AWS AI 칩에서 Exa 임베딩 처리량 상승
Exa는 AWS AI 칩에서 300억 개 문서를 재처리할 준비를 하는 과정에서 맞춤형 소프트웨어로 임베딩 처리량을 약 50% 늘렸다고 밝혔다. 의미 기반 검색을 지원하는 수치 표현인 임베딩은 회사의 크롤러와 검색 가능한 인덱스 사이에 위치한다. 조건을 충족하는 모든 문서는 사용자가 검색할 수 있기 전에 이 단계를 거쳐야 하므로, 처리 속도 향상은 중요하다.
Exa의 임베딩 처리량 보고서는 반올림된 제목이 시사하는 것보다 더 구체적인 결과를 설명한다. 최종 구현은 초기 구현과 비교해 문서 100만 개당 성능과 비용에서 보고된 기준 47% 개선을 달성했다. 이 비교는 AWS Neuron 하드웨어에서 실행한 Exa의 워크로드에 관한 것이며, 일반적인 클라우드 가격 인하나 경쟁 칩 대비 독립적으로 검증된 우위를 뜻하지는 않는다.
핵심적인 긴장은 편리한 범용 소프트웨어와 대규모 검색을 경제적으로 운영하기 위해 필요한 특수 엔지니어링 사이에 있다. Exa는 수치 표현을 저장하고 검색하는 시스템인 자체 벡터 데이터베이스를 구축했다. Pinecone은 관리형 검색 인프라를 제공하는 또 다른 접근 방식을 대표한다. Exa의 설명은 두 접근 방식의 이면에 있는 작업을 드러낸다. 모델이 개선되고 문서 컬렉션이 계속 변하는 상황에서 수집 비용을 감당 가능한 수준으로 유지하는 일이다.
대규모 재구축 과정에서 개선된 Exa 임베딩 처리량
모델 마이그레이션은 동일한 하드웨어에서 더 많은 작업을 끌어내야 한다는 즉각적인 압박을 만들었다.
Exa의 임베딩 추론 최적화 설명에 따르면, 팀은 재처리를 위해 우선순위가 높은 문서 300억 개를 선정했다. 이 보고서는 2026년 11월 18일에 공개됐다. 이 공개일은 모든 배포나 최적화가 언제 이뤄졌는지를 확정하는 것이 아니라 기술적 설명이 발표된 시점을 나타낸다.
계기는 Exa가 더 우수하다고 설명하는 문서 모델로의 전환이었다. 기존 문서는 교체될 인덱스에 포함되기 전에 새로운 표현이 필요했다. 동시에 라이브 시스템은 계속해서 새 자료를 처리하고 기존 인덱스를 제공해야 했다.
Exa는 동일한 크롤링 및 파싱 단계를 공유하는 병렬 임베딩 파이프라인을 설명한다. 한 파이프라인은 라이브 모델과 인덱스를 유지했고, 다른 파이프라인은 교체 모델로 우선순위 문서를 처리했다. 회사는 이 마이그레이션으로 임베딩 부하가 일시적으로 두 배가 됐다고 밝혔다.
이 구분은 겉보기에는 일상적인 인프라 프로젝트가 왜 상업적으로 중요해졌는지 설명한다. 더 나은 모델은 검색을 최신 상태로 유지하는 지속적인 작업과 함께 기존 컬렉션 전체에 대한 마이그레이션 의무를 만든다. 회사는 새로 발견된 페이지만 처리하는 비용만으로 이 의무를 평가할 수 없다.
초기 구현은 값을 16비트로 표현하는 수치 형식인 FP16과 단순한 병렬 처리를 사용했다. 이후 Exa는 Inferentia2에서 모델이 실행되는 방식을 변경했다. 그 과정에는 가중치 레이아웃 변경, 컴파일러 정밀도 설정, 기존 최적화 연산, 맞춤형 코드가 포함됐다.
보고된 Inferentia2 측정값은 칩 하나와 칩의 처리 코어인 NeuronCore 두 개를 포함하는 inf2.xlarge 인스턴스를 가리킨다. Exa는 각 워크로드가 하나의 코어에서 실행된다고 밝혔다. 사용 가능한 코어를 남겨두는 대신 더 큰 인스턴스에 이러한 워크로드를 배치한다.
