2018.09.04

더 스마트해지는 IoT, 백엔드 분석은 여전히 필요

Jon Gold | Network World
IoT를 보는 관점 중 하나는 온도, 기업과 같은 개별 데이터 포인트를 공장 어딘가의 에지 디바이스, 클라우드 백엔드 또는 데이터 센터로 단조롭게 보내기만 하는, 특별히 정교하지는 않은 많은 수의 엔드포인트 무리다.

이 관점은 대체로 정확하지만 그게 전부는 아니다. IoT 엔드포인트의 자체 분석 기능이 점차 현실화에 근접하면서 그 결과는 더 단순한 아키텍처, 더 응답성 높은 시스템으로 이어지고 있다. 모든 사용 사례에 맞지는 않지만 계측을 디바이스 스스로 맞춤 조정하도록 하는 형태의 IoT 구현은 이미 존재한다.

전체적으로나 부분적으로 엔드포인트에서 스스로 데이터 분석을 수행하는 세 가지 주요 분야는 스마트 도시, 산업, 그리고 교통이다.



스마트 도시의 IoT
스마트 도시의 스마트 카메라는 디바이스 자체에서 직접 특정 유형의 분석을 수행, 도시 기획자가 보행자와 차량의 흐름 패턴을 확인하는 데 도움을 준다.

가트너 연구 부사장 마크 헝에 따르면 엔드포인트 디바이스에서 온전히 분석을 수행하느냐, 부분적으로만 수행하느냐의 차이는 중요하다. 이 IoT 구현에서 수행하는 분석의 중심은 머신 러닝과 인공 지능이다. 시스템은 스마트 엔드포인트가 제공하는 데이터를 받아서 안정성, 성능 및 기타 비즈니스 정보에 관한 조치 가능한 통찰력을 자동으로 생성한다.

비교적 (성능이) 제한된 디바이스에서도 정교한 ML에서 얻은 지식을 적용하는 작업은 쉽게 할 수 있다. 그러나 ML 프로세스에는 상당한 계산이 필요한 부분이 있는데, 보통 엔드포인트에서는 그러한 계산을 수행할 수 없다. 즉, 엔드포인트 자체는 지시를 변경하지 않고 그대로 이행하며 더 강력한 백엔드에서 사용할 수 있는 정보를 제공해서 엔드포인트별로 IoT 구현을 조정할 수 있도록 돕는 역할을 한다.

대표적인 예로 교통 흐름 모니터링과 같은 스마트 도시 애플리케이션을 위한 영상 분석이 있다. 카메라 스스로 보행자와 운전자를 추적한 다음 이 데이터를 중앙에서 생성된 AI 모델과 대조하는 시스템이다.

교차로마다 특성이 다르므로 모든 교차로의 모니터링 카메라에 동일한 지시문을 밀어 넣는 방식으로는 다양한 교통 흐름과 교통량을 제대로 파악할 수 없다. 각 교차로에는 그 교차로에 맞는 지시문이 필요하다. 그러나 이를 생산하는 데 필요한 AI 학습에는 카메라 스스로 제공할 수 있는 선 이상의 강력한 계산 작업이 필요하므로 이 작업은 백엔드에서 수행되어야 한다. 카메라 스스로는 AI 모델에 의해 습득한 지식을 적용할 수 있지만 주어진 지시문을 지능적으로 변경하려면 더 강력한 하드웨어가 필요하다.

헝은 “엔드포인트에서 어느 정도의 예비 분석을 한 다음 추가 학습을 위해 보내는, 일종의 연합 학습 시스템”이라고 말했다.

산업용 IoT
엔드포인트 기반 IoT 분석의 또 다른 주요 영역은 산업 및 제조 분야다. 매사추세츠 주 니덤에 소재한 소프트웨어 기업 PTC(산업용 IoT 소프트웨어 플랫폼인 씽웍스(ThingWorx)의 개발사)의 CTO인 조 바이런은 PTC가 약 10년 전부터 산업용 장비에 지능을 부여하기 위해 노력 중이라고 말했다. 목적은 예측 유지보수와 기타 자동화된 관리 및 운영 애플리케이션을 통해 기업의 비용 절감을 돕는 데 있다.

바이런은 “10년 전에는 선제적, 예측적 장애 탐지를 위한 기술이 그다지 발전하지 않은 상태였다”고 말했다. 대부분 기술 전문가의 산업용 구성요소의 작동에 대한 해박한 지식에 의존하는 사람의 지능이 주가 되는 프로세스였다. 이 지식을 바탕으로 임박한 장애를 예측하는 매개변수 탐지를 위한 규칙을 “가장 지능이 낮은” 엔드포인트에도 하드 코딩할 수 있다.

