올해 초 2018년과 미래를 관통할 두 가지 기술로 '인공지능(AI)’과 ‘자동화(Automation)'를 소개해 드렸는데요. 인공지능과 자동화 기술은 사물인터넷(IoT)과 어떻게 연결될 수 있을까요?
IDC 퓨처스케이프(IDC FutureScape)가 발표한 ‘2017년 전 세계 IoT 전망’ 보고서에 따르면, 2019년까지 사물인터넷에서 생성된 데이터의 40% 이상이 네트워크 엣지(edge)에 저장되어 처리되고 분석될 전망입니다. 또한 효과적인 사물인터넷 기술은 스트리밍 분석과 머신러닝을 결합해 진행될 것이라고 예측됐는데요.
따라서 사물인터넷 애플리케이션을 효과적으로 운영하기 위해서는 분석 중심, 데이터 기반의 기업 문화가 필요합니다. 예를 들어, 기업은 디바이스, 기계, 장비와 같은 사물을 미리 정해놓은 날짜, 시간에 정비하는 ‘정기 유지보수(Scheduled Maintenance)’ 시스템을 데이터 분석 기반의 ‘예측 유지보수(Predictive Maintenance)'로 바꿀 수 있습니다. 이를 통해 장애가 발생할 가능성을 미리 파악하고 사전에 대응함으로써 비용 절감, 다운타임 방지 등의 효과를 얻을 수 있는데요. 이처럼 사물인터넷 데이터에 로직, 의사결정 규칙, 모델 등 분석 기술을 적용함으로써 생산성과 효율성을 높일 수 있습니다.
분석은 점차 데이터센터와 클라우드에서는 적게 적용되고 네트워크 엣지와 접점에서는 더욱 많이 적용될 것입니다. 스트리밍 데이터는 분석을 거쳐 올바른 위치로 이동하게 하게 됩니다. 이처럼 스트리밍 분석은 적재적소에 맞는 인사이트를 제공합니다.
인공지능 시스템은 의사결정을 내리거나 사람이 처리하는 것과 같이 작업을 수행하는 전산화된 시스템입니다. 오늘날 인공지능은 머신러닝, 최적화, 딥러닝에 의존하는 고급 분석이라 할 수 있습니다.
만약 분석이 성공적인 사물인터넷을 위한 필수 조건이라고 한다면, 이를 위해서 인공지능 방식의 분석이 필요할까요? 지능형사물인터넷(AIoT: Artificial Intelligence of Things)은 사물인터넷의 궁극적인 성공 사례라 볼 수 있을까요?
스마트 커넥티드 디바이스가 지능형사물인터넷이 되기 위한 조건
하버드 비즈니스 리뷰(Harvard Business Review)에서 설명된 바와 같이 스마트 커넥티드 디바이스는 아래와 같은 물리적 요소, 스마트 요소, 연결 요소로 구성되어 있습니다.
- 기계, 전기 부품 등의 물리적 요소
- 센서, 프로세서, 스토리지, 소프트웨어 등의 스마트 요소
- 포트, 안테나, 프로토콜 등의 연결 요소
커넥티드 디바이스의 물리적 요소는 스마트 요소에 의해 증폭되고, 스마트 요소는 연결 요소에 의해 증폭되는데요. 스마트 커넥티드 사물이 지능형사물인터넷의 조건을 갖추기 위해서는 사람이 내릴 수 있는 결정이나 일을 수행할 수 있어야 합니다. 일반적인 스마트 기기들은 애플리케이션을 통한 제어 기능이나 사용자 기본 설정 학습 기능만으로는 인공지능 기기가 될 수 없습니다. 온도 설정 기능만 갖춘 가정용 난방 장치는 인공지능 시스템이 아닌 것처럼 말이죠.
반대로, 자율주행 차량은 인공지능이라고 할 수 있는데요. 자율주행 차량은 운전자를 대신해 도로를 주행하기 때문입니다. 차량이 다른 차량이나 인터넷 환경에 연결된다면 지능형사물인터넷 형태의 차량이 될 수 있습니다.