이 배포 세부 사항은 비교 범위 설정에 도움이 된다. Exa는 해당 하드웨어 제품군에서 자체 초기 구현을 기준으로 개선을 측정했다. 이 설명은 Inferentia2가 임베딩 추론에서 모든 대안을 능가한다는 것을 입증하지는 않는다.
또한 보고 기간 중 전체 문서 재구축이 완료됐다는 사실도 입증하지 않는다. 300억 개 문서의 선정은 마이그레이션 워크로드를 설명한다. 이를 완료된 처리량, 인덱스 커버리지 또는 현재 제공 용량에 관한 근거 없는 주장으로 확대해서는 안 된다.
독자가 기억해야 할 변화는 더 좁지만 더 유용하다. Exa는 여러 소프트웨어 개입을 통해 기존 임베딩 워크로드를 크게 더 효율적으로 만들었다고 보고한다. 하드웨어는 실행 플랫폼을 제공했고, 최적화 작업은 애플리케이션이 이를 얼마나 효과적으로 활용하는지를 결정했다.
더 나은 검색 모델은 또 다른 수집 비용을 만든다
압박은 라이브 인덱스가 뒤처지지 않도록 하면서 모델 업그레이드 비용을 감당해야 하는 검색 운영자에게 가해진다.
Exa의 아키텍처는 처리 비용과 제품 품질의 관계를 유난히 뚜렷하게 보여준다. 파이프라인은 문서를 크롤링하고, 파싱하고, 검토 및 필터링한 뒤 임베딩을 생성한다. 그 후에야 조건을 충족하는 문서가 검색을 제공하는 벡터 데이터베이스에 들어간다.
회사는 개별 검색 요청에 즉각적인 응답을 요구하지 않는 처리 단계라는 의미의 비동기 파이프라인을 설명한다. 이러한 유연성은 작업 일정 관리에 도움이 된다. 그러나 최신 정보를 신속하게 처리해야 할 필요성을 없애지는 않는다.
임베딩을 기다리는 문서는 그 제공 경로를 통해 기여할 수 없다. 검색 사용자에게 중요한 결과는 유용한 정보가 충분히 빠르게 검색 가능해지는지 여부다. 운영 측면에서 보면, 백로그는 인프라 효율성과 이용 가능한 결과의 최신성을 연결한다.
모델 마이그레이션은 동일한 시스템에 또 다른 수요를 더한다. 이전에 처리된 문서가 교체 표현을 필요로 하는 동안에도 새 문서는 계속 유입된다. Exa의 일시적인 임베딩 부하 두 배 증가는 검색 성능 향상이 사용자가 혜택을 받기 전에 상당한 인프라 의무를 만들 수 있음을 보여준다.
이는 컴퓨팅을 구매하는 팀뿐 아니라 모델을 선택하는 팀에도 압박을 준다. 모델의 유용성은 운영자가 이를 의도한 컬렉션 전체에 배포할 수 있는지에 일부 좌우된다. 평가 세트에서 더 나은 검색 성능이 있다고 해서 그 자체로 감당 가능한 마이그레이션 경로가 입증되는 것은 아니다.
같은 문제는 엔터프라이즈 검색에서 더 작은 규모로도 나타난다. 문서 모델을 바꾸는 조직은 기존 파일, 유입 자료, 표현 간 전환을 고려해야 한다. 이 비유는 마이그레이션 메커니즘에 관한 것이며, 엔터프라이즈 배포가 Exa와 동일한 측정 경제성을 공유한다는 주장은 아니다.
검색 가능한 지식 베이스를 구축하는 독자에게 이 연결은 실용적이다. 검색 품질은 모델과 문서를 계속 이용 가능하게 유지하는 프로세스 모두에 달려 있다. 성능이 뛰어난 모델도 검색 가능한 컬렉션에 도달하지 못한 자료를 검색할 수는 없다.
Pinecone은 관리형 검색 접근 방식이 운영자의 책임에 다른 경계를 설정한다는 점에서 유용한 업계 비교 대상이다. Exa는 자체 벡터 데이터베이스를 소유하고 있으며, 광범위한 검색 시스템 안에서 저수준 추론 튜닝을 설명한다. 이 접근 방식들은 엔지니어링 작업을 다르게 분배하지만, 두 회사 간 성능 순위를 입증하지는 않는다.
