AWS 윤석찬 수석테크에반젤리스트, “제조업 숙원 ‘예지정비’ 아마존 머신러닝이 궤도에 올린다”
  • 최정훈 기자
  • 승인 2021.02.13 08:30
  • 댓글 0
이 기사를 공유합니다

센서 분석 및 컴퓨터 비전 기능 등 폭넓은 서비스 제공

[인더스트리뉴스 최정훈 기자] 4차 산업혁명, 인더스트리4.0, 디지털전환(DT) 등 제조산업과 같은 전통산업에서 IT기술 접목을 통해 생존력을 키워야한다는 시대적 각성이 현장 곳곳에 파고 들고 있다. 이 가운데 디지털전환의 근간 기술인 클라우드가 부각되면서 제조업을 잘 아는 클라우드 업체에 대한 관심도 집중되고 있다. 

아마존웹서비스(Amazon Web Services, AWS)는 높은 신뢰성과 확장성, 그리고 저비용을 장점으로 하는 클라우드 인프라스트럭처 플랫폼이다. 지난 2006년부터 아마존의 자체 백엔드 기술 플랫폼을 사용해 개발사 고객들에게 웹 서비스를 제공한 것을 시작으로 급성장해온 AWS는 현재 컴퓨팅, 스토리지, 데이터베이스, 네트워킹, 분석, 머신러닝(ML) 및 인공지능(AI), 사물인터넷(IoT), 모바일, 보안, 하이브리드, 증강/가상 현실(VR/AR), 미디어, 애플리케이션 개발, 배포 및 관리 등 175개 이상의 서비스를 제공하고 있다. 혁신 기술들을 뿜어내는 용광로를 방불케 한다.

윤석찬 수석 테크 에반젤리스트는 5가지 새로운 ML 서비스가 제조 및 공정산업의 경쟁력을 배가시킬 수 있다고 강조하고 있다. [사진=AWS]
윤석찬 수석 테크에반젤리스트는 AWS의 5가지 새로운 ML 서비스가 제조 및 공정산업의 경쟁력을 배가시킬 수 있다고 강조하고 있다. [사진=AWS]

AWS는 ML을 가장 앞단에 배치하고 특히, 제조업의 생산성과 품질 제고를 실현해 내겠다는 방침이다. AWS의 ML 서비스들은 고도화된 ML, 센서 분석 및 컴퓨터 비전 기능을 제공하며, 고객사가 직면한 공통적인 기술적 과제를 해결하고, 가장 포괄적인 클라우드-투-에지 산업 ML 서비스 제품군을 구성하고 있다. 

제조분야 접점에서 고충과 애로를 청취해 온 AWS 윤석찬 수석 테크 에반젤리스트는로부터 국내 제조업의 현재와 방향에 대해 전해 들었다.

제조업계에서 가장 큰 난제는 무엇이라고 보는가

제조분야 고객들과 이야기를 나누면, 늘 최고 품질의 제품을 생산해서 출시하는 것, 근로자 안전, 작업장 유해 요소를 제거, 그리고 장비 유지보수 문제 해결에 공통분모가 형성된다는 것을 깨닫게 된다. 최근 제조시설, 풀필먼트 센터, 식품가공 공장 등의 산업 환경에 ML을 도입하려는 기업들의 움직임이 커지고 있다. 이러한 고객들에게 데이터는 복잡한 산업 시스템을 하나로 묶는 결합 조직(Connective Tissue) 역할을 하는 핵심 자산이다.

제조업계가 직면하고 있는 큰 난제는 장비의 지속적인 유지보수라는 것을 아무도 부인하지 않는다. 그간 대부분의 설비 및 장비 유지보수는 고장 이후 ‘대응적’이거나 고장 방지를 위해 정기적으로 ‘예방적’ 진단을 수행했다. 사후 유지보수는 상당한 비용과 다운타임을 감내해야 하고 그렇다고 주기적으로 유지보수를 단행하지만 비용이 많이 들거나 되레 과도하게 보수를 할 경우도 생긴다. 게다가, 충분히 자주 수행되지 않으면 고장을 예방하거나 열화를 막을 수 없다. 설비 및 장비의 필요할 시점에 유지보수를 하는 예지정비가 각광 받는 이유이다.