정작 과제는 목전의 문제를 예측하는 여러 지표의 융합에 능숙한 사람이 없는 경우다. 이러한 이유로 머신 러닝, 더 구체적으로 데이터 입력과 그 결과를 평가해서 예측에 가장 중요한 데이터 포인트를 추려낼 수 있는 머신 러닝 모델이 필요하다. 바이런에 따르면 이는 많은 계산이 필요한 작업이므로 엔드포인트에서 처리하기에는 한계가 있다.

바이런은 “그러나 일단 모델을 만들면 평가 작업은 아주 가볍다. 이 모델에 실시간이나 근실시간 데이터, 또는 마이크로배치 형태의 최신 데이터를 공급해서 예측된 이벤트가 발생할지 여부에 관한 통계적 판단을 내리도록 할 수 있다”면서 “모델 평가 작업은 계산 측면에서 저렴한 작업이지만 모델 학습에는 많은 계산이 필요하다”고 말했다.

캔버스 애널리틱스(Canvass Analytics)의 창업자이자 CEO인 휴메라 말릭은 제조 시 디지털 센서가 연결되는 것은 무엇이든 엔드포인트이며 이러한 엔드포인트의 연합이 산업 분야 IoT의 핵심이라고 말했다.

말릭은 “샤프트, 베어링이 될 수도 있고 터빈, 발전기와 같은 자산이 될 수도 있다. 이러한 온갖 종류의 자산이 집합적으로 이 프로세스를 실행하는 것”이라고 말했다.

산업 영역의 경우 일반적으로 IoT 애플리케이션에서 지연이 발생하면 안 된다는 측면에서도 온디바이스 IoT 분석은 산업 환경에 잘 맞는다. 데이터가 디바이스를 떠나 복잡한 네트워크 토폴로지와 협상한 다음 교정 지시문 형태로 돌아오기까지 걸리는 시간은 효과적인 디바이스 관리를 하기에는 너무 길 수 있다.

IoT와 스마트 차량
세 번째, 가장 인식이 덜 되어 있지만 차차 인기를 얻고 있는 엔드포인트 IoT 분석 영역은 교통이다. 헝은 드론이든 자동차든 자율 항법이 필요한 모든 것이 스마트 IoT 엔드포인트와 잘 맞는다고 말했다.

자동차의 경우 몇 년 전부터 점점 더 많은 부분이 자율화, 컴퓨터화되고 있으며 IoT의 광범위한 확산으로 그 진행 속도도 더욱 빨라졌다. 그 사이 제조업체들은 차량에 더 정교한 스마트 안전 기능을 집어넣고 있으며 수송 차량 관리를 위한 새로운 정비 및 추적 툴이 나왔다.

줌데이터(Zoomdata)의 CTO 루홀라 파치치는 자동차의 자율성 증대는 이러한 형태의 반자율 IoT 기술이 어떻게 작동해야 하는지 잘 보여주는 사례라면서 “인간의 이해가 에지에 구축되는 알고리즘과 머신 러닝으로 변환되는 선순환은 지금 구체화되고 형태를 갖추는 에지 분석을 훨씬 더 발전시키는 힘이 된다”고 말했다.

의료 및 에너지 분야에서 IoT의 미래
앞으로는 의료 및 에너지 생산(특히 석유 및 가스 산업) 분야에서 온디바이스 IoT 분석이 성장할 전망이다. 병의원은 더 스마트한 기술을 강력히 요구하고 있다(의료 환경에서 경보 피로를 줄이고 상호운용성을 높이기 위한 작업이 진행 중). 엔드포인트에 더 강력한 컴퓨팅 기술을 집어넣을 수 있다면 환자 진료가 비약적으로 발전하게 된다.

물론 해결해야 할 점도 있다. 바이런에 따르면 특히 머신 러닝의 질문을 어디로 보내야 하는지가 문제가 된다. 무거운 계산 작업을 위해 필수적인 백엔드는 의료 시설 아키텍처에 집어넣기가 쉽지 않다.

바이런은 “공장과 같은 환경에서 중간 규모의 계산이 실행되는 모습은 쉽게 볼 수 있지만 예를 들어 의료 기기가 위치하는 병원은 그렇지 않다. 제조 시설에 비해 고밀도 계산을 구현해 넣을 만한 여지가 제한된다”고 말했다.

