Chai Discovery: Modal을 활용한 원활한 계산 생물학 인프라 구축

핵심 요약

신약 개발 스타트업 Chai Discovery는 복잡하고 변동성이 큰 계산 생물학 워크로드를 처리하기 위해 기존 클라우드 인프라의 관리 부담과 하드웨어 비일관성 문제에 직면했다. 이들은 Modal의 서버리스 플랫폼을 도입하여 선언적(declarative) 방식으로 인프라를 관리하고, 대규모 생물학 데이터셋을 효율적으로 공유하며 연구에서 프로덕션까지의 과정을 통합했다. Modal의 탄력적 GPU 스케일링과 공유 볼륨 기능을 통해 수천 개의 추론 작업을 즉각적으로 수행하고, 인프라 설정에 소요되던 시간을 과학적 발견에 집중할 수 있는 시간으로 전환했다.

배경

Cloud Computing Basics, GPU Infrastructure, Python, Docker/Containerization concepts

대상 독자

계산 생물학 연구자, MLOps 엔지니어, 대규모 GPU 워크로드를 운영하는 AI 스타트업 개발자

의미 / 영향

이 사례는 AI 기반 신약 개발 분야에서 인프라 추상화가 연구 속도에 미치는 결정적인 영향을 보여준다. 특히 서버리스 환경에서의 데이터 공유와 탄력적 스케일링은 고비용 GPU 자원을 효율적으로 사용하려는 기업들에게 중요한 벤치마크가 될 것이다.

섹션별 상세

Chai Discovery는 기존 AWS, Google Cloud, Azure와 같은 클라우드 환경에서 겪던 로우 레벨 인스턴스 관리의 어려움을 Modal의 선언적 인프라로 해결했다. 연구원들은 복잡한 하드웨어 설정 대신 코드 몇 줄로 필요한 환경을 정의하며, 이는 인프라 구축 작업을 명령형(imperative)에서 선언적(declarative) 작업으로 변화시켰다. 이를 통해 연구원들은 10,000개의 쿼리가 필요한 상황에서도 하드웨어나 데이터 요구 사항을 고민하지 않고 즉시 실험을 실행할 수 있는 환경을 갖추게 되었다.

단백질 임베딩, 다중 서열 정렬(MSA), 항체 설계 모델 등 서로 다른 요구 사항을 가진 다양한 모델들을 통합 관리하기 위해 Modal의 일관된 실행 환경을 활용한다. 과거에는 GPU 유형이나 드라이버 버전의 미세한 차이로 인해 재현성 문제가 발생했으나, Modal은 모든 작업을 동일한 환경에서 실행함으로써 이러한 오류를 제거했다. 연구 단계에서 개발된 결과물을 코드 수정 없이 프로덕션 환경에 그대로 배포할 수 있어 과학적 엄밀성과 운영 효율성을 동시에 확보했다.

수백 기가바이트에 달하는 MSA 데이터셋을 처리하기 위해 Modal Volumes라는 고성능 분산 파일 시스템을 사용한다. 기존 방식으로는 각 머신이 데이터를 개별적으로 다운로드하고 인덱싱하는 데 수 시간이 소요되었으나, Modal Volumes를 통해 데이터를 한 번만 저장하면 수천 개의 GPU가 즉시 공유할 수 있다. 이러한 콜드 스타트(Cold-start) 연결 기능은 데이터 준비 시간을 획기적으로 단축하여 연구원들이 대기 시간 없이 즉각적으로 새로운 실험을 시작할 수 있게 한다.

워크로드의 변동성이 큰 신약 개발 특성에 맞춰 Modal의 자동 스케일링 기능을 적극 활용한다. 평상시에는 조용하다가도 필요 시 수백 개의 GPU를 몇 분 만에 가동하여 대규모 추론 작업을 처리하고, 작업이 끝나면 즉시 자원을 해제하여 유휴 비용을 방지한다. 별도의 클러스터 관리나 용량 계획 없이도 수천 개의 추론 작업을 탄력적으로 처리할 수 있어 인프라 운영에 따르는 정신적 오버헤드를 크게 줄였다.

이미지 분석

Diagram
기사에서 언급된 단백질 구조 예측 및 항체 설계 워크로드의 실제 대상인 생물학적 분자 구조를 보여준다. Chai Discovery가 Modal 인프라를 통해 처리하고자 하는 복잡한 계산 대상의 구체적인 예시이다.
Chai Discovery가 다루는 단백질 및 분자 구조의 시각화 이미지.

실무 Takeaway

서버리스 GPU 플랫폼을 활용하면 인프라 관리 대신 모델 아키텍처와 과학적 가설 검증에 더 많은 시간을 할당할 수 있다.
분산 파일 시스템(Modal Volumes)을 통해 대규모 데이터셋의 중복 다운로드를 방지하고 GPU 클러스터 간 데이터 공유 효율을 극대화해야 한다.
연구와 프로덕션 환경을 동일한 인프라 스택으로 통합하면 코드 재작성 없이 신속한 배포와 실험 재현이 가능하다.