この記事は公開されてから1年以上経過しています。情報が古い可能性がありますので、ご注意ください。
안녕하세요! 클래스메소드 금상원 입니다. 이번 AWS Summit Online KOREA에 참가하여 '만들자! 데이터 기반의 스마트 팩토리' 라는 세션을 정리 해보았습니다.
세션 정보
세션 제목
- 만들자! 데이터 기반의 스마트 팩토리
발표자
- 문 태양 님
- 배 권 님
데이터 기반의 스마트 팩토리의 목표
데이터를 분석하고 설비들의 현황이나 매출을 모니터링하고, 적절하게 권한이 부여된 사용자가 데이터를 분석하고 사용하며, 이를 통해 혁신을 가속화
스마트 팩토리 구현 방법
1. 단계 흩어진 데이터를 모으자!
자제구매, 센서, 생산, 설비, 서비스 등 제조 과정에서 발생하는 모든 데이터를 분석하고 모니터링을 하기위해 Data Lake를 사용해야 합니다. 그 이유는
.
위의 사진과 같이 다양한 서비스를 이용하여 Data Lake에서 데이터를 가지고 와서 분석, 머신러닝을 수행하고, 결과를 Data Lake에 저장하기 때문입니다.
Data Lake를 구축하기 위해 최적의 장소는 AWS S3 입니다. 그 이유는 다음과 같은 장점들이 있기 때문입니다.
- 뛰어난 안정성, 가용성, 확장성
- 사용하기 쉽고, 저렴한 비용으로 빠른 성능 제공
- 다양한 데이터 수집/분석 도구 제공
- 오브젝트 단위로 제어 가능
- 보안, 규정 준수, 감시 기능 제공
이러한 장점들이 있기 때문에 AWS S3를 Data Lake로 사용하는 것 입니다.
다음은 Data Lake의 데이터 수집 도구를 알아 보겠습니다
위의 사진과 같이 오프라인 전송, 온라인 전송, 데이터베이스/서버 마이그레이션 및 복구, 스트리밍 데이터, 하이브리드 게이트웨이의 도구들을 제공 하고 있습니다.
특히 다양한 도구들 중에서 데이터 전송 서비스인 AWS Migration Service에 대해 소개 하겠습니다.
AWS Migration Service의 대표적인 역활은
- 데이터베이스를 빠르고 안전하게 AWS로 마이그레이션 가능
- 마이그레이션하는 동안 소스데이터가 변함없이 운영 가능
- 같은 데이터베이스 뿐만 아니라 다른 데이터베이스 플렛폼 또는 S3로 마이그레이션 지원
- Data Lake인 AWS S3에 데이터를 모을때도 사용 가능
위와 같이 있습니다. 이러한 역활을 수행한 뒤 Data Lake인 AWS S3로 데이터를 모을 수 있습니다.
2. 단계 데이터를 분석해보자!
Data Lake의 데이터를 분석하는 서비스는 많습니다만, 이번 레포트에서는 AWS Athena 와 AWS Glue, AWS QuickSight 에 대해서 설명하겠습니다.
AWS Athena
AWS Athena는 S3에서 데이터를 직접 쿼리 합니다 CSV나 JSON, ORC등 다양한 파일 포멧을 지원해 주고 있습니다.
실행한 쿼리를 TB당 5달러로 저렴하게 사용 할 수 있습니다. 또한, AWS Glue의 데이터 카탈로그와 바로 통합되기 때문에 AWS Glue로 만든 스키마를 통해 쉬게 쿼리가 가능 합니다.
AWS Glue
S3에 저장된 데이터를 쉽게 활용하기위해서 AWS Glue를 사용할 수 있습니다. 또한, 데이터 카탈로그를 생성할 수 있습니다 데이터 카탈로그는 데이터의 테이블정보라고 생각하시면 됩니다. 데이터의 추출, 변환, 로드를 더 빠르게 해주며 데이터 카탈로그를 생성하여 AWS Athena가 SQL쿼리 할 수 있게 해줍니다.
AWS QuickSight
S3등에 저장된 데이터에대한 BI대쉬보드를 구축할 수 있습니다. AWS의 서비스와 통합되어 있어서 다양한 서비스에서 데이터를 쉽게 가져오고 관리할 서버없이 엑세스 제어를 할 수 있습니다. 다양한 데이터를 준비한 후 그래프를 선택하고 Drag&Drop으로 보기쉬운 대쉬보드를 만들 수 있습니다.
위의 기능을 이용하여 과정을 설명 하겠습니다.
- S3에 모인 데이터를 AWS Glue를 통해서 데이터 전처리와 변환을 하고, 데이터 카탈로그를 만들어서 테이블 스키마를 만듭니다.
- AWS Athena를 통해서 쿼리를 합니다
- 그 후 AWS QuickSight에서 비지니스 인사이트를 얻을 수 있습니다.
3. 단계 설비의 데이터를 얻어보자!
이번 세션에서는 설비의 데이터를 예를 들어 설명 하였습니다.
