Colab vs AirCloud: 나에게 맞는 주피터 노트북은?
- 8월 4일
- 5분 분량
최종 수정일: 8월 7일
제가 대학에서 데이터 분석 수업을 들을 때만 해도, 코드를 짜는 것보다 개발 환경을 만드는 데 더 많은 시간을 썼습니다 (GPT 등장 이전입니다). Visual Studio를 설치하고 Python 버전을 맞추고 라이브러리 오류를 해결하다 보면 3시간 수업이 끝나도록 정작 코드 한 줄도 못 짜는 날도 있었죠 😂
Google Colab(코랩)은 그런 저에게 꽤 충격적인 도구였습니다. 브라우저만 열어서 바로 코드를 실행할 수 있다니.. 덕분에 개발 환경을 세팅하는 데 시간을 쓰기보다 문제를 푸는 데 집중할 수 있었습니다.
하지만 아이러니하게도 머신러닝 모델을 직접 학습시키고 파인튜닝하는 일이 많아질수록 저를 괴롭게 만든 것도 Colab이었습니다. 학습이 한창 진행되다가 세션이 끊기고.. GPU를 다시 기다리고.. 모델을 다시 다운로드하는 일이 반복되면서 예전에는 크게 신경 쓰지 않았던 것들이 하나씩 중요해졌습니다.
물론 Colab은 지금도 훌륭한 개발 환경입니다. 하지만 모든 개발 환경에서 가장 좋은 선택인 것은 아닙니다. 프로젝트의 규모와 작업 방식에 따라 더 적합한 환경은 달라질 수 있습니다. 이번 글에서는 Colab과 AirCloud를 요금, GPU, 데이터, AI 어시스턴트 네 가지 관점에서 비교하며, 여러분의 작업 방식에 어떤 환경이 더 잘 맞는지를 함께 살펴보겠습니다.
1. 같은 주피터 노트북, 다른 운영 환경
Google Colab과 AirCloud 모두 브라우저에서 여는 JupyterLab 인터페이스 위에 IPython 커널을 띄우는 구조입니다. 셀 단위로 코드를 실행하고, 커널이 살아있는 동안 변수와 메모리를 공유하는 방식도 동일합니다. 그래서 사실 사용자 경험만 놓고 보면 두 서비스를 바로 구분하기는 어렵습니다.
차이는 그 노트북을 운영하는 방식에서 시작됩니다. 요금은 어떻게 부과되는지, GPU를 직접 선택할 수 있는지, 세션이 종료된 뒤에도 작업 환경을 이어갈 수 있는지, AI 어시스턴트는 어떤 모델을 사용하는지에 따라 같은 주피터 노트북이라도 실제 사용 경험은 크게 달라집니다.
2. 월 구독제 vs 종량제, 어떤 요금 구조가 좋은 선택일까?
Colab Pro는 월 9.99달러에 컴퓨팅 유닛(CU) 100개를, Pro+는 월 49.99달러에 500개를 제공합니다. 두 요금제 모두 구독형이라 결제일에는 사용량과 무관하게 요금이 청구되고, 남은 CU는 최대 90일까지 누적됩니다. CU를 다 쓰면 100개당 9.99달러로 추가 구매해야 합니다.
여기서 참고할 만한 점은 CU 소진 속도입니다. Google은 GPU 등급별로 CU가 정확히 몇 시간에 소진되는지 공식 문서에 명시하지 않습니다. 같은 GPU라도 세션 상황에 따라 소진 속도가 달라진다는 것이 공식 설명이라, 결제 전에 “이번 달에 실제로 몇 시간 쓸 수 있는지”를 미리 계산하기가 어렵습니다.
AirCloud는 이 지점에서 단위를 하나로 고정합니다. GPU 종류별로 시간당 요금이 정해져 있고(RTX 4090 시간당 0.52달러, RTX 5090 시간당 0.77달러, RTX PRO 6000 시간당 1.63달러), 인스턴스를 켠 시간만큼만 청구됩니다. 예를 들어 한 달에 20시간 정도 RTX 4090을 사용하면 약 10.4달러가 청구되고, 그달에 한 번도 켜지 않으면 요금이 발생하지 않습니다. 12개월 이상 예약하면 최대 25%까지 할인도 적용됩니다.
사용량이 일정하고 CU 소진 속도를 굳이 따질 필요가 없다면 구독제도 편리한 방식입니다. 반면 사용 패턴이 불규칙하거나 쓴 만큼 정확히 낸 만큼만 내고 싶다면 시간당 종량제 쪽이 계산하기 쉽습니다.
3. 런타임이 끊겨도 데이터가 보존되려면?