머신 러닝 모델 학습에 사용할 탐사 및 시추에 관한 데이터가 풍부한 석유 및 가스 산업은 이러한 면에서 유리하다. editor@itworld.co.kr


2018.09.04

더 스마트해지는 IoT, 백엔드 분석은 여전히 필요

Jon Gold | Network World
IoT를 보는 관점 중 하나는 온도, 기업과 같은 개별 데이터 포인트를 공장 어딘가의 에지 디바이스, 클라우드 백엔드 또는 데이터 센터로 단조롭게 보내기만 하는, 특별히 정교하지는 않은 많은 수의 엔드포인트 무리다.

이 관점은 대체로 정확하지만 그게 전부는 아니다. IoT 엔드포인트의 자체 분석 기능이 점차 현실화에 근접하면서 그 결과는 더 단순한 아키텍처, 더 응답성 높은 시스템으로 이어지고 있다. 모든 사용 사례에 맞지는 않지만 계측을 디바이스 스스로 맞춤 조정하도록 하는 형태의 IoT 구현은 이미 존재한다.

전체적으로나 부분적으로 엔드포인트에서 스스로 데이터 분석을 수행하는 세 가지 주요 분야는 스마트 도시, 산업, 그리고 교통이다.



스마트 도시의 IoT
스마트 도시의 스마트 카메라는 디바이스 자체에서 직접 특정 유형의 분석을 수행, 도시 기획자가 보행자와 차량의 흐름 패턴을 확인하는 데 도움을 준다.

가트너 연구 부사장 마크 헝에 따르면 엔드포인트 디바이스에서 온전히 분석을 수행하느냐, 부분적으로만 수행하느냐의 차이는 중요하다. 이 IoT 구현에서 수행하는 분석의 중심은 머신 러닝과 인공 지능이다. 시스템은 스마트 엔드포인트가 제공하는 데이터를 받아서 안정성, 성능 및 기타 비즈니스 정보에 관한 조치 가능한 통찰력을 자동으로 생성한다.

비교적 (성능이) 제한된 디바이스에서도 정교한 ML에서 얻은 지식을 적용하는 작업은 쉽게 할 수 있다. 그러나 ML 프로세스에는 상당한 계산이 필요한 부분이 있는데, 보통 엔드포인트에서는 그러한 계산을 수행할 수 없다. 즉, 엔드포인트 자체는 지시를 변경하지 않고 그대로 이행하며 더 강력한 백엔드에서 사용할 수 있는 정보를 제공해서 엔드포인트별로 IoT 구현을 조정할 수 있도록 돕는 역할을 한다.

대표적인 예로 교통 흐름 모니터링과 같은 스마트 도시 애플리케이션을 위한 영상 분석이 있다. 카메라 스스로 보행자와 운전자를 추적한 다음 이 데이터를 중앙에서 생성된 AI 모델과 대조하는 시스템이다.

교차로마다 특성이 다르므로 모든 교차로의 모니터링 카메라에 동일한 지시문을 밀어 넣는 방식으로는 다양한 교통 흐름과 교통량을 제대로 파악할 수 없다. 각 교차로에는 그 교차로에 맞는 지시문이 필요하다. 그러나 이를 생산하는 데 필요한 AI 학습에는 카메라 스스로 제공할 수 있는 선 이상의 강력한 계산 작업이 필요하므로 이 작업은 백엔드에서 수행되어야 한다. 카메라 스스로는 AI 모델에 의해 습득한 지식을 적용할 수 있지만 주어진 지시문을 지능적으로 변경하려면 더 강력한 하드웨어가 필요하다.

헝은 “엔드포인트에서 어느 정도의 예비 분석을 한 다음 추가 학습을 위해 보내는, 일종의 연합 학습 시스템”이라고 말했다.

산업용 IoT
엔드포인트 기반 IoT 분석의 또 다른 주요 영역은 산업 및 제조 분야다. 매사추세츠 주 니덤에 소재한 소프트웨어 기업 PTC(산업용 IoT 소프트웨어 플랫폼인 씽웍스(ThingWorx)의 개발사)의 CTO인 조 바이런은 PTC가 약 10년 전부터 산업용 장비에 지능을 부여하기 위해 노력 중이라고 말했다. 목적은 예측 유지보수와 기타 자동화된 관리 및 운영 애플리케이션을 통해 기업의 비용 절감을 돕는 데 있다.

바이런은 “10년 전에는 선제적, 예측적 장애 탐지를 위한 기술이 그다지 발전하지 않은 상태였다”고 말했다. 대부분 기술 전문가의 산업용 구성요소의 작동에 대한 해박한 지식에 의존하는 사람의 지능이 주가 되는 프로세스였다. 이 지식을 바탕으로 임박한 장애를 예측하는 매개변수 탐지를 위한 규칙을 “가장 지능이 낮은” 엔드포인트에도 하드 코딩할 수 있다.

