AI 시대에 제조업 경쟁력 높여줄 클라우드 기술 – 개념, 유형, 동향

2023-11-24

바야흐로 AI 시대입니다. 제조 분야 스마트 팩토리에서도 최근 산업용AI를 활용해 제조 효율화를 꾀하고 생산품의 품질을 더욱 높이는 시도를 하고 있습니다. 이를 실행하려면 수많은 데이터를 저장할 공간과 고도의 컴퓨팅 성능이 필요합니다. 그리고 이를 충족하는 가장 적합한 플랫폼으로는 ‘클라우드’가 꼽히죠.[1] 이번 아티클에서는 AI와 떼려야 뗄 수 없는 공생 관계인 클라우드 기술의 개념과 동향에 대해 소개해드리겠습니다.

 

1. 온프레미스 vs 클라우드

(1) 개념

먼저 온프레미스란 개념을 알아야 합니다. 클라우드가 등장하기 전에 썼던 개념인데요. 기업 내부에 저장 공간과 서버를 직접 구축하고 운영하는 것입니다. 서버는 사내 IT팀 또는 IT 파트너가 직접 제어하고 관리합니다. 데이터는 로컬 네트워크를 통해 회사 내부 컴퓨터 간에 공유되고요.

반면 클라우드는 구글, 아마존, 마이크로소프트 같은 외부 서비스 공급자가 모든 하드웨어와 소프트웨어 등 인프라를 조달하는 방식입니다. 서비스 공급자가 자사의 데이터 센터에 인프라를 설치하고 관리하죠. 이를 고객에게 유무료로 대여해주는 것입니다. 고객은 인터넷을 통해 PC, 웹 브라우저 또는 모바일 앱에서 클라우드 서비스에 액세스하고 데이터를 관리할 수 있습니다.

온프레미스 구축을 설명하는 그림

(2) 보안[2]

보통 기존의 온프레미스를 유지하기로 선택하는 기업들은 모든 것을 사내에 유지하면 보안을 더 철저히 지킬 수 있다고 생각합니다. 하지만 그 경우 보안 시스템을 구축할 책임은 전적으로 기업에 있습니다. 높은 수준의 보안 전문 지식과 물리적 자산, 네트워크에 대한 지속적인 모니터링이 필요하죠. 시간과 비용이 많이 들어가게 됩니다.

반면 클라우드의 보안은 그 어느 때보다 강력한 수준입니다. 온프레미스 저장소와 달리 글로벌 사이버 보안 전문가로 구성된 팀이 항시 비즈니스 자산을 보호해주죠. 가트너의 추정에 따르면 클라우드 서비스에서 발생하는 보안 이벤트가 기존 데이터 센터에 비해 최소 60% 적다고 합니다. 클라우드 공급자들은 액세스 제어 시스템, 지속적인 위협 모니터링, 데이터 암호화를 비롯해 종합적인 보안을 제공하고 있습니다. 물론 온프레미스와 마찬가지로 데이터 유출이 발생할 수 있지만, 클라우드를 사용하는 기업 직원들의 액세스 권한 및 직원들이 외부 응용 프로그램을 사용하는 방식을 관리해서 데이터 유출을 최소화할 수 있습니다.

 

2. 클라우드 종류

클라우드에는 다양한 종류가 있고, 기업 유형이나 사용 목적에 따라 다른 종류를 선택할 수 있습니다.

(1) 프라이빗 클라우드

프라이빗 클라우드는 최종 사용자, 예를 들어 여러 사업부서로 이뤄진 단일 기업이 독점적으로 사용하도록 프로비저닝(시스템 자원을 할당, 배치해 두는 것)된 인프라입니다. 다음과 같이 세 가지 방식으로 구축할 수 있습니다.

– 온프레미스 데이터 센터를 갖추고 있는 기업이라면, 기존 데이터센터를 프라이빗 클라우드로 현대화할 수 있습니다.[3] 기존 온프레미스의 물리적인 데이터 센터를 가상화[4]해서, 가상화된 컴퓨팅 자원들을 소유하고 관리하는 것이죠. 서버나 스토리지, 네트워크 등 IT 인프라 자원을 필요에 따라 할당하고 관리할 수 있습니다. 물론 이렇게 하려면 기업 내부에 가상화 같은 기술을 지원할 역량이 있어야 하고, 사용자와 애플리케이션을 지원할 수 있는 대역폭을 갖춰야 합니다.