런타임이 종료돼도 작업 데이터를 그대로 이어갈 수 있는지는 생각보다 중요한 문제입니다. GPU를 이용한 작업은 보통 몇 분 만에 끝나지 않는 경우가 많습니다. Stable Diffusion이나 LoRA를 학습하는 경우만 생각해보더라도, 모델 다운로드와 필요한 라이브러리를 설치한 뒤 런타임 결과를 확인하고 수정하는 과정을 계속 반복하면서 같은 환경을 며칠 동안 이어서 사용하는 경우도 흔합니다. 이 과정에서 노트북, 모델 파일, 체크포인트, 생성 결과물처럼 작업에 필요한 파일과 환경이 하나의 작업 공간 안에 차곡차곡 쌓이게 됩니다.
Colab에서는 이 작업 공간이 기본적으로 세션에 종속됩니다. /content 폴더는 현재 실행 중인 런타임에 연결된 임시 저장 공간으로, 런타임이 종료되거나 초기화되면 이 안에 저장된 모델, 생성 이미지, 체크포인트, 로그 파일도 함께 사라질 수 있습니다. 물론 Google Drive를 마운트하면 데이터를 보존할 수 있지만 어떤 파일을 Drive로 옮길지, 작업 중간중간 체크포인트를 저장하거나 생성 결과를 복사하는 것 전부 사용자의 몫입니다.
AirCloud는 이런 상황을 위해 컴퓨팅과 저장 공간을 분리할 수 있도록 설계되어 있습니다. 사용자는 필요에 따라 영구 볼륨(Persistent Volume) 을 생성해 컨테이너에 연결할 수 있고, 여기에 저장된 데이터는 인스턴스를 중지하거나 삭제해도 그대로 유지됩니다. 따라서 모델 파일, 체크포인트, 생성 이미지 등을 영구 볼륨에 저장해두면 새로운 GPU 인스턴스를 실행하더라도 같은 데이터를 그대로 이어서 사용할 수 있습니다.
또한 하나의 영구 볼륨은 여러 JupyterLab 인스턴스나 컨테이너에 연결할 수 있습니다. 새로운 환경을 만들어도 같은 저장 공간을 그대로 사용하기 때문에, 필요한 노트북과 데이터, 모델 파일을 다시 복사하거나 다운로드할 필요가 없습니다.
쉽게 말하면, Colab은 GPU와 저장 공간이 하나의 세트처럼 동작합니다. 세션이 종료되면 작업 공간도 함께 초기화될 수 있습니다. 반면 AirCloud는 GPU와 저장 공간을 따로 관리할 수 있습니다. GPU는 필요할 때 새로 실행하고, 데이터는 영구 볼륨에 그대로 남겨두는 방식입니다.
4. 내가 원하는 GPU를 선택할 수 있는가?
Colab은 GPU, TPU 제공을 “가용성에 따라”(subject to availability)로만 규정합니다. Pro/Pro+ 요금제는 “더 강력한 GPU에 우선 접근”을 안내하지만, 이는 우선순위일 뿐 보장은 아닙니다. Pro+를 결제하고 상위 GPU를 요청했는데 하위 모델이 배정됐다는 사용자 후기도 다수 존재합니다. 특정 GPU를 보장받으려면 별도 상품인 GCP Marketplace Colab을 이용해야 합니다.
이 차이는 단순히 속도의 문제가 아닙니다. GPU가 달라지면 VRAM 용량과 연산 성능도 함께 달라집니다. 어제는 잘 실행되던 노트북이 오늘은 다른 GPU가 배정되면서 배치 크기를 줄여야 하거나, 일부 모델은 아예 실행되지 않을 수도 있습니다. 같은 실험을 반복하거나 팀원과 동일한 환경에서 작업해야 하는 경우에는 GPU 사양을 고정할 수 있는지가 중요해집니다.
AirCloud는 이 부분을 사용자가 직접 결정합니다. RTX 4090, RTX 5090, RTX 6000 Pro 등 필요한 GPU를 배포 시점에 선택해 실행합니다. 따라서 같은 노트북과 사용자가 설정한 같은 GPU 환경을 기준으로 실험을 반복하거나 프로젝트를 이어가기 쉽습니다.
5. 어떤 AI 어시스턴트를 사용할 것인가?
Colab의 AI 어시스턴트는 Gemini를 기반으로 동작합니다. 채팅을 통해 코드를 물어보거나 에러에 대한 수정안을 쉽게 받을 수도 있고, 최근에는 자연어 설명만으로 노트북을 생성해주는 Data Science Agent 기능도 추가됐습니다. 다만 사용할 수 있는 모델은 여전히 Gemini(Gemini 2.5 Flash, Gemini 3 Flash, Pro 이상 구독자 대상 Gimini 3.1 Pro)로 고정되어 있어, 사용자가 이 외의 다른 모델을 이용하기는 어려운 구조입니다.
