Posting

Machbase의 최신 소식을 지금 만나보세요

AIoT 시대와 Machbase의 대응 전략

개요

사물 인터넷(IoT)이 확산되고 있습니다. 사물 점점 더 연결되고 통신하는 장치의 증가와 장비들의 통신 속도와 대역폭이 증가하고 그 결과 엄청난 양의 IoT 데이터가 발생하게 됩니다. 기존의 관계형 DBMS는 사물에서 발생하는 데이터를 처리·분석할 수 없으므로 여기에 특화된 시계열 데이터베이스를 선택하는 것이 무선 통신 기술 발전에 활용되고 있습니다.

<출처 : wikipedia >

인공 지능 기술 또한 IoT 데이터를 이용하여 스마트 제조, 의료, 항공우주, 방위, 물류, 통신, 시설물 등의 인프라분야에서 사용자들에게 흥미로운 경험을 제시하고 있습니다.최근의 AI기술로 빅데이터와 결합하여 더 많은 데이터를 분산처리와 같은 방법을 이용하여 더 빠르게 처리하고, 딥러닝등의 보다 강력한 알고리즘과 결합되어 이전에는 가능하지 않았던 다양한 분야에서 상황을 자체 인식하고, 센서 데이터를 해석하고 의사 결정을 내리는 응용이 증가하고 있습니다.

 AIoT의 핵심 요소 중의 하나는 데이터 발생시점에 가장 가까운 위치에서 상황 판단을 수행하고, 데이터 변화에 대한 상황 인식과 대응을 위한 방법으로 이야기 되고 있는 것이 에지 컴퓨팅입니다. 에지에서 AI를 이용한 데이터 처리를 수행하면 매우 강력한 결과물을 얻을 수 있습니다.

5G를 비롯한 고속, 대용량의 무선 네트워크 인프라와, 사물 인터넷, 인공지능, 에지 컴퓨팅이 결합한 것을 AIoT라고 부릅니다. AI는 상황 인식, 판단 기능을 IoT에 추가하고, IoT는 AI를 위한 데이터 수집 및 전달부분을 담당하여 새로운 가치를 추가합니다. AIoT는 IoT의 기본적인 능력인 사물이 인터넷에 연결되어 서로 데이터를 주고 받는 것에 더해, 인공지능에 의해 학습하고 성장하는 시스템을 목표로 하고 있습니다. 이러한 AIoT는 원래 가정의 가전제품이나 모바일 기기를 위해 디자인 되었으나, 산업영역에도 확산되고 있습니다.

응용분야/IoT 클라우드와의 차이점

최초 도입된 가정내의 활용분야를 제외하고 산업 AIoT분야에 대해서 간단히 이야기해 보겠습니다.

  • 스마트 시티 : 도시 내에 설치된 센서들은 IoT로 연결되고, 도시에서 소비되는 물류, 전력, 수자원, 교량, 철도 등의 시설물 등의 인프라 데이터와 AI기술의 결합을 이용하면, 도시의 주민, 공공 기관, 공급업체에서 AI를 이용한 판단 및 추론은 이전에 수행하지 못했던 서비스를 가능하게 하고, 공공 안전에 기여할 수 있습니다.
  • 제조업 : 대량의 센서 데이터를 AI가 스스로 학습 및 분석하여 생산량을 최적화하고 생산 설비의 운영에 도움을 줍니다. 생산 설비의 고장을 예측하여 유지보수 비용을 줄일 수 있으며 주문량에 연계된 시스템은 자동으로 최적의 원재료 주문, 생산 설비 제어에 의한 생산량 조절, 생산량의 예측에 따른 물류 예약등을 수행할 수 있습니다.
  • 철도 운송 : 여객 정보 시스템, 철도 침입 탐지, 비디오 보안, 철도 위험 감지 등의 운영 및 안전 분아에서 데이터와 AI의 결합을 이용하여 다양한 응용에서 사용 가능합니다. 노선의 이미지 데이터를 실시간으로 분석 / 추론하여 고장 탐지가 가능합니다.
  • 의료 : 환자의 실시간 심박수 및 호흡 패턴등을 모니터링하고 휴대 단말 자체 장비를 이용하여 간단한 진단을 수행할 수 있고, 응급상황이 발생하면 이를 확인하여 의료기관에 연락할 수 있습니다. 환자가 적시에 올바른 의료 서비스를 받을 수 있도록 기여합니다.

기존 IoT 클라우드 모델에서는 IoT 장비의 데이터가 인터넷을 통해 클라우드 서버로 전송하고 클라우드 서버에서 데이터를 통합관리 및 분석하여 그 결과를 이용하는 것이었습니다. 이러한 기존 처리 방법은 실시간성과 데이터 처리량의 한계라는 문제점이 있습니다. 예를 들어 자율주행차와 같이 즉각적인 결정이 지속적으로 필요한 경우, 제한된 네트워크 대역폭과 지연 시간, 연결이 끊기는 문제 등으로 인해 적용이 힘듭니다. IoT의 발전으로 인해 너무나도 많은 데이터가 생성되므로 현재의 클라우드 플랫폼으로는 데이터의 증가 속도를 따라갈 수 없다는 점 또한 해결하기 어려운 과제입니다. 자율주행차의 예를 들면 주행시에 입력되는 LiDAR 센서와 이미지 센서의 데이터는 무선 네트워크를 통해 전송하기에는 너무나도 방대한 데이터입니다.

