인도 벵갈루루의 주식 거래 플랫폼 Sahi가 Accel 주도로 3300만달러 시리즈 B 투자를 유치했고, 기업가치는 2억달러로 평가됐다. 회사는 이 자금으로 마진 트레이드 펀딩, 상품, 뮤추얼펀드 같은 새 상품군과 AI 기능 확장에 나서겠다고 밝혔다.1
그런데 검색창에 "Sahi"를 치면 전혀 다른 세계가 나온다. 한쪽은 40만개 안팎의 데마트 계좌와 하루 100만건 거래를 말하는 브로커리지 서비스이고,12 다른 한쪽은 대형 이미지에서 작은 객체를 더 잘 찾기 위해 이미지를 잘게 나눠 추론하는 오픈소스 컴퓨터 비전 라이브러리다.34 이 혼선은 단순한 해프닝이 아니다. 요즘 도구 선택에서 더 흔한 실패 원인, 즉 "검색 결과 상단에 보이는 것"을 "내 문제에 맞는 것"으로 착각하는 문제를 잘 보여준다.
두 개의 Sahi, 두 개의 실패 비용
먼저 사실부터 나누자. 거래 플랫폼 Sahi는 2023년 설립 후 2025년 1월부터 운영을 시작했고, 현재는 현물과 F&O 중심으로 서비스하며 향후 마진 펀딩, 상품, 뮤추얼펀드로 넓히려 한다.12 공식 사이트는 빠른 체결, 전문급 인사이트, 리스크 관리 기능을 강조하지만, 동시에 인도 파생상품 시장의 높은 손실 확률과 거래 비용 부담도 규제 고지로 크게 드러낸다.5
반면 비전 라이브러리 SAHI는 "Slicing Aided Hyper Inference"의 약자다. 큰 이미지를 타일처럼 잘라 각 조각에서 탐지를 수행한 뒤 결과를 합치는 방식으로, 특히 작은 객체 탐지나 고해상도 이미지 처리에서 성능과 메모리 문제를 다루기 위해 쓰인다.34 Ultralytics 문서와 공식 사이트는 YOLO 계열 등 여러 탐지 모델과 쉽게 붙고, 특정 데이터셋에서는 AP 개선이 가능하다고 설명한다.34
핵심은 이름이 아니라 실패 비용이다. 거래 Sahi를 잘못 고르면 돈을 잃거나, 더 미묘하게는 주문 실행·수수료·리스크 통제에서 불리해질 수 있다. 비전 SAHI를 잘못 고르면 몇 주를 들여 파이프라인을 붙여놓고도 지연시간만 늘고 정확도 이득은 거의 못 얻을 수 있다. 둘 다 "기능이 많다"보다 "내 병목을 정확히 찌르나"가 먼저다.
30분 안에 끝내는 적합성 테스트
거래 플랫폼을 보는 사람이라면 먼저 차트나 UI가 아니라 실행 경로를 봐야 한다. 한 화면에서 분석과 주문이 이어지는지, 실제 주문 체결 경험이 빠른지, 헤드라인 수수료 외 비용 구조가 어떤지, 손절·자동화·리스크 제한 기능이 얼마나 촘촘한지를 확인해야 한다. Sahi는 자체 차트·주문·리스크 자동화 스택을 만들었다고 말하지만,2 그것이 곧 모든 트레이더에게 유리하다는 뜻은 아니다. 스캘핑형 사용자와 중장기 투자자의 요구는 다르기 때문이다.
ML 팀이라면 SAHI를 붙이기 전에 더 간단한 질문부터 해야 한다. 지금 베이스라인 모델이 왜 놓치는가? 이미지가 너무 커서 다운스케일 과정에서 작은 물체가 사라지는가? 객체가 주로 경계에 걸쳐 있는가? 지연시간 예산은 얼마나 되는가? SAHI는 슬라이스 크기와 오버랩 비율을 조정해 표준 추론과 sliced inference를 모두 지원하지만,3 슬라이스를 늘리면 일반적으로 계산량과 후처리 복잡도도 함께 오른다. 작은 객체가 핵심이 아닌 데이터에서는 오히려 과한 해법일 수 있다.
