소식

전략적 전환기에는 새로운 기술을 수용할지 거부할지 결정해야 하는 시점이 옵니다. 이 결정은 처음에는 쉬워 보일 수 있지만 실제로는 훨씬 더 복잡할 수 있습니다. 혁명은 항상 하룻밤 사이에 일어나는 것이 아닙니다. 수년에 걸쳐 진행될 수 있으며, 대부분의 진전은 획기적인 발전이 나타나 모두가 볼 수 있을 때까지 숨겨져 있습니다.

1986년, 카네기 멜론 대학교 컴퓨터공학과에서 인공지능의 잠재력을 입증하는 Navlab 프로젝트를 시작했습니다. 그들은 쉐보레 패널 밴이 자율주행할 수 있는 시스템을 개발했습니다. 이는 현재 다양한 분야에서 널리 사용되고 있는 컴퓨터 비전 및 머신러닝 알고리즘 개발 초기 단계에 있었습니다.

개발 당시에는 획기적인 기술로 여겨졌지만, 아직 일상생활에 적용될 단계는 아니었습니다. 하지만 오늘날 우리는 자율주행차에 대한 이야기를 듣고, 때로는 직접 보기도 합니다. 다양한 기업들이 자율주행차를 개발하여 기업에 판매하고 있으며, 머지않은 미래에 이 기술을 대중에게 알리겠다는 목표를 가지고 있습니다.

대부분의 AI 애플리케이션과 마찬가지로 자율주행에는 매우 방대한 데이터 세트를 실시간으로 처리할 수 있는 알고리즘과 프로세서가 필요합니다. 예를 들어, OpenAI의 ChatGPT, Microsoft의 Copilot, 또는 Meta LLM Llama 3를 사용하는 다른 애플리케이션에서 사용하는 것과 같은 대규모 언어 모델(LLM)은 사람이 작성한 문장을 구성하는 패턴을 인식하기 위해 방대한 데이터 세트가 필요합니다. 따라서 머신 러닝의 핵심은 이러한 시스템을 사용하려면 데이터와 데이터를 빠르게 처리하는 능력 모두 필수적이라는 것입니다.

공장에서 시간당 1,000대를 생산해야 하는 상황을 가정해 보겠습니다. 최대 가동률로 가동 중일 때 기계 중 하나에 문제가 발생하면 시간당 1,000대 생산이라는 목표를 달성할 수 없습니다. 이러한 상황에서 가장 중요한 우선순위 중 하나는 영향을 받은 기계의 유지보수 주기를 단축하는 것입니다. 이러한 라인 다운 시나리오를 방지하기 위해 유지보수 계획을 수립하고, 모범 사례를 따르는 경우 상태 기반 유지보수 방법론을 적용하는 것이 좋습니다. 이는 센서를 사용하여 온도, 진동 등 기계의 다양한 변수를 측정하는 것을 포함합니다. 특정 한계를 초과하면 경고가 전송되고, 장비 고장 전에 특정 부품을 교체해야 함을 알려줍니다.

예방 정비를 위해서는 임무 수행에 필수적인 변수를 수집하고 컴퓨터에 저장하는 데이터 수집 시스템이 필요합니다. 수집된 데이터 포인트는 지정된 임계값과 비교하여 정비가 필요한 시점을 판단할 수 있습니다. 지금까지는 비교적 간단해 보입니다. 그러나 교체 부품이 통합됨에 따라 기계는 노후화에 따라 다른 동작을 보일 수 있으며, 이는 잠재적으로 오탐지 및 예상치 못한 운영 문제로 이어질 수 있습니다. 바로 이 시점에서 최종 제품의 품질 관리 데이터를 포함하여 상당한 양의 데이터가 있다는 것을 깨닫게 됩니다. 바로 이 시점에서 머신 러닝 알고리즘을 구현하여 이 모든 데이터를 효과적으로 분석하고 상호 참조하여 시스템이 자율적으로 더 나은 정비 결정을 내릴 수 있도록 할 수 있습니다.

가장 좋은 점은 학습 모델이 확장 가능하다는 것입니다. 반복할 때마다 더 많은 데이터를 수집하고 시간이 지남에 따라 전체 머신 러닝 알고리즘이 향상되기 때문입니다. 하지만 이것이 전부는 아닙니다. 이제 진화하는 알고리즘이 있으므로, 자율적으로 결정을 내리고 시간이 지남에 따라 개선되는 시스템에 이를 구현할 수 있습니다.

다양한 아키텍처 옵션을 고려할 때 한 가지 접근 방식은 다음과 같은 데이터로거를 사용하는 것입니다. 콘프로시스 데이터를 수집한 후 이를 전송하는 Contec의 가족 서버로 데이터 전송 처리용입니다. 이 접근 방식의 장점은 대량의 데이터 처리가 중앙 서버로 분산된다는 것입니다. 그러나 중요한 단점은 데이터 전송 시 대량의 네트워크 트래픽이 발생할 가능성이 있다는 것입니다. 운영 규모가 커짐에 따라 대역폭 제한으로 인해 문제가 발생하고 운영 비용이 증가할 수 있습니다. 또한, 서버와의 네트워크 지연으로 인해 중요한 작업에 실시간으로 대응하는 데 어려움이 있습니다.

반면에 우리는 또한 다음을 배치할 수 있습니다.  PC 기반 DAQ 시스템 Contec에서 제공하는 이 시스템을 사용하면 머신 러닝 기반 추론과 같은 고집적 알고리즘을 로컬에서 실행하면서 동시에 동일한 시스템에서 직접 데이터를 수집할 수 있습니다. 이러한 기능을 통해 엣지에서 처리가 가능해지고, 서버 주변에 인프라를 구축하지 않고도 필요에 따라 확장할 수 있습니다. 이 PC 기반 DAQ의 흥미로운 점은 Conprosys 제품과 같은 원격 데이터 로거를 통합하여 하이브리드 플랫폼 아키텍처를 구축할 수 있다는 것입니다.

모든 인공지능이나 머신러닝 알고리즘은 유용성을 위해 항상 데이터가 필요합니다. 바로 이 부분에서 데이터 수집을 이해하려는 동기가 중요하며, Contec과 같은 최적의 파트너를 찾아 이러한 혁신 속에서 성공하는 것이 매우 중요합니다. 데이터 수집의 선택지를 파악하고 모범 사례를 적용하는 것은 인공지능을 최대한 활용하는 초석이 됩니다.