– 클라우드 공급자의 솔루션을 이용해서 온프레미스 환경에 프라이빗 클라우드를 구축하고 관리할 수 있습니다. 예를 들어, 아마존 아웃포스트는 기업의 온프레미스에 AWS 인프라와 서비스를 제공하는 솔루션이죠.

– 클라우드 서비스 업체에 프라이빗 클라우드 호스팅을 맡길 수 있습니다. 이를 격리된 액세스라고 합니다. 온프레미스가 아닌 오프프레미스 환경이고요. 프라이빗 클라우드용 자원은 뒤에 설명할 퍼블릭 클라우드와 완전히 분리되어 있습니다.

프라이빗 클라우드의 개념을 묘사하는 그림

(2) 퍼블릭 클라우드

퍼블릭 클라우드는 독립적인 클라우드 서비스 제공 업체가 공용 인터넷을 통해 사용자에게 컴퓨팅 리소스를 제공하는 방식입니다. 프라이빗 클라우드와 달리 동일한 컴퓨팅 리소스가 여러 사용자 간에 공유되죠. 개별 고객은 프로비저닝된 클라우드의 일부를 사용합니다. 클라우드 서비스 제공 업체가 전체 인프라를 소유하고 유지관리하며, 구독이나 사용 용량별 가격을 책정해서 리소스에 대한 액세스 권한을 제공합니다.

퍼블릭 클라우드는 변화하는 수요에 맞게 탄력적으로 운영할 수 있으며 확장성도 우수하다는 장점이 있습니다. 그래서 많은 기업들이 인프라의 일부를 퍼블릭 클라우드로 이전하고 있죠. 이런 추세에 따라, 가트너는 2024년 전 세계 퍼블릭 클라우드 서비스에 대한 최종 사용자 지출액이 6788억 달러에 이를 것이라는 전망을 발표했습니다.[5] 이는 2023년 지출 전망치인 5636억 달러보다 20.4% 증가한 수치입니다.

퍼블릭 클라우드의 개념을 설명하는 그림

 

(3) 하이브리드 클라우드

하이브리드 클라우드는 온프레미스 데이터센터와 프라이빗 클라우드, 퍼블릭 클라우드 등 서로 다른 환경을 혼합해서 사용하는 유형입니다. 현재 퍼블릭 클라우드에만 전적으로 의존하는 기업은 거의 없기 때문에 대부분 하이브리드 클라우드라고 볼 수 있습니다.

보통 기업은 애플리케이션이나 데이터를 천천히 체계적으로 전환하려고 노력합니다. 따라서 데이터 스토리지나 애플리케이션 실행 환경을 온프레미스에서 프라이빗 클라우드, 또는 퍼블릭 클라우드로 이관하는 과정 자체가 자연스럽게 하이브리드 클라우드 구현으로 이어지곤 하죠. 예를 들어, 온프레미스 환경을 계속 사용하면서 애플리케이션 저장과 액세스는 퍼블릭 클라우드를 사용하는 식으로 유연하게 접근할 수 있습니다.

데이터 법률을 준수하기 위해 하이브리드 전략을 채택할 수도 있습니다. 예를 들어, 퍼블릭 클라우드 규모와 보안 이점을 활용하면서 민감한 데이터는 온프레미스로 보관하는 것입니다.

하이브리드 클라우드를 구성하는 일률적인 아키텍처는 없습니다. 그러나 서로 다른 환경이 데이터와 프로세스를 공유하여 동일한 태스크를 수행할 수 있게끔 하는 것이 중요합니다. 정보를 신속하게 공유하고 동기화할 수 있도록 통합하고 조율하는 과정이 필요합니다. 강력한 하이브리드 클라우드 네트워킹이 필요한 이유죠.