AIoT에서는 에지 단말이 대량의 센서 데이터를 수집하고 에지 단말에서 AI 를 이용한 실시간으로 상황을 인식하여 추론하여 문제를 해결할 수 있습니다. 하지만 AIoT 구현에 있어서 가장 문제가 되는 지점은 1) 에지 단말의 컴퓨팅 성능의 부족 2) AI+IoT+에지 컴퓨팅을 아우르는 데이터 처리 SW의 부재입니다. 마크베이스는 이 영역에서 AIoT의 구현을 좀더 효율적이고 쉽고 빠르게 진행할 수 있는 방법을 제공합니다.

AIoT 구현의 난제와 마크베이스의 해결책

먼저 AIoT 구현의 핵심 요소중 하나인 에지 단말의 컴퓨팅 성능에 어떤 문제가 있고 마크베이스는 어떻게 이를 해결할 것인지에 대해서 설명드리겠습니다. 에지 장비는 입력되는 다양한 종류의 센서 데이터를 수집, 해석, 가공하고 이 데이터를 내장된 AI 프레임워크에서 기계학습등을 수행하여야 합니다. 너무나도 많은 데이터가 센서로부터 생성되므로 에지 단말에서는 1) 다양한 센서 데이터의 수집 2) 대량의 데이터를 빠르고 효율적으로 입력하여 저장 3) 에지 단말에서 AI 분석 수행과 같은 기능이 필요합니다.

다양한 센서 데이터 수집을 위해, 마크베이스는 EdgeMaster를 개발하여 해결하였습니다. 여러가지 센서 데이터의 수집과 변환을 제공하는 Taglet이라는 App을 이용하여 수행할 수 있습니다.. 현재 개발된 Taglet은 OPC UA, Modbus,Melsec등의 제조 설비에서 생성되는 센서 데이터를 지원하고 있고, 이후 추가 센서 프로토콜의 개발을 진행하고 있습니다.

대량의 센서 데이터를 효율적으로 수집하는 것은 에지 단말의 하드웨어 성능이 제한적이고, AI분석 또한 에지 단말에서 수행해야 하기 때문에 매우 중요합니다. 마크베이스는 이 문제를 에지 단말에 IoT 센서 데이터 국제 표준 BMT 1위를 달성한 Machbase Timeseries DBMS 를 내장함으로써 해결하였습니다. 마크베이스의 에지 단말은 단일 에지 장비에서 초당 수십만건의 센서데이터를 수집 및 가공 가능합니다.

마지막으로 에지의 센서 데이터를 에지에서 AI 분석 추론이 가능해야 하는데, 마크베이스는 EdgeMaster의 AI suite가 에지에도 설치하여, Machbase TSDB, EdgeMaster, AISuite의 원활한 연동을 통해 별도의 개발이 필요 없이 이를 통합하여 제공하여 연동 문제흘 해결했습니다.

Machbase의 Edgemaster, AI Suite는 개발이 완료되어 국내 유수의 고객들에게 이미 적용되어 있습니다. 2021년 6월 16일 부산 Bexco에서 진행하는 2021 부산 국제 철도기술산업전에 마크베이스가 준비한 AIoT 솔루션을 선보일 예정입니다. 혹시 관심이 있으시면 방문하시어 저희 결과물을 확인할 수 있습니다.

지금까지 Machbase의 AIoT 전략에 대해서 살펴보았습니다. 마크베이스는 시계열 데이터베이스 전문 DBMS로써 이 분야에 있어 국제 1위의 속도와 퍼포먼스를 자랑하는 오랜 성과로 인해 이상 탐지 분야에 있어 핵심·원천 기술을 보유하고 있습니다. 4차 산업혁명의 가장 중요한 센서 빅데이터 처리를 담당하는 DBMS인 마크베이스 역시 대한민국의 IT 발전의 한 축을 지원하는 훌륭한 파트너로서 그 최선을 다하겠습니다. 문의사항은 있으시면 언제든지 저희 회사( 02-2038-4606) 로 연락주시기 바랍니다.

이 글을 읽어주셔서 감사합니다.

연관 포스트

Deep Anomaly Detection in Time Series (2) : 이상 감지 모델

개요 안녕하세요, 마크베이스의 Cloud개발본부 연구원 양창은입니다. 지난 게시글 Deep Anomaly Detection in Time Series (1) : Time Series Data에서는 시계열 데이터와 이상치(Anomaly)의 종류에 대해 알아보았습니다. 그리고

IIoT를 위한 Data Lake – machlake

Data Lake 란, 대규모의 다양한 원시 데이터 세트를 기본 형식으로 저장하는 데이터 리포지터리 유형입니다. 원시 데이터는 특정 목적을 위해 처리되지 않은 데이터를 뜻합니다. 산업 IoT