"나쁜 데이터 vs. 좋은 데이터" IoT의 진짜 문제점

사물인터넷을 활용하려는 기업은 이미 수많은 데이터와 분석으로 애를 먹고 있다. 그런데 바로 그 데이터에 문제가 있다면 어떤 일이 일어날까? 사물인터넷으로 연결된 장치로 유입되는 정보 가운데 유용하지 못한, 즉 나쁜 데이터가 상당히 많다. 정확히 산출하기는 힘들지만, 이 문제 때문에 고민하는 사람도 많다.

GE 프레딕스(Predix) 소프트웨어 사업 부문 부사장 겸 GE 디지털의 CTO인 하렐 코데쉬는 "사물인터넷 네트워크 종단에서 생성되는 데이터 중 40%가 '겉으로만 그럴싸한 데이터', 즉 내용이 틀린 것은 아니지만 쓸모가 없는 데이터다. 직원이 실수로 2차례 업로드한 중복된 정보, 유휴 상태의 머신이 자동으로 반복 전송하는 메시지 같은 것"이라고 말했다.

오래된 산업용 리포팅 시스템 위에 새로운 사물인터넷 플랫폼을 구현할 경우 이런 문제가 발생할 수 있다. 레거시 도구가 기존 방식대로 데이터 형식을 지정하기 때문에 즉시 유용하게 이용할 수 있는 데이터가 아니라 해석이 필요하다. 심지어 때로는 기기가 거짓된 데이터, 잘못된 데이터를 생성하기도 한다.

Image Credit: John Deere

잘못된 데이터 판단
농장에 설치한 온도, 습도 센서에 벌레 한 마리가 기어 들어왔다고 가정하자. 이렇게 되면 농부에게 전달되는 온도와 습도 정보는 이 벌레의 체온과 습도이다. 즉 농사에 도움이 되지 않는다. 먼지나 공장 오염 물질이 센서를 뒤덮거나, 누군가 센서를 손상한 경우에도 잘못된 데이터가 만들어진다.

장치 주변 환경이 가혹하고, 장치가 외딴 장소에 고립돼 있을수록 잘못된 데이터가 생성될 확률이 높아진다. 농업뿐 아니라 석유 가스 산업, 에너지 산업도 같은 문제에 직면해 있다. 외진 장소에 위치한 센서에만 존재하는 문제도 아니다. 병원에서 환자의 손가락에 장착해 혈류 산소를 측정하는 센서도 위치가 잘못되면 나쁜 데이터를 생성한다.

또 오작동으로 나쁜 데이터를 생성하거나, 데이터 보고를 중단하는 사물인터넷 기기도 있다. 사람의 실수가 원인이 되는 경우도 많다. 잘못된 설정으로 장치가 잘못된 데이터를 생성할 수 있다. 이와 같은 나쁜 데이터를 줄이는 한 가지 방법은 장치를 올바르게 설정, 구성하는 것이다.

예를 들어 농기계 업체 존 디어(John Deere)의 제품에는 기기가 제대로 작동하는지 감지하는 센서가 들어있다. 이 업체의 이그제트이머지(ExactEmerge) 플랜터(파종하는 트랙터 뒤에서 땅을 다지는 기계)에는 얼마나 많은 씨를 얼마나 빠른 속도로 파종했는지 측정하는 센서 3개가 장착돼 있다. 존 디어의 솔루션 디렉터인 레인 아서는 파종기를 앞두고 매년 한 차례 이상 존 디어 판매원과 농부와 함께 수동으로 센서를 정확히 교정한다.

많을수록 좋다
그러나 정기적으로 교정하고 유지관리하기 힘든 사물인터넷 센서가 많다. 이 경우 완벽한 해결책은 아니지만 유용한 방법이 '중복'이다. 광산이나 농장, 기계에 같은 센서를 중복 설치해 더 많은 데이터가 생성되도록 하는 것이다. IBM의 기상 사업 부문(Weather Company) 산하 웨더 언더그라운드(Weather Underground)는 소비자의 뒷마당에 설치한 교정하지 않은 저가 센서가 생성하는 데이터를 부분적으로 이용해 보고서를 만들고 있다. 큰 돈을 투자하지 않고, 더 많은 데이터 포인트를 얻을 수 있다.