하이브리드 클라우드를 설명하는 그림

(4) 멀티 클라우드

멀티 클라우드는 2개 이상의 클라우드 서비스 제공업체의 인프라와 서비스를 동시에 병렬로 사용하는 전략입니다. 예를 들어, 컴퓨팅과 스토리지는 A사의 클라우드를 이용하고, 머신러닝과 데이터 분석 기능은 B사의 클라우드를 이용하는 식으로 운영할 수 있습니다. 앞서 언급한 하이브리드 클라우드와 다소 다르게, 여러 클라우드 서비스를 사용해 호스팅 위치와 상관없이 복수의 다양한 태스크를 수행할 수 있습니다. 하이브리드 클라우드에 2개 이상의 퍼블릭 클라우드가 포함될 경우 멀티 클라우드로 분류할 수 있습니다.

여러 이유로 이런 전략을 선택할 수 있는데요. 아무래도 가격과 성능 측면에서 최적의 솔루션을 선택할 수 있습니다. 또한, 특정 벤더에 대한 의존성을 줄이고 리스크를 분산할 수 있죠. 특정 클라우드의 장애가 전체 시스템에 영향을 미치지 않게 할 수 있습니다. 기업의 필요에 따라 서비스를 확장하거나 축소하기도 쉽습니다.

멀티 클라우드 개념을 설명하는 그림

미국의 소프트웨어 회사 플렉세라가 2023년 발간한 보고서를 보면, 멀티 클라우드가 이미 대세로 자리잡았음을 알 수 있습니다. 전세계 IT 전문가 및 경영진 750명 가운데 멀티 클라우드를 쓰고 있다고 답한 이용자가 87%였죠. 그랜드 뷰 리서치에 따르면 글로벌 멀티 클라우드 관리 시장은 2022년 80억 3천만 달러 규모로 평가됐습니다. 또, 2023~2030년 연평균 복합 성장률(CAGR) 28.0%로 성장할 것으로 예상됩니다.[6]

기업들의 멀티 클라우드 도입 퍼센트를 보여주는 파이 차트

N=750 Image Credit : Flexera 2023 State of the Cloud Report[7]

 

하지만 마냥 좋은 점만 있는 것은 아닙니다. 다양한 클라우드를 활용하면 그만큼 관리 복잡도가 높아진다는 단점이 있습니다. 각 클라우드별로 특성이 다르기 때문에 각각의 인터페이스에도 익숙해져야 하죠. 무엇보다도 데이터를 통합하거나 이전하려고 할 때 호환성 문제가 발생할 수 있습니다(클라우드를 변경할 때 데이터를 이관하느라 전직원이 고생하곤 하죠). 보안 사항도 클라우드 특성에 맞게 따로 관리해야 한다는 어려움이 있습니다.

그래서 최근 멀티 클라우드를 관리할 수 있는 클라우드 관리 플랫폼(CMP)을 내세우는 기업들도 많아졌습니다. 예컨대 옵스나우(OpsNow)는 멀티 클라우드 환경의 리소스, 성능, 비용 관리를 최적화해주는 클라우드 관리 플랫폼이죠.

중요한 것은 멀티 클라우드를 도입할 때 위와 같은 다양한 관리법을 통해 전략을 짜야 한다는 점입니다. 그래야만 복잡성 탓에 오히려 효율이 떨어지는 ‘함정’을 피할 수 있습니다.[8]

언제 어디서나 스마트팩토리 데이터를 쉽게 모니터링하고 제어할 수 있는 솔루션

3. 업계 및 연구 동향

(1) 멀티 클라우드 쿠버네티스 지원

이제 애플리케이션 개발 환경도 클라우드 기반으로 바뀌었습니다. 업계 주류는 ‘클라우드 네이티브’입니다. 클라우드 네이티브란, 클라우드의 장점을 최대한 활용할 수 있도록 애플리케이션 구축하고 배포하는 방법입니다. 인프라, 애플리케이션, 아키텍처까지 모든 것을 클라우드 기반으로 전환하는 것이죠. 오픈소스 개발자 컨퍼런스를 운영하는 비영리 재단 ‘CNCF(Cloud Native Computing Foundation)’는 2022년 클라우드 네이티브가 뉴노멀이 됐다고 밝히기도 했습니다.[9]

주요 클라우드 업체들은 기업들이 클라우드 네이티브 애플리케이션을 안정적으로 개발할 수 있도록 지원하고 있습니다. ‘쿠버네티스’ 서비스가 대표적입니다.

