[25]"스마트 팩토리 구축의 출발은 BaaS가 돼야"

[박정수 성균관대 스마트팩토리 융합학과 겸임교수] 스마트 팩토리의 시작은 BaaS(Bigdata as a Service)로부터 출발해야 한다.

제조업체가 다양한 시스템, 장치, 애플리케이션에서 고도로 분산된 데이터를 생성해 온 반면, 데이터 과학(data science)분야에서는 많은 데이터 관리 및 분석 과제를 통해 빅데이터 시대를 지원하기 위한 새로운 접근방식을 필요로 하였다.

이러한 산업용 빅데이터 분석의 핵심과제는 제조업의 생산 공간의 대규모 이기종(異機種) 데이터 소스(Data Source)와 실시간 분석 및 의사결정이다. 또한, 4차 산업혁명시대에서 제조업에게 요구되고 있는 스마트 팩토리는 산업용 빅데이터 분석의 새로운 개념, 방법론 및 애플리케이션 시나리오를 제시하고 속도 및 문제 해결의 획기적 개선 과제를 제공할 수 있어야 한다.

따라서 스마트 팩토리 구축을 위해서는 다음과 같은 ‘제조업 빅데이터 분석을 위한 주요 5가지 방법론’에 초점을 맞춰야 한다.

첫째, 고도로 분산된 제조업 데이터 수집 방법에 대한 개념 디자인이다. 다양한 시스템, 장치 및 애플리케이션에서 생성되어 고도로 분산된 데이터 소스를 액세스(access), 통합하는 과정은 결코 쉬운 작업이 아님은 분명하다. 둘째, 산업용 빅데이터 저장소(repository)를 어떻게 설계해야 하는 지 전략적인 판단이 필요하다. 또한, 샘플링 편향 및 이질성(sampling biases and heterogeneity)에 대처하고, 다양한 데이터 형식과 스트럭쳐(data formats and structures) 및 저장 방법을 마련해야 한다.

셋째, 대규모 제조업 데이터 관리이다. 그 중요성으로 볼 때 향후 엄청난 비용과 효율 문제에 봉착할 것이다. 그러나, 대규모 이기종 데이터 구성 및 공유를 활용하기 위한 초석임은 분명하다. 넷째, 스마트팩토리의 핵심역량인 제조업 데이터 분석이다. 데이터 생성부터 준비까지 데이터 검증 추적이 가능해야 한다.

다섯째, 스마트 팩토리의 기본인 제조업 데이터 거버넌스(Industrial data governance)이다. 데이터 신뢰, 무결성 및 보안 보장 등 각 단계마다 도전과 잠재적인 해결책을 찾아가야 한다. 또한 스마트 팩토리 가시성(smart factory visibility), 기계 작동, 에너지 관리, 사전 예방적 유지보수, 적시 공급망 등 제조업용 빅데이터의 전형적인 응용도 고려해야 한다.스마트 팩토리의 사물인터넷(IoT) 애플리케이션에는 머신러닝(ML, Machine Learning) 모델을 기반으로 한 실시간 예측 분석이 필요하다.

다만, 빅 데이터에서 ML 모델을 구축하는 것은 쉬운 작업이 아니다. 많은 시간이 소요될 뿐만 아니라 기능 엔지니어링, 파라미터 튜닝, 모델 선택 등의 개발자 전문 지식이 부족한 경우가 많다. 그리고, ML 라이브러리와 프레임워크, 데이터 수집 도구, 스트림 및 배치 처리 엔진, 시각화 기법, 그리고 사용 가능한 하드웨어 플랫폼의 범위는 시스템 설계와 신속한 개발 및 배치 문제를 더욱 악화시키는 요인으로 작용한다. 마지막으로 IoT의 리소스 제약이 원인이 되어 분석 엔진의 실행이 클라우드와 엣지 스펙트럼(cloud and edge computing, Spectrum) 전체로 분산시켜야 하는 결과를 낳기도 한다.

이러한 난제를 극복하기 위해서는 IoT 분석 라이프사이클 관리를 위한 이벤트 중심의 BaaS(Big Data as a Service)가 필요하다. 예를 들어, 아래 그림과 같이 텔스타-홈멜㈜의 BaaS 제품인 ‘LINK5 MOS(Manufacturing Operation System)’는 사용자에게 애플리케이션 및 인프라 요구사항을 명시하기 위해 엔지니어링 원리에 기초한 직관적이고 선언적인 메커니즘을 제공하고 있다.