그러나 품질이 문제다. IBM의 왓슨 IoT 펠로우인 존 콘은 "한 센서가 오작동을 일으켜 다른 센서와 달리 몇 인치의 강우량을 보고하는 문제가 발생할 수 있다. 그러나 이런 센서가 충분히 많다면 수학적으로 이상치(아웃라이어)와 이유를 찾아 필요한 조치를 취할 수 있다"라고 말했다.

카메라를 중심으로 여러 다양한 감지 장치를 이용해 센서에 문제가 있는지 점검할 수도 있다. 시스코 시스템스(Cisco Systems)의 글로벌 민간 산업 부문 시니어 매니저인 더그 벨린은 "비디오 카메라와 이미지 분석 소프트웨어로 멀리 떨어진 장비에 먼지가 덮였는지, 파손됐는지 확인할 수 있다"고 말했다. 때론 다른 목적에서 설치한 보안 카메라가 도움을 주기도 한다.

여러 센서를 비교해 검증하는 기법 중에 '센서 융합(Sensor Fusion)'이라는 것이 있다. 2개 이상의 센서가 제공한 데이터를 비교 평가해 결론을 도출한다. IoT 소프트웨어 업체인 RTI(Real-Time Innovations)의 대표 겸 CEO 스탠 슈나이더는 "잘못된 경보가 만연한 병원을 중심으로 '센서 융합' 기법이 도입되고 있다. 환자 손가락에 연결된 혈류 산소 센서가 산소 농도가 낮을 때마다 경보를 발령하는 대신, 센서 융합 시스템으로 환자에게 연결된 호흡기 센서, 심장 박동 모니터 등 다른 센서와 비교해 판단한다"고 말했다.

유령 센서
할 일을 하고 없어진 센서를 대신하는 센서도 있다. GE는 자사의 제트 엔진 배출 가스의 온도를 측정해 엔진의 효율성을 판단한다. 배출 경로에 센서를 설치하는데, 이 센서는 몇 분 뒤면 타서 없어진다. 그러나 엔진 주변의 안전한 장소에 위치한 다른 센서가 데이터를 수집한다. 그리고 타 버린 센서가 타기 전에 기록한 데이터와 비교한다. 그러면 배출 경로의 센서를 가상으로 재창출 할 수 있다. 일종의 수학적 함수라 할 수 있다.

여러 정보 스트림에서 결론을 도출하는 것은 데이터 품질 문제를 머신 러닝 영역으로 끌어올린다. IBM의 콘에 따르면, 가장 흥미로운 일들이 발생하는 영역이기도 하다. 예를 들어, IBM은 아일랜드 소재 시설의 에너지 사용 현황을 파악하는 데 왓슨 분석 플랫폼을 이용한다. 왓슨은 이런 방식으로 에어컨이 작동하지 않는데도 전력 소모량이 지나치게 높은 때를 판단한다. 여기에 그치지 않는다. 시간이 경과하면서 에어컨의 전력 소모 방식을 학습한다. 이를 통해 이상 동작을 일으킬 수 있는 시스템을 찾아낸다.

머신 러닝은 센서나 카메라를 추가하는 방식과 달리 잘못된 데이터를 판단하기까지 시간이 필요하다. 시스코의 벨린은 "더 많이 운영할 수록 똑똑해진다. 처음 가동해 얻은 데이터는 신뢰하기 힘들다. 그러나 수천 회 가동했다면 아마 웬만한 사람보다 똑똑할 것이다"라고 말했다.

사물인터넷 시스템이 중요할 수록 나쁜 데이터를 극복하는 것이 더 중요하다. 예를 들어, 의료와 미사일 탐지 분야 등에는 반드시 센서 융합 기술이 필요하다. RTI의 슈나이더의 표현대로, 신뢰도 높은 데이터에 '걸린 판돈'이 크기 때문이다. 슈나이더는 "물론 여러 데이터 소스가 필요 없는 IoT도 있다. 예를 들어, 가정의 온도 조절기에는 여러 데이터 소스가 필요 없다"라고 강조했다. editor@itworld.co.kr