설비의 데이터를 얻기 위해 AWS IoT 서비스를 이용하였습니다. AWS IoT서비스는 3가지 요소로 되어있습니다.
위의 사진처럼
- 엣지에서 IoT장치를 동작시키는 IoT Device Software
- 클라우드에서 장치를 연결/관리/보호를 하는 connectivity&Control Service
- IoT데이터를 이해하고 비지니스문제를 해결하기 위해서 Analytics Service
가 있습니다. 각 요소들 중에서 AWS IoT Greengrass, AWS IoT Core, AWS IoT SiteWise에 대해서 설명 하겠습니다.
먼저 AWS IoT Greengrass 에 대해서 설명 하겠습니다.
AWS IoT Greengrass는 엣지 디바이스에서 실행되는 소프트웨어 방식의 AWS의 서비스 입니다. 이를 통해서 공장의 엣지 디바이스 까지 AWS 환경을 확장 시킬 수 있습니다.
또한, 위의 사진처럼 인터넷에 연결 되어있지 않아도 AWS Lamda, Docker Container를 실행하고, 기계학습 모델을 기반으로 예측을 할 수 있습니다. 디바이스 상태를 동기화 상태로 유지하고, 안전하게 다른 디바이스와 통신 할 수 있습니다.
다음은 AWS IoT Core에 대해 설명 하겠습니다.
AWS IoT Core는 디바이스 게이트웨이와 메세지 브로커가 포함되어서 정해진 규칙에 따라 디바이스 데이터를 필터링/변환 할 수 있습니다. 또한 AWS S3, DynamoDB, AWS Analytic, AWS SiteWise와 같은 다른 AWS서비스를 사용하여 쉽게 IoT어플리케이션을 만들 수 있습니다.
다음은 AWS IoT SiteWise에 대해 설명 하겠습니다.
AWS IoT SiteWise는 제조/설비의 데이터를 분석하고, 시각화 할 수 있는 관련 서비스 입니다.
AWS IoT SiteWise Monitoring을 이용하여 산업데이터를 실시간으로 보고 분석 할 수 있는 웹 어플리케이션을 쉽게 생성 할 수 있습니다. 또한, AWS IoT SiteWise Edge를 사용하여 공장 단위로 로컬 디바이스에서 데이터를 보고 처리 할 수 있습니다.
대쉬보드 설정은
- Drag&Drop으로 디바이스를 선택
- 원하는 그래프를 선택
방법으로 쉽게 구성하여 실시간으로 모니터링 할 수 있습니다.
스마트 팩토리 구현 정리
팩토리 디바이스에서 발생하는 데이터를 AWS Cloud로 전송하고, AWS IoT Core를 이용해서 메세지를 수신해서 Data Lake에 데이터를 축척하고, AWS IoT SiteWise를 통해서 모니터링을 할 수 있게 되었습니다.
도입 사례
한국의 OCI 기업에서 도입한 사례를 소개 하겠습니다.
도입 이유
오래된 공장들의 운영이나 IT시스템 모두 수작업 비중이 늘어날 수 밖에 없는 상황 이며 IT시스템 또한 각각의 필요에 따라 별도로 구축되어 있어 데이터가 분산 저장 되어 있는 상태입니다. 이로인해 운영인력이나 생산실적을 파악하는 등 업무의 비효율이 계속 증가는 상태 였습니다. 해결 하기위해 AWS 서비스를 이용하여 적절한 비용과 필요한 서비스를 도입 하고자 했습니다.
효과
위의 사진과 같이 결과가 명확합니다. 데이터의 집계부터 계산과 도표 차트 작성 보고 까지의 과정이 비교 할 수 없이 간단해 졌습니다. 또한, 정확도와 관리/활용의 사용률도 크게 변하였습니다. 이렇게 모인 빅데이터와 분석을 활용해서 파생 프로젝트도 진행 하게 되었습니다.
낙후 되고 어려운 환경 일수록 클라우드 신기술을 활용할 경우 꾸준한 투자와 IT투자를 해온 회사를 한번에 넘어설 수 있는 시대가 왔습니다.
감상
최근 많은 공장들이 스마트 팩토리를 건설하거나 구축하고 있습니다. 그로 인해 업무가 수월해지고 데이터를 이용하여 새로운 사업을 진행 하거나 하는 사례들을 많이 보았습니다. 하지만 이러한 스마트 팩토리 시스템의 공장을 건설하거나 구축하기 위해서는 많은 초기 투자비용이 발생하게 되고 결과를 얻기 까지 시간 또한 걸려 진입 장벽이 높다고 생각합니다. 하지만 이번 강의를 듣고 AWS서비스를 이용하여 내가 필요한 만큼 사용하고 추가하고 변화 할 수 있는 것은 너무나도 매력적인 부분이 아닌가 생각합니다.
한편으로는 앞으로 모든것이 데이터를 분석하고 자동으로 처리가 된다면 일자리가 점점 없어지고, 미래 사회에 필요한 새로운 직업, 기술 트랜드에 맞춰나가지 않으면 안된다는 생각이 들기도 했습니다.
17