‘LINK5 MOS’는 탑다운(top-down) 방식의 선형적 프로세스(linear process) 시스템이 아닌, 생성적 프로그래밍 원리를 통해 생산 라인 배치를 자동화하는 기술과 빅데이터 관리 기술이 활용된 보텀업(bottom-up) 방식의 비선형 프로세스(nonlinear process)로 개념 디자인한 스마트 팩토리 플랫폼이라 할 수 있다. 이는 30년 이상 바텀업 방식으로 축적된 빅데이터 관리 기술 기반의 Ts-SPC(생산 제품 품질 관리)와 PLC-SPC(생산 설비 품질 관리)를 개념 디자인 한 것에 기인한다.

[그림] 텔스타-홈멜㈜ ‘LINK5 MOS(Manufacturing Operation System)’의 BaaS 개념도, 성균관 대 스마트팩토리 융합학과 임동균(인공지능 전문 기업: 理想高㈜ 대표) 제공

사물인터넷(IoT) 기반 시스템은 고속으로 많은 양의 데이터를 생성 및 분석하여 귀중한 통찰력을 도출하고 있다. 또한, 이를 바탕으로 다양한 애플리케이션 정보에 입각한 결정을 내려야 한다. 이러한 맥락에서 IoT 분석 작업의 개발, 구축, 실행 라이프 사이클은 복잡하다. 첫째, 대규모 훈련 데이터 세트를 이용한 1개 이상의 인공지능(AI)/기계학습(ML) 모델 개발을 수반하기 때문이다.

이 단계에서는 개발자가 실현 가능한 ML 모델(예: 선형 모델, 의사결정 나무 또는 신경망)의 범위를 인지하고 ML 라이브러리와 프레임워크의 과정 중에서 선택할 수 있어야 한다. 둘째, ML 모델을 교육하고 수신 요청 처리 준비가 완료되면, 해당 모델을 신속하게 배치하고 대상 하드웨어 인프라의 분석 파이프 라인과 통합해야 한다.

ML 모델 개발은 리소스(resource)가 풍부한 클라우드에서 수행될 수 있으나, IoT 시스템 자원의 제약적 특성과 분석 작업의 실시간 요구사항을 이유로 대량의 데이터가 예측을 위해 가장자리에서 클라우드 이동을 제한시키게 된다. 이를 대신해 훈련된 ML 모델을 클라우드 에지 스펙트럼 전체에 분할 및 배포하기 위한 효과적인 리소스 관리가 요구되고 있다. 이러한 데이터 사이클(data cycle)을 통해 축적의 힘과 지속 가능한 지능화의 단계가 시작되는 인공지능 기반 스마트 팩토리가 구축되어야 한다.

불행하게도, IoT 분석 애플리케이션 개발자들은 IoT 분석의 모든 도전적인 라이프사이클 활동을 처리하는 데 필요한 전문지식을 보유하지 못하는 경우가 많다. 따라서 ML 모델 개발 프로세스를 완화하고 개발자에게 분석 애플리케이션 구성 요소의 배치 결정, 리소스 사용 모니터링, 클라우드 에지 스펙트럼 전체에서 서로 다른 데이터 처리 작업 제어에 대한 책임에서 벗어나도록 해야 한다.

왜냐하면 모델 기반 엔지니어링(MDE), 특히 도메인별 모델링 언어(DSML) 및 생성 프로그래밍은 오류 발생 빈도가 높고 반복적인 작업으로부터 사용자를 완화하는 이점을 갖고 있기 때문이다. 이와 동시에 서버리스 컴퓨팅(serverless computing)은 런타임 인프라(run time infra) 관리 문제로부터 사용자에게 직관적인 형상을 제공하는 장점이 있다.

따라서, 다년 간 축적해 온 모델 기반 엔지니어링(MDE)과 서버리스 컴퓨팅의 이점을 활용하고, ‘LINK5 MOS’와 같은 IoT 분석 라이프사이클 관리를 위한 서비스형 빅 데이터 기반 서비스를 제공하는 BaaS(Big Data as a Service)를 현실적인 대안으로 제시하고자 하는 것이다.

그동안 스마트 팩토리 구축에 사용된 수많은 시스템들은 맹목적인 비전만을 제시하였다. 현장을 벗어 난 시스템, 누군가 설계한 시스템을 탈피해 개인화된 고객을 지속적으로 대응해 나가기 위해서는 ‘맞춤형 스마트 팩토리 구축’이 절실하다. 그래서 스마트 팩토리 구축의 출발은 BaaS에서 시작되어야 한다. 왜냐하면, 현장에 해답이 있기 때문이다.