실무적으로는 둘 다 같은 원칙이 통한다. "데모가 좋아 보이는가"가 아니라 "내 대표 시나리오 10개에서 기존 방식보다 명확히 낫나"를 봐야 한다.
마케팅은 비슷하게 들리지만, 현실의 함정은 다르다
거래 앱에서는 "좋은 차트 = 좋은 트레이딩"처럼 들리기 쉽다. 하지만 실제 손익에는 체결 품질, 습관화된 워크플로, 비용 구조, 과도한 거래를 부추기는 UX가 더 큰 영향을 줄 수 있다. 특히 Sahi 사이트 자체가 파생상품 거래 손실과 거래 비용 비중을 강하게 경고하는 점은 중요하다.5 도구가 세련돼 보여도 사용자의 기대수익 구조까지 바꿔주지는 않는다.
비전 라이브러리 쪽의 흔한 오해는 "sliced inference는 항상 정확도를 올린다"는 믿음이다. 공식 자료는 작은 객체·고해상도 이미지에서의 개선 가능성을 제시하지만,34 그건 조건부다. 객체 크기 분포, 슬라이스 경계에서의 박스 병합, 지연시간 제약, 데이터셋 특성에 따라 이득이 달라진다. 쉽게 통합된다는 말도 "프로덕션에서 바로 문제없다"와는 다르다. CLI와 노트북이 잘 되는 것과 운영 환경에서 모니터링·비용·장애 대응이 쉬운 것은 별개다.4
즉, "전문화된 도구"의 마케팅은 대개 맞는 말을 한다. 다만 그 말이 당신의 상황에도 맞는지는 별도 검증이 필요하다.
도입, 파일럿, 보류를 가르는 마지막 질문
이럴 때는 간단한 프레임을 쓰면 된다. 첫째, 성공 지표를 하나로 줄인다. 거래 플랫폼이면 주문 완료 시간, 실제 거래 비용, 실수 감소율 같은 지표다. ML 도구면 작은 객체 재현율, GPU 메모리 사용량, p95 지연시간 같은 지표다.
둘째, 작은 파일럿으로 끝낸다. 거래 플랫폼은 자금 규모를 제한한 실제 거래 테스트가 맞고, ML은 대표 이미지 묶음으로 표준 추론과 sliced inference를 나란히 비교하면 된다. SAHI 라이브러리는 표준/슬라이스 추론을 모두 빠르게 실험할 수 있게 돕는 도구를 제공한다.34
셋째, 철수 조건을 미리 적는다. 거래 앱이라면 비용과 체결 이점이 불분명하면 접고, ML 도구라면 정확도 개선이 지연시간 증가를 정당화하지 못하면 보류하는 식이다. 락인도 같은 기준으로 본다. 브로커는 계좌·자금 이동의 마찰이, 라이브러리는 모델·데이터 파이프라인 의존성이 락인의 핵심이다.
지금 Sahi라는 이름에 관심이 생긴 사람은 두 부류다. 더 나은 거래 도구를 찾는 액티브 트레이더, 그리고 작은 객체 탐지 병목을 줄이려는 ML 팀. 둘 모두에게 중요한 건 같은 한 문장이다. 이름이 아니라 문제를 먼저 정의하라. 그래야 돈도, 엔지니어링 시간도 덜 잃는다.
참고
2Sahi raises $33 million in Series B at $200 million valuation
3Ultralytics 문서: SAHI를 사용하여 YOLO26으로 슬라이스 추론하기
이 노트는 보도·비평·교육·연구 목적으로 작성되었습니다. 저작권 문의가 있으시면 에서 알려주세요.