우선 클라우드 네이티브 개념을 살펴보겠습니다. 클라우드 네이티브 애플리케이션은 ‘마이크로서비스 아키텍쳐’로 이뤄져 있습니다. 마이크로서비스란 하나의 애플리케이션이 보다 작고 느슨하게 결합된, 개별 배포가 가능한 구성 요소들로 이뤄져 있는 방식입니다. 사용자 환경에 지장을 주지 않고 독립적으로 배포가 가능하기 때문에 지속적 통합/지속적 배포(CI/CD)에 적합하죠. 애플리케이션 수정과 확장이 용이하다는 뜻입니다.

그런데 이 마이크로서비스 아키텍쳐는 ‘컨테이너’에 패키징 되곤 합니다. 컨테이너는 말 그대로 화물 운송 컨테이너에 비유할 수 있는데요. 다양한 환경에서 코드를 실행하는 데 필요한 모든 라이브러리, 종속 항목, 애플리케이션 코드 등을 결합해놓은 묶음입니다. 기존의 가상머신(VM)과 유사하지만, 애플리케이션 간 운영체제(OS)를 공유하기 때문에 VM에 비해 훨씬 가볍습니다. 컨테이너 기반으로 애플리케이션을 개발하면 온프레미스, 프라이빗 클라우드, 퍼블릭 클라우드, 하이브리드 멀티 클라우드 등 다양한 환경에서 애플리케이션을 일관되게 배포하고 관리할 수 있습니다. 마이크로서비스 아키텍쳐의 이점을 극대화하는 것이죠.

소프트웨어 컨테이너 개념 설명 그림

애플리케이션 배포의 진화. (1) 초기에는 물리 서버에서 실행 (2) 가상화 (3) 컨테이너. 컨테이너는 가상화와 비슷하지만 애플리케이션 간 운영체제를 공유하기 때문에 훨씬 가볍습니다. – 이미지 출처 : 쿠버네티스

하지만 클라우드 네이티브 애플리케이션이 늘어날수록 컨테이너를 관리하는 것 또한 너무나 복잡해지게 됩니다. 예를 들어, 리소스를 최적으로 사용하려면 그때그때 컨테이너를 적절한 위치에 배포해줘야 하거든요.

이를 자동으로 조율하는 기술이 컨테이너 오케스트레이션입니다. 마치 오케스트라 지휘자처럼 행동하는 것인데요. 이러한 컨테이너 오케스트레이션 솔루션 가운데 업계 표준으로 자리잡은 것이 바로 쿠버네티스라는 오픈소스입니다.

이미 몇 년 전부터 주요 클라우드 공급사인 아마존, 구글, 애저 모두 쿠버네티스를 지원하고 있고, 심지어 온프레미스 솔루션 업체들도 경쟁적으로 쿠버네티스를 지원하고 있습니다. 또한 서로 다른 클라우드, 즉 이기종 멀티 클라우드에 컨테이너를 안정적으로 배포하고 조정할 수 있는 기술도 계속 내놓고 있는 추세입니다. 기업이 A사 클라우드를 쓰든, B사 클라우드를 쓰든 제한없이 배포, 운영, 이동 등을 할 수 있게 돕고 있는 것이죠.