정작 과제는 목전의 문제를 예측하는 여러 지표의 융합에 능숙한 사람이 없는 경우다. 이러한 이유로 머신 러닝, 더 구체적으로 데이터 입력과 그 결과를 평가해서 예측에 가장 중요한 데이터 포인트를 추려낼 수 있는 머신 러닝 모델이 필요하다. 바이런에 따르면 이는 많은 계산이 필요한 작업이므로 엔드포인트에서 처리하기에는 한계가 있다.

바이런은 “그러나 일단 모델을 만들면 평가 작업은 아주 가볍다. 이 모델에 실시간이나 근실시간 데이터, 또는 마이크로배치 형태의 최신 데이터를 공급해서 예측된 이벤트가 발생할지 여부에 관한 통계적 판단을 내리도록 할 수 있다”면서 “모델 평가 작업은 계산 측면에서 저렴한 작업이지만 모델 학습에는 많은 계산이 필요하다”고 말했다.

캔버스 애널리틱스(Canvass Analytics)의 창업자이자 CEO인 휴메라 말릭은 제조 시 디지털 센서가 연결되는 것은 무엇이든 엔드포인트이며 이러한 엔드포인트의 연합이 산업 분야 IoT의 핵심이라고 말했다.

말릭은 “샤프트, 베어링이 될 수도 있고 터빈, 발전기와 같은 자산이 될 수도 있다. 이러한 온갖 종류의 자산이 집합적으로 이 프로세스를 실행하는 것”이라고 말했다.

산업 영역의 경우 일반적으로 IoT 애플리케이션에서 지연이 발생하면 안 된다는 측면에서도 온디바이스 IoT 분석은 산업 환경에 잘 맞는다. 데이터가 디바이스를 떠나 복잡한 네트워크 토폴로지와 협상한 다음 교정 지시문 형태로 돌아오기까지 걸리는 시간은 효과적인 디바이스 관리를 하기에는 너무 길 수 있다.

IoT와 스마트 차량
세 번째, 가장 인식이 덜 되어 있지만 차차 인기를 얻고 있는 엔드포인트 IoT 분석 영역은 교통이다. 헝은 드론이든 자동차든 자율 항법이 필요한 모든 것이 스마트 IoT 엔드포인트와 잘 맞는다고 말했다.

자동차의 경우 몇 년 전부터 점점 더 많은 부분이 자율화, 컴퓨터화되고 있으며 IoT의 광범위한 확산으로 그 진행 속도도 더욱 빨라졌다. 그 사이 제조업체들은 차량에 더 정교한 스마트 안전 기능을 집어넣고 있으며 수송 차량 관리를 위한 새로운 정비 및 추적 툴이 나왔다.

줌데이터(Zoomdata)의 CTO 루홀라 파치치는 자동차의 자율성 증대는 이러한 형태의 반자율 IoT 기술이 어떻게 작동해야 하는지 잘 보여주는 사례라면서 “인간의 이해가 에지에 구축되는 알고리즘과 머신 러닝으로 변환되는 선순환은 지금 구체화되고 형태를 갖추는 에지 분석을 훨씬 더 발전시키는 힘이 된다”고 말했다.

의료 및 에너지 분야에서 IoT의 미래
앞으로는 의료 및 에너지 생산(특히 석유 및 가스 산업) 분야에서 온디바이스 IoT 분석이 성장할 전망이다. 병의원은 더 스마트한 기술을 강력히 요구하고 있다(의료 환경에서 경보 피로를 줄이고 상호운용성을 높이기 위한 작업이 진행 중). 엔드포인트에 더 강력한 컴퓨팅 기술을 집어넣을 수 있다면 환자 진료가 비약적으로 발전하게 된다.

물론 해결해야 할 점도 있다. 바이런에 따르면 특히 머신 러닝의 질문을 어디로 보내야 하는지가 문제가 된다. 무거운 계산 작업을 위해 필수적인 백엔드는 의료 시설 아키텍처에 집어넣기가 쉽지 않다.

바이런은 “공장과 같은 환경에서 중간 규모의 계산이 실행되는 모습은 쉽게 볼 수 있지만 예를 들어 의료 기기가 위치하는 병원은 그렇지 않다. 제조 시설에 비해 고밀도 계산을 구현해 넣을 만한 여지가 제한된다”고 말했다.

머신 러닝 모델 학습에 사용할 탐사 및 시추에 관한 데이터가 풍부한 석유 및 가스 산업은 이러한 면에서 유리하다. editor@itworld.co.kr


X