오마다 헬스가 SageMaker에서 Llama 모델을 파인튜닝해 맞춤형 영양 교육을 확장한 방법

오마다 헬스가 Amazon SageMaker AI 위에서 Llama 모델을 파인튜닝하여 환자 맞춤형 영양교육을 확장한 방법

소개

디지털 헬스케어 기업 Omada Health는 AI와 클라우드를 활용해 개인 맞춤형 건강관리 경험을 제공해오고 있습니다. 2025년, 오마다는 OmadaSpark라는 AI 기반 영양 지도 기능을 릴리스하며, 사용자 스스로 동기를 찾고 식습관을 개선할 수 있도록 돕는 혁신적인 기능을 선보였습니다. 이 시스템은 Amazon SageMaker AI에서 Llama 3.1 모델을 파인튜닝하여 구현되었으며, 실제 임상 데이터를 바탕으로 이용자의 프로필에 맞는 실시간 영양 교육을 제공합니다.

본 포스트에서는 Omada와 AWS의 협력을 통해 어떻게 AI 기반 영양관리 솔루션이 빠르고 안전하게 배포되고, 실제 의료 환경에 최적화되었는지에 대한 기술 구현과 활용 사례를 중심으로 살펴봅니다.

본론

OmadaSpark의 기술적 구현

OmadaSpark는 '동기 면담 기술(Motivational Interviewing)'을 기반으로 사용자가 스스로 식습관 목표를 설정하고 유지할 수 있도록 설계되었습니다. 해당 시스템은 대규모 언어 모델로 잘 알려진 Llama 3.1 (8B 모델)을 Amazon SageMaker AI에서 QLoRA(Quantized Low Rank Adaptation) 기법으로 파인튜닝하여 개발되었습니다. 이 방식은 상대적으로 작은 데이터셋을 활용해도 고품질 모델 학습이 가능하다는 점에서 활용성이 높습니다.

모델 학습 과정은 다음과 같이 구성됩니다:

1. Omada의 임상 프로토콜과 의학 문헌 기반의 1000개 Q&A 데이터셋을 Amazon S3에 업로드.
2. SageMaker Studio에서 Hugging Face Estimator를 활용한 모델 학습 및 파인튜닝.
3. 챗 기반 질의에 따라 SageMaker Inference Endpoint를 통해 사용자의 대화 이력 및 프로필에 기반한 맞춤 답변 제공.
4. 결과값은 모바일 애플리케이션으로 반환되어 실시간 영양 교육 제공.
5. LangSmith를 활용한 모델 성능 모니터링 및 개선.
6. 임상 전문가의 검증을 통해 교육 내용의 정확성과 안전성 확보.

정확도 개선을 위한 반복적 피드백

Omada는 LangSmith를 통해 이용자와 모델 간 대화를 추적하고, 이를 분석해 모델의 불일치 응답에 대해 수정합니다. 사용자가 평가한 긍정/부정 피드백은 이후 모델 리트레이닝과 시스템 프롬프트 최적화에 활용되어 지속적인 성능 향상을 이끌어냅니다.

임상 팀과의 긴밀한 협업

Omada AI 팀과 임상 팀 간 협업은 프로젝트의 핵심 성공 요인이었습니다. AI/ML 제품 매니저인 Sunaina Kavi는 “임상 정확성과 환자 신뢰도를 확보하기 위해 의료 전문가와의 사전 데이터 검토와 사후 모니터링이 꼭 필요했다”고 전했습니다.

보안과 품질을 고려한 AI 도입

OmadaSpark는 Amazon SageMaker의 보안 인프라를 기반으로 개발되었으며, AWS의 HIPAA 인증 환경 내에서 모든 데이터가 처리됩니다. 민감한 환자정보는 외부로 유출되지 않으며, SageMaker의 모델 소버린티(Model Sovereignty) 기능을 통해 모델 가중치 또한 Omada 내부에서 통제됩니다.

비즈니스 효과 및 미래 확장 계획

OmadaSpark의 도입은 환자 만족도 및 앱 재방문율을 크게 향상시켰습니다. 영양 도우미와 상호작용한 멤버는 그렇지 않은 사용자에 비해 앱 재방문 가능성이 3배 높았습니다. 특히 영양 관련 질의에 대해 수 일이 걸리던 응답 시간이 실시간으로 단축되어, 전체 사용자 경험이 대폭 개선되었습니다.

Omada는 향후 AWS 및 Meta와의 협업을 통해 모델 메모리 기능 강화, 문맥 창 크기 확장, 기타 건강 영역으로의 AI 활용 범위 확대 등을 계획하고 있으며, 이는 AI 기술을 통한 의료 혁신을 가속화할 전망입니다.

결론

Omada Health의 사례는 고도 규제 산업인 헬스케어 분야에서도 AWS 기반 AI 기술이 효과적이고 안전하게 활용될 수 있음을 보여주는 대표적인 예시입니다. SageMaker AI의 배포 가이드와 파인튜닝 기능을 활용하면, 빠르고 정확하게 개인화된 AI 서비스를 구축할 수 있습니다.

Omada의 접근 방식은 자동화된 기술과 임상 전문가간의 유기적인 협업을 통해 가능했으며, 향후 더 많은 조직들이 이를 벤치마킹하여 AI 활용 사례를 확장할 수 있을 것으로 기대됩니다. 특히 ‘어떻게’ 시작할지 고민하는 헬스케어 기업이라면, Omada의 아키텍처 및 구현 전략은 실질적인 인사이트를 제공할 수 있습니다.

https://aws.amazon.com/blogs/machine-learning/how-omada-health-scaled-patient-care-by-fine-tuning-llama-models-on-amazon-sagemaker-ai/