풍력 발전용 터빈의 날개 각도 조정이나 항공편 및 숙박 재예약, 추천 기능, 물리적 세상과의 소통, 안면 인식, 통번역 및 대출 승인 작업이 알고리즘을 통해 이루어지는 경우도 인공지능이라고 할 수 있습니다. 이러한 작업들이 상호 연결된 시스템에 의해 처리된다면 어떨까요?
데이터 수집부터 상호 연결된 시스템을 통한 집합적 학습
연결성(Connectivity)은 제품과 기기의 센서, 프로세서, 스토리지, 소프트웨어와 같은 스마트 요소들을 통해 모니터링, 제어, 최적화를 가능하게 해줍니다.
연결성 자체만으로는 학습을 촉진시킬 수 없지만 그 기반을 마련해주기도 하는데요. 많은 사물인터넷 애플리케이션이 클라우드나 데이터센터에 데이터를 전송할 때 데이터를 분석, 모델링하고 인사이트를 적용하고, 이를 통해 결과를 추출한 뒤 수정된 로직을 기기로 전달합니다. 시간이 지남에 따라 행동을 바꾸고 적응하는 능력은 개인화 및 집단지성의 핵심 중 하나입니다. 그래서 디바이스들이 스스로 학습하고 또 서로 다른 디바이스로부터 학습하는 것처럼 말이죠.
오늘날 우리는 개개인에 맞춤화되지 않은 집단의 정보로 학습하는, 가장 가공되지 않은 형태의 집단지성을 경험하고 있습니다. 예를 들어 각자의 핸드폰에는 동일한 시리(Siri)가 존재하고, 각자의 집에는 동일한 알렉사(Alexa)가 있는 것처럼 이 학습하는 시스템은 우리의 일상에서 폭넓게 사용되고 있습니다.
그렇다면 커넥티드 디바이스의 학습 시스템과 집단지성을 어떻게 발전시킬 수 있을까요? 이를 위해서는 디바이스가 주어진 정보의 가치를 식별해 비형식의(informal) 자기주도적(self-directed)인 네트워크 환경에 적용할 수 있어야 합니다. 축구 경기장 주변에 설치된 카메라가 조명에 따라 조리개를 조절하고, 5마일 이상 떨어진 곳의 날씨에 대해서는 반영하지 않도록 학습된 것처럼 말입니다. 고속도로 사고 지역에 접근하고 있는 차량이 교통 상황을 이해해 우회로를 알려주는 것도 마찬가지입니다. 천식 치료제를 투여하는 의료 기기가 개별 환자의 사항을 이해해 다른 지역으로 출장을 가게 되는 경우 도착지의 스모그 정보를 기반으로 약을 조제해주기도 합니다.
지능형사물인터넷의 기회는 학습과 개인화를 동시에 촉진시키는 것입니다. 우리는 모두 각자의 습관과 패턴, 선호도가 반영된 맞춤화된 경험을 제공받기를 원합니다. 앞으로는 동일한 제조사가 만든 동일한 모델의 산업용 장비가 서로 다른 조건에서 동일하게 작동하지 않고, 동일하게 사용되지 않을 수도 있습니다. 이들을 동일한 방식으로 사용하게 된다면 지능형사물인터넷이 제공할 운영 효율성과 안전성 그리고 자원 활용도를 높이는 기회를 잃을 수 있습니다.
지능형사물인터넷 시스템은 강화 학습(Reinforcement Learning)을 기반으로 개발된 시스템과 같은 인공지능 시스템에 의해 쉽게 운영될 수 있는데요. 수천 개의 시나리오에 스스로를 최적화 시킬 수 있는 유연성을 가진 자동화 시스템 없이는 고도의 개인화를 이루어내기 어렵습니다. 바둑에서 최선의 수를 제시하도록 알고리즘을 학습시켰듯이, 알고리즘이 데이터센터의 냉각기와 풍력 발전용 터빈 날개 각도를 조정하고 때에 맞춰 정량의 약을 조제할 수 있도록 훈련시키는 것 또한 가능할 것입니다.
이 기사는 InfoWorld에 처음 게재되었습니다. SAS 2017 연간 보고서에서 SAS의 인공지능과 사물인터넷 활동에 대해 더 알아보세요.