 

(2) AI를 킬러 서비스로 제공하는 주요 클라우드 공급사들

클라우드 분야 석학인 허의남 경희대 컴퓨터공학과 교수에 따르면, 최근 주요 클라우드 공급업체들은 다양한 AI 기능을 출시하고 있습니다. 대부분 자사의 클라우드 제품과 함께 사용할 수 있도록 설계됐는데요. 생성형AI 붐으로 인해 얼마나 많은 AI 모델과 애플리케이션을 제공하느냐가 고객을 유인하는 제1요소로 부각된 것이 원인입니다.[10]

예를 들어, 구글은 구글 클라우드 고객용 플랫폼인 버텍스(Vertex)AI를 통해 고객들이 100여 개에 달하는 AI 모델을 활용할 수 있도록 했습니다. 자체 개발한 AI 모델 외에도 타사의 AI 모델들도 들여왔는데요. 가령 대규모언어모델 ‘라마2’, 코딩 목적 AI 서비스 ‘코드 라마’ 등 메타의 모델이 있습니다. 또, AI 스타트업 앤쓰로픽의 클로드2 챗봇 등 20여 가지 외부 모델을 탑재했고요. 이용자들은 개별 제조사를 찾을 필요 없이 일종의 편집숍 기능을 하는 구글 클라우드 버텍스AI를 통해 여러 AI 모델을 필요에 따라 활용할 수 있게 됐습니다.

 

(3) AI 확산 속 신생 클라우드 급성장

최근엔 신생 클라우드 업체들도 급부상하고 있습니다. 그 배경에 생성형AI 붐과 엔비디아가 있습니다.

2022년부터 생성형AI가 급격히 확산되면서 이를 훈련하고 실행하는 데 필요한 GPU 칩의 공급이 부족해지기 시작했습니다. 그러자 구글, 마이크로소프트 등 빅테크 기업들은 비싼 엔비디아 GPU 칩 대신 자체 칩을 개발하기 시작했는데요. 이에 엔비디아는 2023년, 기존의 주요 클라우드 업체가 아닌 아닌 신생 클라우드 업체들과 우선 공급 계약을 맺었습니다. 바로 코어위브 같은 스타트업입니다.

코어위브는 2017년 암호화폐 채굴 기업으로 시작해, 이후 GPU를 활용한 클라우드 인프라 서비스로 방향을 틀었습니다. 코어위브의 서비스는 AI 워크로드에 특히 적합합니다. 코어위브는 홈페이지를 통해 “기존 클라우드 제공 업체들보다 최대 35배 빠르고 80% 저렴한 광범위한 컴퓨팅 솔루션을 제공한다”고 홍보하고 있죠.[11] 2023년 8월에는 여러 사모 펀드로부터 23억 달러의 자금을 조달하면서 업계의 이목을 집중시켰습니다.

 

(4) 새로운 패러다임 : 클라우드 컨티뉴엄

거대 AI를 구동하려면 대규모 데이터와 대용량 연산이 필요합니다. 즉, 지금껏 목격해온 것보다 훨씬 더 많은 컴퓨팅 자원이 요구되죠. 이에 대응하기 위해 차세대 클라우드 패러다임이 등장했습니다.

클라우드 컨티뉴엄(Cloud Continuum)은 기존 중앙집중형 클라우드 서비스의 문제점을 해결하기 위해 포그 클라우드, 에지 클라우드, 멀티 클라우드, 분산 클라우드의 개념을 다 수용하면서, 기업의 리소스(고성능 컴퓨팅, 서버 등)부터 IoT 센서 레벨의 자원까지 총망라하여 서비스 인프라로 제공하려는 연속체입니다.[12] 아주 작은 IoT 장치부터 초소형 컴퓨터, 고성능 컴퓨팅까지 모든 기기가 컴퓨팅 자원으로 활용된다는 특징이 있습니다. 이를 통해 방대한 데이터 수집, 데이터 프로세스의 효율성 증대, 실시간 서비스 제공을 목표로 하고 있죠. 아직은 개념 정립 단계로, 학계에서 활발한 연구가 이뤄지고 있습니다.

 

4. 제조 분야 도입 사례

(1) 구글 안토스와 AI 품질 검사 플랫폼

LG전자 생산기술원은 AI 품질 검사 플랫폼 ‘마빈 클라우드’를 개발하고, 이를 운영하기 위해 구글 클라우드의 ‘안토스’를 도입했습니다.[13] 안토스는 온프레미스부터 모든 클라우드 환경까지 애플리케이션을 일관성 있게 배포, 운영할 수 있는 구글의 컨테이너 플랫폼입니다.

