# 파일 용량 최적화가 GPU 사용률을 바꾼다: 데이터 전처리 가속의 본질

> 원문: https://filepresso.writerun.blog/file-size-optimization-gpu-utilization-data-preprocessing-acceleration · 발행 2026-08-03 · 파일프레소

![](https://writerun.blog/assets/3338c239-ccaa-4bd3-bd58-ce8891ce6bbc/image.png)

## 병목은 데이터가 지나오는 길에 있을 수 있다

**​**

고성능 GPU를 도입하면 AI 모델의 학습 시간도
자연스럽게 줄어들 것이라고 기대하기 쉽습니다.

​

그러나 실제 환경에서는 GPU를 추가하거나

상위 사양으로 교체해도 학습 속도가 기대만큼

개선되지 않는 경우가 있습니다.

​

이때 확인해야 할 것은 GPU의 연산 성능만이 아닙니다.

***디스크에서 파일을 읽고, 네트워크를 통해 전송하고,***

***이미지를 디코딩하고, 전처리를 거쳐 다음 배치를***

***준비하는 모든 과정이 학습 속도에 영향을 줍니다.***

​

GPU는 계산을 마쳤지만 다음 데이터가

준비되지 않아 기다리고 있을 수 있습니다.

**​**

**GPU 자체가 느린 것이 아니라,**

**GPU까지 데이터가 도달하는 경로가 느린 상황입니다.**

**​**

**​**

**​**

## GPU 사용률만으로 병목을 판단하기 어려운 이유

**​**

대시보드에서 GPU 사용률이 높게 나타난다고 해서

학습 파이프라인 전체가 효율적으로 작동한다고

단정할 수는 없습니다.

​

순간적으로 GPU가 활발히 작동하더라도

**배치와 배치 사이에 데이터 공급이 지연되면**

**전체 처리량은 낮아질 수 있기 때문입니다.**

​

학습 파이프라인을 점검할 때는 스토리지의

읽기 처리량, 네트워크 대역폭, 파일 디코딩 시간,

데이터 로더의 워커 수, 전처리 연산과

캐시 활용 여부를 함께 살펴봐야 합니다.

​

**특히 수많은 이미지나 문서 파일을 원격 스토리지에서**

**반복적으로 불러오는 환경에서는 파일을 여는 시간과**

**데이터를 전송하는 시간이 누적됩니다.**

​

***파일 한 건을 읽는 데 발생하는 작은 지연도***

***수십만 건, 수백만 건이 반복되면 전체 학습 시간에***

***적지 않은 영향을 줄 수 있습니다.***

​

다만 모델의 크기만으로 I/O 병목 여부를 판단할 수는 없습니다.

모델 연산량이 많으면 데이터 로딩 시간이

상대적으로 가려질 수 있고, 반대로 파일 용량이 크거나

네트워크 환경이 제한적이라면

데이터 공급 지연이 더 뚜렷하게 나타날 수 있습니다.

​

따라서 GPU 증설에 앞서 배치 준비 시간,

데이터 로더 대기 시간, 스토리지 처리량과

네트워크 전송량을 구분해 측정해야 합니다.

​

​

![](https://writerun.blog/assets/0bf419e4-a704-42cd-aada-91e4dda5e242/image.jpg)

## 데이터 전처리 속도는 파일 크기에서도 갈린다

**​**

AI 학습에서 데이터 전처리 가속은

코드의 실행 속도를 높이는 것만을 의미하지 않습니다.

​

**저장소에서 메모리로 이동해야 하는 데이터의**

**물리적인 크기를 줄이는 것도 중요한 접근입니다.**

​

동일한 수의 샘플을 학습하더라도

**파일 하나당 용량이 작아지면**

**스토리지 읽기량과 네트워크 전송량도 감소**합니다.

​

원격 스토리지, NAS, 클라우드 오브젝트 스토리지에서

이미지와 문서를 반복적으로 불러오는 환경이라면

이러한 차이가 배치 공급 시간과

전체 인프라 사용량에 누적될 수 있습니다.

​

다만 파일 용량이 절반으로 줄었다고

학습 시간도 절반으로 단축되는 것은 아닙니다.

​

전체 학습 시간에는 모델 연산, 파일 탐색, 디코딩,

데이터 증강과 캐시 적중률 등 여러 요소가

함께 작용하기 때문입니다.

​

파일 경량화는 다음과 같은 환경에서 효과를 기대할 수 있습니다.

**✅ GPU가 다음 배치를 기다리는 시간이 긴 환경**

**✅ 원격 스토리지에서 대용량 파일을 반복적으로 읽는 환경**

**✅ 네트워크 대역폭이나 스토리지 처리량이 제한된 환경**

**✅ 문서 이미지와 증빙 사진을 대규모로 처리하는 환경**

**✅ 다수의 사용자가 동시에 파일을 업로드하거나 조회하는 환경**

​

​

![](https://writerun.blog/assets/217c34e2-aa53-402d-872a-b10f3d9fd71d/image.jpg)

## 중요한 것은 파일을 작게 만드는 방식이다

**​**

데이터의 크기를 줄이기 위해

다른 파일 포맷(ZIP)으로 변환하거나

별도의 처리 단계를 추가하면 그 과정에서

또 다른 비용이 발생할 수 있습니다.