따라서 Exa의 보고서는 가속기를 선택하면 비용 결정이 끝난다는 가정에 의문을 제기한다. 수십억 개 문서에 걸쳐 장기간 운영되는 모델의 경우 애플리케이션별 엔지니어링도 구매 계산의 일부가 된다. 관련 비교에는 각 사용 가능한 구현이 실제로 제공하는 결과가 포함된다.
최신성 논리에도 한계는 있다. 임베딩 속도가 빨라지면 한 단계의 압박은 줄어들지만, 크롤링, 검토, 스토리지 또는 검색까지 자동으로 빨라지지는 않는다. Exa의 결과는 추론 효율성 주장을 뒷받침하지만, 종단 간 검색 개선에는 별도의 측정이 필요하다.
맞춤형 커널이 모델에 필요 없는 작업을 제거했다
Exa는 단일 하드웨어 전환이 아니라 더 나은 레이아웃, 적은 메모리 트래픽, 불필요한 계산 축소가 성과를 가져왔다고 설명한다.
첫 번째 변경은 모델이 학습한 수치 파라미터의 배열 방식인 가중치 레이아웃을 다뤘다. Exa는 이 레이아웃을 모델의 실행 방식에 맞춰 불필요한 전치, 즉 행렬 차원을 재배열하는 연산을 제거했다고 밝혔다. 이러한 재배열을 피함으로써 의도한 모델을 바꾸지 않고 작업량을 줄였다.
팀은 특정 계산에 더 낮은 정밀도를 선택하는 컴파일러 기능인 autocast도 활성화했다. Exa는 이를 통해 동적 범위를 유지하면서 행렬 곱셈에 더 낮은 정밀도를 사용할 수 있었다고 밝혔다. 출력은 여전히 회사의 수치적 허용 테스트를 충족해야 했다.
다음은 가속기에서 개별 모델 연산을 실행하는 작은 프로그램인 최적화 커널이었다. AWS의 Neuron Kernel Interface, 즉 NKI는 개발자가 이러한 프로그램을 작성할 방법을 제공한다. Exa는 처음에 입력의 각 부분 간 관계에 가중치를 부여하는 계산을 처리하는 기존 어텐션 커널을 사용했다.
회사에 따르면 이 교체로 성능이 개선됐지만, 추가 프로파일링은 또 다른 제약을 드러냈다. 중간 데이터가 가속기의 주요 고속 메모리인 고대역폭 메모리로 반복적으로 유출됐다. 이 값을 다시 로드하면 유용한 계산이 중단되고 행렬 계산 엔진을 완전히 활용할 수 없었다.
Exa는 맞춤형 융합 SwiGLU MLP 커널로 대응했다. SwiGLU는 중간 표현을 변환하는 신경망 블록인 다층 퍼셉트론에서 사용되는 게이트형 활성화 함수다. 융합은 관련 연산을 결합해 중간 결과가 별도의 실행 단계 사이를 이동할 필요를 줄인다.
회사는 자사 구현이 관찰된 메모리 지연을 제거했다고 밝혔다. 대부분의 코드는 고수준 NKI 구성 요소로 유지하고, 선택된 텐서 연산에만 저수준 명령을 사용했다. 이 선택은 필요한 곳에서 제어권을 유지하면서도 가독성과 디버깅 접근성을 보존하기 위한 것이었다.
AWS는 계산과 데이터 이동을 검사하는 방법으로 하드웨어 실행 프로파일링을 문서화하고 있다. 이러한 추적은 유용한 계산에 소요되는 시간과 전송을 기다리는 시간의 차이를 구분하는 데 도움이 된다. 진단에는 도움이 되지만, 문서 자체가 Exa의 결과를 독립적으로 검증하는 것은 아니다.
나중에는 Exa가 활성 코어 하나와 두 코어를 동시에 실행한 경우를 비교하면서 또 다른 장애물이 나타났다. 회사는 전체 성능이 개별 측정값이 시사하는 수준에 미치지 못한다는 점을 관찰했다. 이 결과는 경합을 가리키며 병렬 작업을 추가하면 비례적으로 확장될 것이라는 가정에 도전했다.
최종 어텐션 재작성은 모델의 정확한 차원을 겨냥했다. Exa는 입력을 예상된 형태에 맞추기 위해 사용되는 추가 값인 패딩과 관련된 계산을 제거했다고 밝혔다. 또한 어텐션 연산을 더 적은 수의 행렬 곱셈으로 결합해 반복적인 명령 단계와 메모리 왕복을 줄였다.