제조업 특성상 각 기업 현장에서 생성된 데이터는 보안 때문에 외부로 공유될 수 없습니다. 때문에 마빈 클라우드는 온프레미스 환경에 개별적으로 구축되죠. LG전자 생산기술원은 마빈 클라우드를 다양한 환경에서도 동일하게 서비스 하기 위해 마빈 클라우드를 쿠버네티스 클러스터로 구성했습니다. 그리고 이를 효율적으로 운영하기 위해 구글 클라우드의 안토스를 도입한 것이죠. 이렇게 구축하면 이후에도 빠르고 간편하게 지속적으로 최적화를 진행할 수 있다는 장점이 있습니다.

 

(2) 제조 공장 솔루션의 클라우드화

스마트 팩토리 솔루션을 클라우드로 현대화 하거나 처음부터 클라우드 기반으로 개발하려는 움직임이 가속화 되고 있습니다.

클라우드 MES 사례가 있습니다. 제조실행시스템이라고 불리는 MES는 생산 효율과 품질을 높이기 위해 위해 전체 제조 과정을 모니터링하고 제어하는 관리 시스템입니다. 그런데 전통적인 MES는 대부분 다른 시스템과 통신하는 기능이 없습니다. 접근성이 낮고 확장성이 떨어지기 때문에 다변화하는 현실에 대응하기 어렵죠.

최선은 이런 관리 시스템을 클라우드화하는 것입니다. 접근성을 높이고 비용은 절감할 수 있고요. 요구 사항이 변할 때 쉽고 빠르게 확장할 수 있습니다. 많은 제조업체들이 아직까지 기업 보안을 이유로 클라우드 기반의 솔루션 도입을 꺼려하고 있지만, 사실 최근 클라우드 기술이 급격하게 성숙하면서 그 어느 때보다 보안 성능이 강력해졌습니다. 이런 관리 소프트웨어를 클라우드화하면 클라우드를 통해 제공되는 다양한 AI 솔루션을 이용해 비즈니스에 필요한 다양한 통찰력도 얻을 수 있죠.

또다른 사례로 스마트제조 분야 SaaS 개발이 있습니다. 중소벤처기업부는 ‘클라우드형 스마트공장 종합솔루션’ 개발을 지원하고 있습니다. 이 솔루션에는 MES, 전사적자원관리(ERP), 환경전과정평가(LCA), AI 기능이 전부 포함됩니다. 국제표준 데이터 호환 기술을 적용해서 이차전지의 원재료 이동, 재료 가공, 납품 과정에서 수집된 데이터로부터 탄소배출량을 자동 계산해 제공하겠다는 계획인데요. 이를 통해 이차전지 공장의 디지털화를 촉진하고 글로벌 환경 규제에 대응하는 것이 목표입니다.[14]

 

5. 결론

AI 머신러닝 기술과 클라우드 활용 역량은 오늘날 기업이 경쟁력을 유지하기 위한 필수 요건으로 자리 잡았습니다. 전통적인 제조 산업도 예외는 아닙니다. 클라우드 기반의 AI 기술을 활용하면, 예를 들어 이상감지를 통해 제조 공정을 효율화하고 품질을 높일 수 있죠.

아직까지 전통적인 제조 기업들은 온프레미스 방식을 유지하고 있습니다. 이러한 레거시 시스템에는 부서별 벽이 존재하고, 데이터가 그 안에 갇히게 됩니다. 통합하고 연계하기 어렵죠. 이런 상황에서는 클라우드와 AI의 이점을 충분히 활용하기 어렵습니다. 허의남 경희대 컴퓨터공학과 교수는 “실제 제조 현장에는 아직까지 신뢰성 있는 데이터가 많이 부족하다”고 진단했습니다. 또한, “앞으로는 제조 기업 간 연합학습을 통해 고품질 AI를 구축하게 될 것”이라며 “미리미리 고품질 데이터를 수집하고 이를 클라우드화 하는 준비를 해야 경쟁력을 유지할 수 있다”고 조언했습니다.

