AI Engineer Paris 2026 Main Stage: Google DeepMind, ElevenLabs, Hugging Face & Stripe | Day 2

한 줄 핵심

이 영상은 생성형 미디어, 음성, 인프라, 코딩 에이전트, 엣지 추론까지 AI 제품을 실제로 확장하는 방법을 각 분야 사례로 보여주며, 핵심은 모델 자체보다 이를 둘러싼 평가·안전·배포·비용·워크플로 설계에 있다.

시간별 요약

1. 16:15
   행사 개요와 오늘의 주제 Day 2는 생성형 미디어, graph RAG, 소프트웨어 팩토리, 로봇까지 폭넓게 다루는 일정으로 시작하며, 전시 부스와 스폰서 네트워킹을 적극 활용하라는 메시지가 강조된다.
2. 19:00
   Black Forest Labs와 Flux의 확장 Flux는 이미지·비디오 생성 모델을 넘어 로봇 제어와 게임 플레이까지 확장될 수 있으며, 이를 가능하게 하는 핵심은 모델을 특정 사용 사례에 맞게 정교하게 커스터마이즈하는 방식이다.
3. 22:00
   프롬프트 업샘플링의 역할 사용자 입력을 LLM/VLM으로 확장해 의도와 선호에 맞는 프롬프트로 바꾸면, 같은 모델이라도 결과의 품질과 방향성을 크게 바꿀 수 있고 디자인 요구사항과도 더 잘 맞출 수 있다.
4. 29:00
   모더레이션을 제품 표면으로 다루기 모더레이션은 단순한 안전 필터가 아니라 사용자가 실제로 무엇을 보게 되는지를 결정하는 제품 기능이며, config 기반 제어와 모델 가중치에 안전 성향을 내재화하는 접근이 함께 쓰인다.
5. 36:01
   Flux Action과 로봇 제어 Flux Action은 비디오 모델을 action prediction으로 확장해 로봇 팔의 다음 동작을 예측하고 제어하는 새 모달리티를 보여주며, 영상 생성과 행동 예측을 같은 트랜스포머 계열 구조로 엮는다.
6. 43:02
   11Labs의 제너러티브 아이덴티티 11Labs는 수천만 개의 음성에 맞춰 각 음성을 하나의 얼굴처럼 시각화하는 시스템을 만들고 있으며, 브랜드 일관성과 개별 음성의 차이를 동시에 만족시키는 대규모 생성 파이프라인을 구축했다.
7. 54:00
   음성 특성을 시각 데이터로 매핑 피치, 에너지, 표현성 같은 음성 메트릭을 추출해 시각 요소에 대응시키면, 하나의 얼굴 시스템으로도 서로 다른 음성의 성격을 유지한 채 변주를 만들 수 있다.
8. 58:00
   실시간 셰이더와 대규모 리뷰 시스템 오브는 셰이더 기반의 실시간 레이어와 이미지 레이어로 구성되며, 대량 생성 환경에서는 개별 결과보다 생성 조건과 내부 리뷰 도구를 통제하는 것이 더 중요해진다.
9. 1:09:15
   VLM과 Transformers 백엔드 VLM은 Hugging Face Transformers 모델을 그대로 로드하면서도 VLM의 실행 최적화와 KV cache, continuous batching, 병렬화 이점을 유지하는 추론 엔진이다.
10. 1:13:00
    모델 구조를 클래스와 믹신으로 분해 모델의 config를 읽어 적절한 백엔드 클래스를 고른 뒤, multimodal·MoE·causal 같은 기능을 믹신으로 조합하면 모델별 중복 구현을 줄이면서도 성능을 유지할 수 있다.
11. 1:18:10
    가중치 치환과 성능 유지 방식 VLM은 Transformer 모델을 불러온 뒤 attention, embedding, QKV, RMS norm 등을 자신의 구현으로 치환해 KV cache와 병렬화 기능을 살리면서도 원래 모델의 동작을 보존한다.
12. 2:20:00
    Stripe가 보는 AI 경제의 변화 AI 기업은 더 빠르게 성장하고 더 넓은 시장을 기본 전제로 삼으며, 가격·유통·사기 방지까지 포함한 전체 사업 설계가 과거 SaaS와 다른 방식으로 재편되고 있다.
13. 2:26:01
    Claude와 Stripe MCP로 결제까지 연결 개발자는 Claude 안에서 바로 Stripe MCP와 연결해 샌드박스 생성, 세금 판단, 결제 설정을 진행할 수 있으며, 제품은 이제 개발 환경 안에서 바로 수익화까지 이어져야 한다.
14. 2:50:01
    화자 분리와 실시간 음성 지능 speaker diarization은 누가 언제 말했는지를 식별하는 문제로, 회의 요약·더빙·팟캐스트 분석 같은 작업에서 핵심이며 실시간 환경에서는 지연과 정확도의 균형이 관건이다.
15. 3:04:02
    400ms 지연을 만드는 구성 요소 실시간 화자 분리는 네트워크, 100ms 블록화, 추론, look ahead, 후처리로 나뉘며, 실제 지연은 단일 숫자가 아니라 알고리즘·인프라·배치 전략의 합으로 결정된다.
16. 4:51:02
    미스트랄과 Nvidia의 인프라 전망 에이전트 워크로드의 확대는 CPU, 메모리, 네트워킹, 스토리지까지 포함한 인프라 재설계를 요구하며, 훈련과 추론은 점점 분리되면서도 더 유연하게 재할당되는 방향으로 진화한다.
17. 5:18:03
    저지연 추론 최적화 플레이북 저지연 추론은 워크로드 이해, speculative decoding, quantization, CPU 병목 제거, 라우팅 최적화 순서로 접근해야 하며, GPU 커널 최적화는 그 다음 단계에 속한다.
18. 5:44:01
    엣지에서의 추론과 온디바이스 에이전트 작은 오픈웨이트 모델과 접근 가능한 하드웨어의 결합은 스마트폰·Raspberry Pi·로봇에서 로컬 추론과 음성 UI를 가능하게 하며, 개인정보와 반응 속도 측면에서 큰 장점을 만든다.
19. 6:08:01
    코드베이스 전역 작업을 위한 agentic map reduce 대규모 코드베이스 문제는 검색, 컨텍스트 오염, 종료 조건이 핵심 난제로, 결정적 selector로 범위를 나눈 뒤 sub-agent가 병렬 분석하고 main agent가 통합하는 map reduce 방식이 효과적이다.
20. 7:16:02
    PR 병목을 줄이는 세 단계의 방어선 자동화된 체크, 자동 리뷰, 사람 리뷰를 계층적으로 쌓아야 PR 흐름이 slop으로 무너지지 않으며, 좋은 품질의 코드를 빠르게 흘려보내는 것이 결국 더 빨라지는 길이다.

실무 인사이트

• 생성형 AI 제품은 모델 성능보다 프롬프트 업샘플링, 안전 정책, 포스트 프로세싱, 배포 최적화처럼 모델 바깥 계층을 얼마나 잘 설계하느냐가 경쟁력을 좌우한다.
• AI 서비스의 가격·결제·사기 방지는 출시 후 붙이는 기능이 아니라 처음부터 제품 구조에 넣어야 하며, 특히 에이전트가 구매 주체가 되는 채널을 미리 고려해야 한다.
• 대규모 코드베이스 자동화는 한 번에 끝내려 하지 말고 검색 범위를 줄이는 결정적 도구와 병렬 sub-agent를 결합해 컨텍스트 낭비를 줄여야 한다.