하지만 지금까지 기업들은 예지정비를 구현하기 위해서, 여러 가지 기술을 조합한 복잡한 솔루션을 새로 만들기 위해 숙련된 엔지니어와 데이터 과학자를 영입해야 했다. 여기에는 활용 사례에 적합한 유형의 센서를 발굴해 조달해야 하고 데이터를 집계해 전송하는 장치(IoT 게이트웨이)와 연결해야 했다. 이후, 모니터링 시스템을 테스트하고 데이터를 온프레미스 또는 클라우드로 전송해 분석 처리해야 했다. 그래야 힘들게 구축한 시스템이 이상 징후 데이터를 분석하거나 이상 탐지 시 경고하는 수준의 예지정비 구실을 할 수 있었다. 

이렇듯 일부 기업은 장비 전반에 센서를 설치하고 데이터 연결, 저장, 분석 및 경고에 필요한 인프라에 많은 투자가 불가피했다. 그러나 이러한 회사들조차 일반적으로 고급 ML 모델에 비해 비용이 많이 들고 비정상적인 상태를 감지하는 데 비효율적인 기초적인 데이터 분석과 단순한 모델링 방식을 사용한다. 대부분 기업들에게 고도로 정확한 예지정비를 가능하게 하는 ML 모델을 구축하고 개선할 전문지식과 인력이 턱없이 부족한 실정이다. 그 결과, 예지정비를 성공적으로 이행했다는 기업은 전무하며, 이행한 기업도 투자 효율성을 극대화하고 자체 개발한 솔루션을 유지하는 부담을 덜 수 있는 방안을 계속해서 모색해야 했다. 

지난해 12월 AWS는 리인벤트 2020(AWS re:Invent 2020) 행사에서 제조 및 공정산업을 직격한 5가지 새로운 ML 서비스를 발표하며 업계의 이목을 끌었다. [사진=AWS]
지난해 12월 AWS는 리인벤트 2020 행사에서 제조 및 공정산업을 직격한 5가지 새로운 ML 서비스를 발표하며 업계의 이목을 끌었다. [사진=AWS]

이와 관련해 해결책으로 제시할 수 있는 솔루션은?

아마존고(Amazon G0)에서 가시화했듯 아마존은 거의 모든 비즈니스에 ML을 도입을 해왔다. 헬스케어, 제조, 부동산, 리테일, 금융 분야를 막론하고 현재 10만 명이 넘는 고객이 AWS의 ML을 활용하고 있다. 

AWS는 가장 폭넓고 깊이 있는 ML 역량을 가지고 있다. 우리는 다른 제공 업체와 비교해 훨씬 더 많은 혁신을 이루고 있으며, 2배 이상의 고객 레퍼런스를 보유하고 있다. 

특히, ML을 활용한 자동화나 혁신의 거대한 니즈는 제조나 공정산업에서 두드러지게 나타난다. 지난해 12월 AWS는 리인벤트 2020(AWS re:Invent 2020) 행사에서 제조 및 공정산업을 직격한 5가지 새로운 ML 서비스를 발표하며 업계의 이목을 끌었다. 아마존 모니트론(Amazon Monitron), 아마존 룩아웃 포 이큅먼트(Amazon Lookout for Equipment), AWS 파노라마 어플라이언스(AWS Panorama Appliance), AWS 파노라마 SDK(AWS Panorama SDK), 아마존 룩아웃 포 비전(Amazon Lookout for Vision)이 그것이다. 

아마존 모니트론과 아마존 룩아웃 포 이큅먼트는 ML 기반 예지정비 구현할 수 있다는 점을 점으로 부각시키고 싶다. 기존 센서 네트워크가 없는 고객을 위해 아마존 모니트론(Amazon Monitron)은 센서, 게이트웨이, ML 서비스로 구성된 엔드-투-엔드 머신 모니터링 시스템을 제공한다는 점에서 제조업들이 부담감을 크게 덜 수 있다. 비용과 복잡성을 줄이고, 이상 징후를 감지하고 산업 장비 유지보수가 필요한 시기를 예측한다. 산업 및 제조 환경에서, 베어링, 모터, 펌프, 컨베이어 벨트와 같은 다양한 회전 장비에 활용되며 기업은 핵심 제조, 공급망, 운영 기능에 집중할 수 있도록 한다. 기존의 유지보수 담당자라면 개발 작업이나 전문 교육 없이도 몇 시간 안에 기계의 상태 추적을 시작할 수 있다. 실시간으로 모니터링할 수 있는 모바일 앱도 탑재돼 있다.