이것이 Exa 임베딩 처리량 최적화의 기술적 의미다. 범용 커널은 초기 배포를 지원했지만, 모델별 가정이 추가 성과를 끌어냈다. 소프트웨어는 워크로드에 필요하지 않은 유연성의 대가를 더는 치르지 않게 됐다. 이러한 특수화는 보고된 이점과 다른 모델이 동일한 결과를 기대해서는 안 되는 이유를 모두 설명한다.
코딩 에이전트는 측정된 피드백 루프 안에서 작동했다
Exa의 설명은 에이전트 지원 최적화에서 검증 인프라가 핵심임을 보여준다.
Exa는 에이전트가 정확성을 확인하고, 지속 성능을 측정하며, 프로파일을 생성하는 워크플로 안에서 최적화를 개발했다고 밝혔다. 따라서 에이전트는 실행 가능한 테스트와 실제 하드웨어에서 피드백을 받았다. 제안한 변경 사항은 코드 리뷰나 그럴듯한 설명 이상을 견뎌내야 했다.
워크플로에는 머신러닝 작업을 조율하는 플랫폼인 Flyte가 사용됐다. 각 에이전트는 Neuron 하드웨어용 실행 파일을 컴파일하고, 기준 데이터셋을 바탕으로 모델 실행 결과를 검증했다. 수치적 허용 기준을 충족한 출력만 추가 검토 대상이 됐다.
그 기준은 수치 벡터 간 정렬 정도를 측정하는 0.999 코사인 유사도였다. Exa는 최적화된 출력을 검증에 사용한 참조 구현인 정식 모델과 비교했다. 이 기준은 허용할 수 없는 출력 변화를 탐지하는 구체적인 관문 역할을 했다.
이 테스트 환경은 모델 실행 한 건을 프로파일링하고 실제 하드웨어에서 30분간 포화 벤치마크도 수행했다. 포화 테스트는 지속적인 처리 용량을 측정하기 위해 장치를 계속 바쁘게 유지한다. 이는 경합이나 배포 제약을 숨길 수 있는 짧고 독립적인 작업의 시간을 재는 것과 다르다.
Exa는 작업마다 서로 다른 에이전트 역량을 배정했다. 경량 모델은 컴파일러 매개변수를 탐색했고, 추론 에이전트는 병목 현상을 조사했으며, 더 강력한 코드 생성기는 맞춤형 커널을 작성했다. 보고서는 더 까다로운 추론 역량에 접근할 수 있도록 유지하면서 개발 비용을 통제하는 방법으로 작업 매칭을 제시한다.
회사는 실무적인 문제도 인정한다. 에이전트가 현재 플랫폼의 문법과 기능을 반드시 알고 있는 것은 아니다. Exa는 그 격차를 메우기 위해 개발 가이드를 활용했다. 전문 가속기 소프트웨어는 계속 변하기 때문에, 자신 있게 생성된 코드도 오래된 인터페이스를 대상으로 할 수 있다는 점에서 이 인정은 중요하다.
AWS의 NKI 릴리스 노트는 프로그래밍 인터페이스와 도구의 지속적인 변화를 문서화한다. 이러한 변화는 환경을 고정하고 동작을 검증할 필요성을 더욱 뒷받침한다. 다만 에이전트를 통해 Exa가 얼마나 많은 엔지니어링 시간을 절약했는지는 입증하지 않는다.
이 구분은 자동화 주장을 현실에 맞게 유지한다. Exa는 에이전트가 최적화 작업을 수행했다고 보고하지만, 사람만으로 구성된 팀과의 통제된 비교는 제시하지 않는다. 또한 총 개발 비용이나 지속적인 유지보수 부담도 확정하지 않는다.
회사의 설명을 통해 이 사례가 보여 주는 것은 명시적인 승인 조건을 갖춘 개발 과정이다. 생성된 코드에는 참조 출력, 하드웨어 측정값, 진단 추적이 있었다. 이러한 장치는 유망해 보이지만 실행 중 실패한 변경을 거부할 수 있게 했다.