 

자문 : 허의남 경희대 컴퓨터공학과 교수 

우아영 아하랩스 책임연구원

Related Stories

산업용AI 솔루션 LISA로 완벽한 실시간 이상 탐지를 경험해 보세요

산업용AI 솔루션 LISA로 완벽한 실시간 이상 탐지를 경험해 보세요

전세계 제조 업계의 스마트팩토리 전환이 가속화되면서 머신 비전을 이용한 검사 자동화, 실시간 이상 탐지, 예지보전에 대한 관심이 뜨겁습니다. 특히 반도체나 이차전지 등 혁신 제조산업 현장에서는 하루에도 수천 수만 개의 부품·제품들이 생산되는데, 사람이 불량을 일일이 찾아낸다는 것이 불가능에 가까워졌죠. 또한, 이제 고객들은 미묘한 결함도 용납하지 않기 때문에 이 요구를 충족시키려면 신속하고 정확하게 불량을 짚어내는 AI 검사 자동화가 필수입니다.  아하랩스의 LISA(Look...

Why DATA CAMP Is the Ultimate Choice for Digital Twins

Why DATA CAMP Is the Ultimate Choice for Digital Twins

The idea of a digital twin is to address real-world problems by rendering the physical world visible within a digital environment. Three key technologies are essential for creating a digital twin: Virtualization: This involves modeling the physical world in a virtual...

DATA CAMP를 활용해 디지털 트윈의 첫걸음을 내디뎌 보세요

DATA CAMP를 활용해 디지털 트윈의 첫걸음을 내디뎌 보세요

최근 화두로 떠오른 디지털 트윈은 디지털 환경에서 물리적인 현장을 모두 ‘가시화’해서 현실의 문제를 해결한다는 것이 핵심입니다. 디지털 트윈을 구현하는 데에는 핵심 기술 3가지가 필요한데요. 각각 물리 세계를 가상 세계에 모델링하는 가상화, 현실의 변화하는 각종 데이터를 실시간으로 반영하는 동기화, 그리고 모델링과 실시간 데이터를 활용해 해결하고자 하는 문제에 대한 최적의 답을 도출해내는 시뮬레이션입니다.  실생활에서 가장 흔히 볼 수 있는 디지털 트윈 사례는 바로 차량...

‘최전선에서 고객사를 만나다’ 솔루션 엔지니어링 팀 리더 안재현 님 인터뷰

‘최전선에서 고객사를 만나다’ 솔루션 엔지니어링 팀 리더 안재현 님 인터뷰

아하랩스는 실시간 데이터 수집 및 분석과 이상탐지, 예지보전 AI 솔루션으로 이차전지, 반도체, 패션 등 산업용AI 분야에서 중추적인 역할을 하고 있습니다. 이렇게 할 수 있었던 것은 아하랩스 임직원들의 노력 덕분인데요, 오늘 만나볼 주인공은 아하랩스 최전선에서 고객사를 직접 만나고 이슈를 해결하는 솔루션 엔지니어링 팀의 리더 안재현 님입니다.   제조 도메인 지식과 현장 경험을 갖춘 데이터/AI 전문가 팀입니다 Q. 안재현 팀장님 안녕하세요? 솔루션 엔지니어링 팀에...

아하랩스 코딩테스트 만점 비결 궁금하시죠? 프론트엔드 개발자 박상현 님 인터뷰

아하랩스 코딩테스트 만점 비결 궁금하시죠? 프론트엔드 개발자 박상현 님 인터뷰

아하랩스는 실시간 데이터 수집 및 분석과 이상탐지, 예지보전 AI 솔루션으로 이차전지, 반도체, 패션 등 산업용AI 분야에서 중추적인 역할을 하고 있습니다. 이렇게 할 수 있었던 것은 아하랩스 임직원들의 노력 덕분인데요, 오늘 만나볼 주인공은 코딩테스트 만점 경력이 빛나는 프론트엔드 개발자 박상현 님입니다. Q. 상현 님, 안녕하세요? 소개 부탁드려요. A. 2023년 2월에 입사한 신입 프론트엔드 개발자 박상현이라고 합니다. 컴퓨터공학을 전공했고, 프론트엔드 개발에 매력을...

