탁월한 IT/OT 융합: 엣지에서 OT 컨텍스트 자동 캡처
인공 지능/머신 러닝 기술이 크게 발전했지만 데이터 준비는 여전히 과제로 남아 있습니다. 이는 제조업계에 문제입니다. 그 이유는 간단합니다. 품질이 좋지 않은 데이터로 인한 부정확한 예측은 생산, 작업자 안전, 자본 집약적 장비에 심각한 영향을 미칠 수 있습니다. IT 분석가와 데이터 과학자는 종종 도메인 문제를 해결하기 위해 높은 세분화 수준의 구체적이고 포괄적인 OT 데이터 세트를 찾지만, 엔지니어는 이에 쉽게 접근할 수 없습니다.
품질이 낮은 데이터는 모델 생성 단계 이전에도 엔지니어와 데이터 과학자 간에 많은 의견 교환을 초래합니다. 또한 동일한 원시 OT 데이터 세트는 향후 다른 모델을 구축하는 데 재사용될 수 있습니다. 모델 준비 및 실행 전에 높은 데이터 품질 표준, 무결성, 관련성을 확보하는 것이 중요합니다.
"쓰레기를 넣으면 쓰레기가 나온다"는 격언이 여기에 적합합니다. 엣지에서 OT 데이터 컨텍스트를 자동으로 캡처하면 방대한 산업 데이터에서 고품질의 실행 가능한 통찰력을 얻을 수 있습니다. Rockwell의 FactoryTalk® Smart Object™ 기능은 이와 관련하여 중요한 돌파구를 마련했습니다. OT 엔지니어는 이제 물리적 생산 현장 시나리오를 모방하는 유연한 공통 IT/OT 정보 모델을 설계하고, 이를 런타임 OT 태그 값 및 생산 컨텍스트로 자동 채워 낮은 지연 시간으로 운영할 수 있습니다. 이를 통해 OT 데이터 품질이 크게 향상되고 새로운 방식으로 가치를 창출할 수 있습니다.
풍부한 OT 컨텍스트는 데이터 과학자와 IT 분석가가 더 넓은 관점에서 기업 수준의 통찰력을 발견할 수 있도록 합니다. 또한, 더 풍부한 OT 컨텍스트를 통해 기업 수준의 규모로 모델을 배포하고 시간 절약을 가속화할 수 있습니다.
예를 들어, 식음료(F&B) 포장 공장에는 충전, 병입, 포장 등 여러 생산 단계가 있습니다. 자동화된 OT 데이터 컨텍스트 캡처를 통해 제조업체는 다양한 생산 파라미터를 특정 배치 번호와 쉽게 연관시킬 수 있습니다. 압력, 온도, 용기 두께 등을 통해 생산 배치의 원산지를 문서화할 수 있습니다.
제조업체는 이제 명확한 이점을 누릴 수 있습니다. 대규모 데이터 엔지니어링 작업에 깊이 관여하지 않고도 실시간으로 근본 원인 분석을 수행할 수 있습니다(이상값 제거 후). 긴급 안전 리콜 문제에 대응할 때, 결함이 생산 프로세스에 있는지 아니면 원자재에 있는지 쉽게 추론할 수 있습니다. “디지털 출생 증명서”는 지속적인 개선 기회를 위한 훌륭한 기준점 역할을 합니다.
현대적이고 시각적인 데이터 과학 도구로 시간 절약 가속화
고객들은 다양한 문제에 현대적인 도구를 활용하고 처음부터 모델 생성에 접근하는 방법에 대해 더 스마트해지고 있습니다. "한 번 생성하고 여러 번 재사용"이 유행입니다.
오늘날 OT 전문가들은 시간 절약을 가속화하기 위해 최소한의 데이터 과학 노력이나 교육으로 신속한 머신 러닝 솔루션을 출시하려고 합니다. 산업 제조의 특정 사용 사례를 위한 사전 구축된 머신 러닝 라이브러리에 대한 관심이 높아지고 있습니다. OT 엔지니어들은 데이터 준비, 모델링, 교육을 처음부터 시작하고 싶어하지 않습니다.