인프라 팀에게 이는 에이전트가 저수준 코드를 작성할 수 있는지에서 조직이 이를 신뢰성 있게 평가할 수 있는지로 논의를 옮긴다. 유용한 자산은 완전한 피드백 루프다. 이 루프를 제거하면 동일한 생성 제안은 정확성과 운영상 가치에 관한 훨씬 약한 근거만 남게 된다.
보고된 47% 향상에는 명확한 경계가 있다
이 결과는 특정 워크로드에 한정된 개선이며, 비용 산정, 검색 품질, 이전 가능성에 관한 질문은 여전히 남아 있다.
Exa는 최종 결과를 초기 기준선 대비 성능과 임베딩된 문서 100만 건당 비용에서 47% 개선이라고 설명한다. 차트와 헤드라인은 처리량 변화를 시작 수준의 약 1.5배로 요약한다. 이러한 진술에는 회사의 귀속과 비교 범위를 유지해야 한다.
처리량 증가와 문서당 비용 감소는 관련이 있지만, 그 비율 변화는 서로 바꿔 쓸 수 없다. 고정된 자원에서 더 많은 출력을 내면 단위 경제성이 개선될 수 있다. 그렇다고 Exa의 표현을 지출이 보편적으로 47% 감소했다는 말로 바꿔서는 안 된다.
이 보고서는 대체 배포 환경 전반의 완전한 재무 비교를 재구성하기에 충분한 세부 정보를 제공하지 않는다. 독자는 활용도, 인스턴스 선택, 운영 조건, 포함 비용에 대해 일치하는 가정이 필요하다. 맞춤형 커널의 전체 수익을 평가할 때는 엔지니어링 및 유지보수 비용도 중요하다.
기준선 역시 중요하다. Exa는 단순한 구현에서 시작해 점진적으로 개선했다. 이는 다른 가속기에서 이용 가능한 최선의 구현보다 우수하다는 의미가 아니라, 프로젝트 내부의 전후 비교를 확립한다.
이 설명에는 다른 조직의 조달 결정을 확정할 수 있는 일치된 경쟁 칩 결과가 없다. 하드웨어를 비교하는 구매자라면 비교 가능한 조건에서 대표적인 모델과 입력 분포가 필요하다. Exa의 경험은 보편적인 순위를 제공하기보다 조사할 가치가 있는 메커니즘을 제시한다.
수치적 정확성에도 경계가 있다. 0.999 유사도 기준을 통과했다는 것은 검증 절차 아래 선택된 참조와의 일관성을 뒷받침한다. 모든 쿼리가 동일한 순위를 생성하거나 모든 문서 범주가 같은 검색 동작을 보존한다는 사실까지 확립하지는 않는다.
검색 평가는 사용자가 실제로 받는 결과를 살펴봐야 한다. 작은 수치 변화도 관련 문서와 쿼리에 따라 서로 다르게 중요할 수 있다. 보고서의 검증 기준은 유용한 근거이지만, 독립적인 검색 품질 측정은 별개의 질문에 답할 것이다.
마찬가지로 30분 포화 벤치마크는 모든 프로덕션 조건을 대표하지는 않지만 지속적인 하드웨어 측정을 뒷받침한다. 입력 길이, 동시 작업, 중단, 기타 파이프라인 단계는 실제 서비스 성능에 영향을 줄 수 있다. 이 출판물은 벤치마크가 그 모든 조건을 포착한다고 입증하지 않는다.
전문화는 또 다른 유지보수 문제를 야기한다. 모델의 차원에 맞춘 커널은 이후 모델 개정에서 바뀔 수 있는 가정을 활용한다. Exa는 다음 마이그레이션 때 최적화 중 어느 정도를 다시 검토해야 하는지 수치화하지 않는다.
보고서는 이 작업이 또 다른 AWS 가속기 제품군인 Trainium2에도 이전됐다고 말한다. 이는 모든 구성에서 동일한 향상을 증명하는 것이 아니라 Exa에 따른 재사용의 근거다. 각 하드웨어 배포를 정확하게 설명하려면 별도의 측정이 필요하다.
이러한 한계가 Exa AWS 추론 효율성의 중요성을 없애지는 않는다. 오히려 근거가 뒷받침하는 범위를 정의한다. 가장 강력하게 뒷받침되는 결론은 Exa가 다른 운영자도 검토하고 적용할 수 있는 검증 방법을 통해 자체 임베딩 워크로드 조정에서 의미 있는 향상을 보고했다는 것이다.