​

학습 전에 파일을 다시 변환하거나 복원해야 한다면

기존 병목이 사라지는 것이 아니라

다른 단계로 이동할 가능성도 있습니다.

​

따라서 실무에서는 단순한 용량 감소율보다

다음 조건을 먼저 확인해야 합니다.

​

**기존 데이터 로더와 처리 구조를 유지하면서**

**이동하는 데이터의 양을 줄일 수 있는가?**

**​**

**이미지, 동영상, 문서의 확장자, 해상도와**

**기본 속성을 유지한 채 파일 자체를 경량화하면**

**기존 리더나 뷰어를 계속 활용할 수 있습니다.**

​

데이터셋 전체를 새로운 포맷으로 바꾸거나

학습 직전에 별도의 복원 단계를 추가하지 않아도 되서

기존 시스템의 변경 부담도 줄일 수 있습니다.

​

**파일프레소(FilePresso)**는

**JPG, AVI, PDF, HWPX, PPT, EXCEL 등의**

**다양한 이미지, 동영상, 문서의 포맷 및 해상도를**

**완전하게 보전하면서 물리적인 파일 크기를 압축합니다.**

​

즉, ​**데이터의 크기는 줄이되 데이터가 이동하고**

**처리되는 경로는 최대한 유지하는 접근**입니다.

​

파일프레소는 스토리지에서 데이터를 읽고

네트워크로 전송하는 과정의 부담을 줄이는 방식으로

이해하는 것이 적절합니다.

​

이러한 차이는 개별 파일에서는 작아 보일 수 있습니다.

그러나 대량의 데이터가 반복적으로 저장되고 전송되는

운영 환경에서는 스토리지 사용량, 네트워크 트래픽과

처리 대기 시간의 차이로 누적됩니다.

​

​

​

## 실제 운영 환경에서는 작은 차이가 큰 비용이 된다

**​**

파일 한 건의 용량이나 로딩 시간이 조금 줄어드는 것은

큰 변화처럼 보이지 않을 수 있습니다.

​

그러나 데이터가 수백만 건 이상 쌓이면

스토리지 사용량, 네트워크 트래픽, 백업 시간과

데이터 처리 대기열에 미치는 영향도 함께 커집니다.

​

![](https://writerun.blog/assets/239ef55d-c0e4-41ba-a940-67af4209275c/image.png)

메리츠화재 구축 사례에서는 19,304,014개의

이미지 파일을 대상으로 용량 최적화를 적용했습니다.

​

그 결과 원본 57.32TB가 10.82TB로 줄어

**81%의 용량 절감 효과**를 기록했습니다.

​

다만 이 사례의 81%는 파일 용량 절감률입니다.

AI 학습 속도가 같은 비율로 향상된다는 의미는 아닙니다.

학습 속도 개선 폭은 기존 시스템에서 스토리지 읽기와

네트워크 전송이 차지하던 비중에 따라 달라집니다.

​

GPU가 데이터 공급을 기다리는 시간이 길었다면

파일 경량화가 전체 처리량 개선에 기여할 수 있습니다.

​

중요한 것은 높은 용량 절감률 자체가 아니라,

**줄어든 데이터 전송량이 실제 로딩 대기 시간과**

**인프라 부담 감소로 이어지는지 확인하는 것**입니다.

​

​

​

## GPU를 추가하기 전에 데이터가 기다리는 위치부터 찾아야 한다

**​**

AI 학습 성능을 높이기 위해 가장 먼저 해야 할 일이

더 비싼 GPU를 구매하는 것은 아닐 수 있습니다.

​

데이터가 스토리지에서 늦게 읽히는지,

네트워크에서 지연되는지, 파일 디코딩이나

전처리 단계에서 정체되는지를 먼저 구분해야 합니다.

​

병목이 모델 연산에 있다면

GPU와 연산 파이프라인을 개선해야 합니다.

​

반면 병목이 데이터 이동에 있다면 스토리지,

네트워크와 파일 구조를 함께 최적화해야 합니다.

​

결국 핵심은 모델의 학습 가치를 유지하면서

**GPU까지 이동하는 데이터의 물리적인 크기를**

**얼마나 안정적으로 줄일 수 있는가**입니다.

​

데이터가 가벼워진다고

모든 학습이 빨라지는 것은 아닙니다.

​

**그러나 데이터 공급이 병목인 환경이라면**

**파일 경량화는 저장 공간과 네트워크 사용량을**

**줄이는 것을 넘어, GPU의 대기 시간을 낮추고**

**학습 자원을 더욱 효율적으로 활용하는**

**현실적인 방법이 될 수 있습니다.**

**​**

파일프레소에 대해

궁금한 점이 있으시면

consulting@bellins.net 로 언제든 문의주세요💙