또한, 데이터 과학자와 IT 분석가—특히 산업 제조 분야의 전문가—는 시각적으로 머신 러닝 모델을 지속적으로 구축, 교육, 배포, 평가, 모니터할 수 있는 강력한 빅 데이터 분석 및 머신 러닝 플랫폼 솔루션을 찾고 있습니다. 이들은 중앙 집중식 IT 환경에서 전체 모델 라이프사이클을 협업하여 관리할 수 있는 개방적이고 표준화된, 보안 및 엔터프라이즈급 분석 솔루션이 필요합니다.
시각적 데이터 파이프라인 생성 기능은 머신 러닝 모델 생성 및 관리를 가속화하는 데 큰 역할을 합니다. 파이프라인 생성의 모든 단계에서 변환된 데이터를 시각화하면 실행 중에 예상치 못한 오류를 최소화할 수 있습니다. 또한 시각적 대시보드는 모델 성능 통계 및 포인트 앤 클릭 구성을 통해 성능을 추적하는 데 도움이 됩니다.
데이터 과학자와 IT 분석가는 복잡한 데이터 파이프라인을 직관적으로 생성하고 Python, Spark, H2O.ai 또는 PMML과 같은 머신 러닝 알고리즘을 실시간 스트리밍 또는 배치 데이터에 적용하기를 원합니다. 모델이 생성되면 확장성이 뛰어난 실행 엔진의 데이터 파이프라인에 배포하여 점수를 매길 수 있습니다. 마지막으로, BYOM(Bring-Your-Own-Models) 기능을 통해 오픈 프로그래밍 환경에 코드를 가져오면 재사용성을 통해 혁신 속도를 확실히 높일 수 있습니다.
AI/ML 여정의 장기적 관점: 종단간의 모델 라이프사이클 관리
머신 러닝 모델 운영 주기를 종단간의(모델 생성부터 유지보수까지)로 관리하는 것은 산업 분석 분야에서 새롭게 주목받고 있는 영역입니다.
분석 모델을 생성한 후에는 머신 러닝 모델의 성능을 추적하고(엣지투클라우드 스펙트럼 어디에 배포되든) 최신 생산 데이터로 계속 교육하는 것이 필수적입니다. 모델 유지보수의 자동화가 중요하지만, 머신 러닝 모델을 "언제" 재구축해야 하는지 아는 것이 아마도 더 중요할 것입니다.
시장 상황은 유동적이고, 제조 요구 사항은 변화하며, 생산 프로세스는 진화합니다. 따라서 성능 드리프트를 위해 모델을 지속적으로 모니터하고 적절한 순간에 다른 버전으로 교체할 수 있어야 합니다.
머신 러닝 모델을 재구축해야 하는 "시기"의 몇 가지 예로는 생산 라인 재설계, 새로운 센서 추가, 최근 중장비 유지보수가 있습니다. 이를 위해 예측 정확도의 변화를 지속적으로 추적해야 합니다. 모델 유지보수는 사전에 예상하고 인공 지능/머신 러닝 모델 관리 여정에서 예산을 책정해야 합니다.
새로운 세상, 새로운 솔루션
지금의 성공이 미래의 성공을 보장하지는 않습니다. 인공 지능/머신 러닝의 발전은 시간 절약을 가속화하는 셀프 서비스 제조 워크플로우를 통해 산업 제조 분야에 새로운 지평을 열고 있습니다. 디지털 트랜스포메이션 리더로서, 기존의 방식이 미래를 위한 준비가 될 수 없다는 사실을 인식해야 합니다. 인공 지능/머신 러닝 기술에서 일어나는 주요 변화를 흡수하고 이를 적용하여 산업 제조 분야에서 우선 순위가 높은 사용 사례에 대한 시간 절약을 가속화해야 합니다.
새로운 문제를 안고 있는 새로운 세상은 새로운 솔루션을 요구합니다. 풍부한 OT 컨텍스트를 갖춘 우수한 IT/OT 융합, OT 시민 데이터 과학자의 증가, 강력한 모델 라이프사이클 관리를 제공하는 시각적 도구를 통한 인공 지능/머신 러닝의 민주화 등 이러한 트렌드를 수용하는 것이 현명합니다. 산업 분석 솔루션에서 이러한 트렌드와 모범 사례를 활용하면 고품질의 전사적 수준의 통찰력을 얻고 주요 제조 성과에 대한 시간 절약을 가속화할 수 있습니다.