기존 센서가 있지만 ML 모델 구축을 원하지 않는 고객을 위해 아마존 룩아웃 포 이큅먼트(Amazon Lookout for Equipment)는 AWS에 센서 데이터를 전송해 고객을 위한 모델을 구축하고 비정상적 장비 동작을 감지하기 위한 예측도 제공한다.

AWS Panorama [사진=AWS]
AWS Panorama [사진=AWS]

그밖에 제조 공정에서 빛을 발휘하는 ML 솔루션은?

제조기업들이 자체 카메라로 컴퓨터 비전을 활용하려는 목적 중 하나는 품질관리를 위한 것이다. 많은 제조기업들은 모니터링 또는 육안 검사 작업을 자동화하고 실시간으로 의사결정을 내리기 위해 시설 및 장비의 라이브 비디오 피드에 ‘컴퓨터 비전’을 도입하길 바란다. 고객의 조정 필요 여부 판단(예: 미세 밀링 또는 레이저 툴링), 운영 기준 준수를 위해 현장 및 야드 활동 모니터링(예: 보행자 및 지게차가 지정된 작업 구역에 있는지 확인), 또는 시설 내 작업자 안전을 평가(예: 적절한 사회적 거리두기 또는 개인보호장비[PPE] 착용 여부) 등에서 컴퓨터 비전이 상당히 유용하다. 

그러나 현재 사용되는 일반적인 모니터링 방법은 수동적이고 오류가 발생하기 쉬우며 확장하기가 어렵다는 맹점을 안고 있다. 고객은 라이브 비디오 피드를 모니터링하고 분석하기 위해 클라우드에서 컴퓨터 비전 모델을 구축할 수 있지만, 현장 구동되는 시설은 일반적으로 연결 속도가 느리고 비용이 많이 들거나, 아예 연결되지 않는 외진 곳에 위치해야 하는 경우가 많다. 이러한 문제는 제조된 부품이나 보안 피드에 대한 품질 점검과 같은 수동 검토를 수반하는 산업 공정의 경우 훨씬 심각하다. 이러한 한계를 넘어설 솔루션이 필요한 것이다. 

AWS 파노라마 어플라이언스(AWS Panorama Appliance)는 고객이 이미 설치했을 수 있는 기존 온프레미스 카메라에 컴퓨터 비전을 추가할 수 있는 새로운 하드웨어 어플라이언스를 제공한다. 자동으로 카메라 스트림을 식별해 기존 산업용 카메라와 상호 작동을 시작한다. AWS 파노라마 어플라이언스는 AWS ML 서비스 및 IoT 서비스와 통합돼 맞춤형 ML 모델을 구축하거나 보다 정밀한 분석을 위해 영상을 수집할 수 있다. 각 AWS 파노라마 어플라이언스는 여러 카메라 스트림에서 컴퓨터 비전 모델을 병렬로 실행할 수 있어 품질 관리, 부품 식별, 작업장 안전 등에 활용할 수 있다. 

또한, AWS 파노라마(AWS Panorama) 소프트웨어 개발 키트(SDK)는 하드웨어 업체가 유의미한 컴퓨터 비전 모델을 에지에 실행할 수 있게 하는 새로운 카메라 구축을 지원한다. AWS 파노라마 SDK로 제작된 카메라는 빠르게 움직이는 컨베이어 벨트에서 손상된 부품을 감지하거나 지정된 작업 구역 밖에 있는 기계를 발견하는 등의 활용 사례를 위한 컴퓨터 비전 모델을 운영한다. 해당 카메라는 엔비디아(NVIDA)와 암바렐라(Ambarella)의 컴퓨터 비전을 위해 설계된 칩을 사용할 수 있다. 제조업체는 AWS 파노라마 SDK를 이용해 고화질 영상을 더 높은 해상도로 처리할 수 있는 컴퓨터 비전 모델로 카메라를 구축할 수 있다. 