프로덕션 경제성, 하드웨어 재사용, 마이그레이션 품질을 주시하라
다음 근거는 커널 성능을 지속적인 프로덕션 결과 및 향후 모델 변경 비용과 연결해야 한다.
첫 번째 신호는 처리량, 단위 비용, 문서 최신성을 명확히 구분하는 프로덕션 비교다. Exa의 보고서는 임베딩 용량을 발견과 제공 사이의 지연과 연결한다. 이러한 단계 전반의 측정은 최적화된 구현이 의도한 운영상 이점을 제공하는지 보여 줄 것이다.
유용한 공개 방식은 비용 계산에 무엇이 포함되는지 설명하면서 동일한 워크로드 경계를 보존하는 것이다. 이는 결과의 경제적 해석을 강화할 것이다. 정상적인 활용도에서 감소하는 이득은 포화 성능을 프로덕션 예측으로 간주하는 근거를 약화시킬 수 있다.
두 번째 신호는 Trainium2와 추가 배포 조건 전반에서 측정된 재사용이다. Exa는 Inferentia2 작업이 직접 이전됐다고 말하며, 더 많은 활용 가능한 하드웨어 선택지를 확보하는 것이 더 넓은 전략의 기반이다. 비교 가능한 결과는 초기 조정 환경을 넘어 얼마나 많은 가치가 유지되는지 보여 줄 것이다.
Exa는 컨테이너화된 워크로드를 조율하는 관리 계층인 하나의 Kubernetes 제어 평면에서 리전 전반의 스케줄링을 설명한다. 스케줄러는 인스턴스 유형별 달러당 성능을 비교하고 그에 따라 작업을 배치한다. 회사는 이러한 유연성이 유휴 용량을 흡수하거나 다른 곳에 필요한 리소스를 확보하는 데 도움이 된다고 말한다.
이 스케줄링 전략은 최적화의 목적을 바꾼다. 하드웨어 제품군은 워크로드를 실행할 수 있는 효과적인 추가 공간을 제공할 때 유용해진다. 기본 모델이 동일하더라도 용량과 수요에 따라 최선의 선택은 달라질 수 있다.
맞춤형 코드가 배포 환경마다 광범위한 재작성을 요구한다는 근거는 재사용 주장을 약화시킬 것이다. 지원되는 하드웨어 전반에서 안정적인 정확성과 지속적인 효율성을 보여 주는 근거는 이를 강화할 것이다. 이 과정이 두 제품군에서 실행된다는 진술만으로 어느 결과도 가정해서는 안 된다.
세 번째 신호는 다음 모델 마이그레이션, 특히 유지보수 부담과 검색 품질 결과다. Exa의 현재 설명은 더 나은 문서 모델이 기존 자료의 재처리를 요구했기 때문에 시작됐다. 이후 업그레이드는 모델 요구사항이 바뀌어도 이 엔지니어링 투자가 계속 유용한지 시험하게 된다.
다음 모델이 최적화된 실행 경로의 상당 부분을 보존한다면, 이점은 원래의 백필을 넘어 확장된다. 핵심 가정을 무효화한다면 회사는 새로운 조정 작업과 예상 처리 비용 절감 사이를 저울질해야 한다. 이 관계는 접근 방식이 얼마나 지속 가능해지는지 판단하는 데 도움이 될 것이다.
개발자와 구매자는 Exa 임베딩 처리량 결과를 자체 워크로드의 경계와 함께 읽어야 한다. 제약이 문서 처리, 검색 품질, 용량 가용성 또는 다른 파이프라인 단계 중 무엇인지 파악하라. 제안된 최적화와 해당 제약을 연결하는 프로덕션 측정을 요청하라.
그런 다음 모델이 바뀌고 선호하는 하드웨어가 부족해질 때도 구현이 경제적인지 살펴봐야 한다. 헤드라인 비율만으로 설명되는 Exa 임베딩 최적화는 이러한 운영 조건을 놓친다. 이 사례를 활용해 더 명확한 기준선, 명시적 검증, 유용한 문서가 더 빨리 검색에 도달한다는 근거를 요구하라. 여러분이 운영하는 시스템에서 그 이점을 입증할 측정값은 무엇인가?