통계적 공정 관리(SPC) 핵심 도구 7가지와 실제 활용 사례

통계적 공정 관리(SPC) 핵심 도구 7가지와 실제 활용 사례

1. 체크 시트(CHECK SHEET) 체크 시트는 데이터가 생성된 장소에서 실시간으로 데이터를 수집하고 정리하는 데 사용하는 양식입니다. 수집하는 데이터는 정량적일 수도 있고 정성적(수치가 아닌 데이터)일 수도 있습니다. 체크 시트로 수집한 데이터를 이용해 히스토그램, 막대 차트, 파레토 차트 등을 생성할 수 있습니다. 체크 시트는 사건, 문제, 결함, 결함의 위치, 결함의 원인, 이와 유사한 문제의 빈도나 패턴에 대한 데이터를 수집하는 경우 이용합니다....

통계적 공정 관리(SPC) 구현 7단계와 실제 적용 사례

통계적 공정 관리(SPC) 구현 7단계와 실제 적용 사례

1. 프로세스 정의 SPC를 사용해 모니터링하고 제어할 프로세스 또는 특정 측면을 명확하게 정의합니다. 그런 다음 제품 또는 서비스의 중요한 프로세스 매개변수와 품질 특성을 식별합니다. 예를 들어, 전기 모터를 생산하는 기업에서는 용접의 품질이 전기 모터의 최종 품질에 상당한 영향을 미치므로, 용접 공정에 SPC 도입을 고려할 수 있습니다.      2. 데이터 수집 프로세스에 대한 관련 데이터를 수집하기 위한 계획을 수립하는 단계입니다. 수집할 데이터는...

2024 통계적 공정 관리(Statistical Process Control) 트렌드

2024 통계적 공정 관리(Statistical Process Control) 트렌드

통계적 공정 관리(SPC)란? 통계적 공정 관리(SPC)는 *Statistical Process Control의 약자로, 통계적 방법을 활용해 제조 공정을 모니터링하고 품질을 관리하는 방법입니다. 다양한 설비와 검사 장비 등으로부터 각종 데이터를 수집해 활용합니다. 제조기업의 자산을 최대한 활용하게 하고, 재작업이나 폐기되는 부품을 줄이며, 품질 기준에 부합하는 제품을 더 많이 생산하도록 보장하는 데 도움이 됩니다. 통계(Statistics): 데이터에서...

예지보전(Predictive Maintenance) 솔루션이 갖춘 공통 기능 6가지 

예지보전(Predictive Maintenance) 솔루션이 갖춘 공통 기능 6가지 

IoT Analytics의 2023년 조사에 따르면, 다양한 예지보전 솔루션에는 6가지 공통 기능이 포함돼 있습니다.[1] 각각 (1)데이터 수집 (2)분석 및 모델 개발 (3)사전 학습된 모델 (4)상태 시각화, 경고 및 사용자 피드백 (5)타사 솔루션과의 통합 (6)처방적 조치 기능입니다. 이번 아티클에서는 예지보전 솔루션이 갖추고 있는 6가지 기능의 세부적인 내용을 소개합니다.     기능 1: 데이터 수집 예지보전 솔루션들은 기업이 보유한 자산의 현재를...

2024년 예지보전 기술 트렌드 3 – 이상 탐지(Anomaly Detection) 등

2024년 예지보전 기술 트렌드 3 – 이상 탐지(Anomaly Detection) 등

예지보전 방법으로는 (1)간접 고장 예측, (2)이상 탐지, (3)잔존 수명 예측 등 크게 3가지가 있습니다. IoT Analytics 분석에 따르면, 최근 이상 탐지에 대한 연구가 증가하고 있는 것으로 나타났습니다.[1] 이번 아티클에서는 각 접근 방식의 상세 개념과 연구 예시, 이점 및 한계를 소개합니다.    1. 간접 고장 예측(Indirect failure prediction) (1) 개념  기계 설비의 현 상태에 대한 점수를 산출하여 말 그대로...