고객들이 기업들은 품질관리를 유지하기 위해 꾸준한 근면성을 유지해야 한다. 제조업만 보더라도, 간과된 오류로 생산라인 가동이 중단돼 매년 수백만 달러의 매출 손실을 입고 있다. 산업 공정의 육안 검사는 보통 사람이 실시하는데, 이러한 검사는 지루하고 일관성이 없을 수 있다. 아마존 룩아웃 포 비전(Amazon Lookout for Vision) 은 ML을 통해 한 시간에 수천 개의 이미지를 처리해 결함과 이상 징후를 찾아내는 정확도가 높다. 고객들은 기계 부품에 금이 가거나, 패널에 흠집이 나거나, 불규칙한 모양이나 제품 색상 오류 등의 이상 징후를 식별하기 위해 아마존 룩아웃 포 비전에 카메라 이미지를 일괄 또는 실시간 전송한다. 그 다음 아마존 룩아웃 포 비전은 적절한 조치가 취해질 수 있도록 기준과 다른 이미지들을 보고한다. 고객은 기준에 맞는 '적절한' 상태의 이미지를 30개만 제공하면 기계 부품이나 제조 제품을 정확하고 일관성 있게 평가할 수 있다.

업체들은 자사 장비가 생성하는 방대한 양의 데이터로부터 더 많은 가치를 얻기 위해 클라우드, 인더스트리 에지, 그리고 ML을 함께 활용할 수 있는 방안을 찾고 있다. [사진=utoimage]
업체들은 자사 장비가 생성하는 방대한 양의 데이터로부터 더 많은 가치를 얻기 위해 클라우드, 인더스트리 에지, 그리고 ML을 함께 활용할 수 있는 방안을 찾고 있다. [사진=utoimage]

이러한 솔루션들이 적용된 사례는?

지멘스 모빌리티(Siemens Mobility), GE헬스케어(GE Healthcare), BP, 펜더 악기 회사(Fender Musical Instruments Corporation) 등의 글로벌 기업을 비롯해 국내에서는 한국타이어, 만도 등에서 솔루션을 도입했다. 

한국타이어앤테크놀로지는 오랜 기간 동안 축적한 18만건 이상의 컴파운드 데이터를 활용해 컴파운드 물성 정보를 예측하는 버추얼 컴파운드 디자인 시스템(Virtual Compound Design System, 이하 VCD)을 AWS 클라우드 위에 구축하기 시작했다. 기존 온프레미스 환경과 비교해 컴파운드 개발 소요 시간을 50% 이상 단축하는 것을 포함해 한국타이어앤테크놀로지의 연구 개발 프로세스 전반이 가속화될 것으로 기대된다. 한국타이어앤테크놀로지는 현재 시각화와 분석을 위한 용도에서 AWS 데이터 마이그레이션 서비스, AWS 글루(AWS Glue), AWS 다이렉트 커넥트(AWS Direct Connect), 아마존 심플 스토리지 서비스(Amazon S3), 아마존 EMR(Amazon EMR), 아마존 레드쉬프트(Amazon Redshift), 아마존 아테나(Amazon Athena) 등과 같은 AWS 서비스들을 활용해 데이터 수집, 저장, 데이터베이스, 분석 환경으로 확대해 나갈 예정이다. 

국내 대표 자동차 부품 전문 기업 만도는 AWS를 클라우드 우선 사업자로 선정했다. 만도는 사물인터넷(IoT), ML(ML), 애널리틱스, 컴퓨팅 서비스 등 AWS가 제공하는 깊고 폭넓은 클라우드 서비스를 활용해, 다양한 신규 모빌리티 사업 추진에 기반이 되는 모빌리티 서비스 플랫폼(Mando Mobility Service Platform, 이하 MMSP)을 빠르게 구축하고 상용화했다. 다양한 기기들로부터 데이터를 수집, 분석해 MMSP 기반으로 새로운 서비스를 제공하고 있다. 일례로 만도는 MMSP를 활용하여 올해 상반기에 수소자동차 운전자들에게 충전소 위치, 운영 시간, 대기 시간, 혼잡도, 가격 등 맞춤형으로 수소충전소 이용 관련 정보를 제공하는 앱인 ‘H2Care’를 출시했다.

2021년 국내외 제조업계 시장 트렌드 및 전망은?

업체들은 자사 장비가 생성하는 방대한 양의 데이터로부터 더 많은 가치를 얻기 위해 클라우드, 인더스트리 에지, 그리고 ML을 함께 활용할 수 있는 방안을 찾고 있다. 

과거에 ML은 가장 강력한 하드웨어 이외에는 어디에서도 실행할 수 없는 컴퓨팅 집약적 워크로드였다. 그러나, 소프트웨어와 실리콘의 발전으로 변모하기 시작했다. 여러 AWS 기술을 함께 사용해 하드웨어와 소프트웨어가 에지에서 함께 작동하게 되면 그 영향력은 그 어느 때 보다 커질 것이다. 에지를 향해 주안점을 두면서 앞으로 다양한 산업에서의 ML 모델의 채택이 가속화될 것으로 보인다. 

