 대한 증거는 기업 채택에 특히 중요하다.

Creati.ai 관점

NVIDIA의 발표는 AI 코딩 에이전트가 독립적으로 상용 수준의 실시간 의료 소프트웨어를 개발할 수 있다는 증거라기보다, 제한된 에이전틱 엔지니어링을 위한 청사진으로 이해하는 것이 가장 좋다. 이 예시의 가장 강력한 부분은 피드백 루프다. 제약된 목표, 실행 가능한 도구, 벤치마크된 출력, 그리고 인간 검토.

AI 빌더에게 더 넓은 교훈은 실용적이다. 팀이 프로젝트 지식을 찾기 쉬운 지침으로 바꾸고 검증을 구현과 같은 워크플로우에 포함시킬 때 에이전트는 더 신뢰할 수 있게 된다. NVIDIA의 Holoscan 스택이 그 이점을 대규모로 제공할 수 있을지는 독립적 벤치마크, 더 많은 예제, 그리고 그 과정이 신뢰성이나 감독을 약화시키지 않으면서 엔지니어링 노력을 줄인다는 증거에 달려 있다.