AirCloud 역시 노트북 안에서 AI 코딩 어시스턴트를 지원합니다. Jupyternaut는 AirCloud에서 제공하는 Jupyter AI 기반 코딩 어시스턴트로서, 요즘 에이전틱 코딩에 많이 활용되고 있는 Qwen 3.6 35B를 기본으로 제공하고 있습니다. 당연히 자연어를 통한 코드 작성, 오류 수정, 함수 설명 같은 작업들이 가능하고, 필요하다면 OpenAI 호환 API를 지원하는 다른 LLM도 연결이 가능하기 때문에 프로젝트나 팀에서 사용하는 AI 모델을 그대로 노트북의 AI 어시스턴트로 활용할 수 있습니다.
해당 기능은 노트북 화면 왼쪽의 AirCloud 탭에서 바로 사용할 수 있습니다. 기본 제공되는 Qwen 3.6 35B는 Air API 키만 입력하면 사용할 수 있으며, 다른 LLM을 연결하는 경우에도 같은 화면에서 모델만 변경하면 됩니다.
사이드바에서는 자연어로 코드를 질문할 수 있을 뿐만 아니라, /generate 명령으로 코드 셀을 생성하고 /fix 명령으로 오류가 발생한 코드를 수정할 수도 있습니다. 예를 들어 AttributeError나 NameError 같은 오류가 발생하면, 원인을 설명하고 수정된 코드까지 함께 제안해 바로 적용할 수 있습니다.
혼자 사용하는 환경이라면 어떤 AI 어시스턴트를 쓰는지는 크게 중요하지 않을 수 있습니다. 하지만 팀 단위의 개발을 하고 있다면, 회사에서 표준으로 사용하는 모델을 노트북에서도 그대로 사용할 수 있기 때문에, AI 어시스턴트도 프로젝트 환경에 맞춰 일관되게 운영할 수 있습니다.
6. 한눈에 비교해 보면
항목 | Colab Pro/Pro+ | AirCloud |
비용 | Pro: $9.99/mo. Pro+: $49.99/mo. | $0.30/hr ~ |
요금 방식 | 월 구독제, CU 소진 속도 비공개 | 시간당 종량제, 사용량 기반 과금 |
GPU 배정 | 가용성 기반, 특정 GPU 보장 안 됨 | 배포 시 GPU 종류 직접 지정 (RTX 4090/5090/6000 Pro 등) |
데이터 보존 | 세션 종료 시 임시 디스크 초기화, Drive 수동 백업 필요 | 영구 볼륨 지원, 중지·재배포·오토스케일링에도 유지 |
AI 어시스턴트 | Gemini 기반, 모델 고정 | Jupyter AI 기반, 커스텀 모델 선택 가능 |
보안 인증 | Google Cloud 보안 정책 준용 | ISO 27001 인증 |
7. 당신이 필요한 주피터 노트북은?
Google Colab이 지금도 많은 개발자의 첫 번째 선택인 이유는 분명합니다. (제한적이긴 하지만) 무료로 GPU 환경을 시작할 수 있고, 브라우저만 열면 별도의 환경 구성 없이 바로 코드를 실행할 수 있기 때문입니다. 짧은 실습이나 강의, 데이터 탐색처럼 당장의 실행에는 선택의 여지없이 최고의 코딩 환경입니다.
반면 몇 시간 이상 이어지는 파인튜닝이나 반복적인 배치 추론에도 코랩이 최고의 선택지 일까요?
이 글에서 살펴본 것처럼 그 답은 작업 방식에 따라 달라집니다. GPU를 필요할 때만 빌려서 사용한 만큼만 비용을 내고 싶은지, 작업을 위해 필요한 GPU 스펙이 고정되어 있는지, 작업 환경이 날아가지 않고 유지되어야 하는지를 고민해야 합니다. 이런 조건들이 중요해지는 순간부터는 단순히 GPU를 빌려 쓰는 환경보다, GPU와 작업 환경을 함께 관리할 수 있는 플랫폼이 당연히 더 적합합니다.
결국 중요한 것은 내 프로젝트에 맞는 운영 방식을 선택하는 것입니다. 같은 GPU를 20시간 사용하더라도 서비스의 요금 체계에 따라 한 달 비용은 $9부터 $99까지 생각보다 크게 달라질 수 있습니다. 이 글에서 살펴본 요금, GPU, 데이터, AI 어시스턴트 네 가지 기준을 바탕으로, 여러분의 작업 방식에 더 잘 맞는 환경을 선택해 보세요. AirCloud가 그 선택지 중 하나가 될 수 있습니다.