ML을 통해서 제조사들이 겪는 이러한 실질적인 비즈니스 및 운영상의 문제를 AWS의 ML 서비스를 통해서 해결할 수 있기 때문에 업계에 큰 반향을 불러일으킬 수 있으리라고 본다. 

Amazon Monitron Starter Kit [사진=AWS]
Amazon Monitron Starter Kit [사진=AWS]

제조업체의 클라우드 도입와 관련해 주요 이슈는 무엇인가?

여전히 많은 제조 업체들에게 있어 클라우드 도입과 디지털 전환은 쉬운 과정은 아니다. 대다수 공장은 IT 기술을 적용하기에 오래된 장비와 기술로 구성됐기 때문이다. 엣지에서 나오는 대용량 데이터를 저장하고, 분석할 수 있는 AI 기반 기계 학습 모델을 만들 수 있는 대용량 컴퓨팅 용량을 확보해야 했다. 

한편, 모든 클라우드 기능이 데이터 센터에 중앙 집중화되던 시대는 점점 사라지고 있다. 클라우드 컴퓨팅과 스토리지에 대한 액세스는 밀집된 데이터 센터로부터 분산돼 공장 작업현장, 외딴 황야, 심지어 지구 궤도로까지 확산되고 있다. 사실상 클라우드는 모든 곳에서 사용되고 있는 셈이다. 

지연 시간을 제거하고 네트워크 에지의 기기들이 더 많은 컴퓨팅을 수행함으로써, 지구상의 모든 기술이 여전히 직면하고 있는 한 가지 한계인 빛의 속도를 극복하기 시작하고 있다. 매우 짧은 지연 시간을 요구하는 작업부터, 자율주행, 자연 음성 처리 및 번역, 필수 인프라의 능동적 관리에 이르기까지, 더 이상 외딴 곳에서 중앙 서버까지 왕복하던 과거과는 사뭇 달라진 풍경이 연출되고 있다. 클라우드가 중앙 집중화된 위치로부터 우리가 매일 생활하고 작업하는 환경으로 확장됨에 따라, 클라우드에서 실행되는 소프트웨어와 동일한 소프트웨어를 가까운 곳에서 실행할 수 있으며, 이는 제조 산업을 비롯해 의료, 운송, 엔터테인먼트 등에 이르기까지 우리 삶의 모든 측면을 개선할 것이다. 

올해 국내 시장 선도를 위한 귀사의 계획과 강조할 내용은?

빠르게 변화하는 중에도 바뀌는 부분 보다 바뀌지 않은 것에 대해 생각해 볼 생각이다. 지금은 진정한 클라우드 및 ML 황금기로, 모든 기업이 정말 민첩하게 움직이기 위해서 클라우드 도입을 저울질하고 있다. 과거에는 대형 기술 기업이나 소수의 스타트업들만 사용할 수 있었던 기술과 혁신이 기업 규모에 상관없이 모든 개발자의 손에 쥐어졌기 때문에 디지털 트랜스포메이션의 가능성이 더 높아질 전망이다. 특히 ML 영역에서는 백엔드(back-end)의 문서처리, 공급망 예측 최적화, 콜센터 및 산업 제조 자동화, 데브옵스 등 다양한 개발 부분에서 더 많은 변화가 필요하다.

AWS는 고객들의 니즈로부터 시작하여 서비스를 개발하는, 즉 거꾸로 일하는 것(working backwards)을 원칙으로 해, 고객들이 겪고 있는 문제들을 해결해준다. 고객들은 AWS 서비스를 도입한 후 무엇이 도움이 됐고, 무엇이 아직 문제인지 등에 대한 피드백을 AWS에게 준다. 그러면 또 우리는 그 문제들을 해결할 수 있도록 서비스를 제공한다. 이것이 AWS의 전략의 핵심이고, 앞으로도 이러한 전략을 통해 고객들과 협력해 각 산업의 문제 해결을 도울 것이다.



댓글삭제
삭제한 댓글은 다시 복구할 수 없습니다.
그래도 삭제하시겠습니까?
댓글 0
댓글쓰기
계정을 선택하시면 로그인·계정인증을 통해
댓글을 남기실 수 있습니다.