제조업체들이 운영 데이터가 제공하는 잠재력을 인식하고 수용함에 따라 커넥티드 공장은 이제 보편화되고 있습니다. 실제로 COVID-19 팬데믹은 많은 기업들이 '뉴 노멀'에 적응하도록 강요했으며, 이러한 노력의 주된 주체는 데이터 역량의 기반인 디지털화였습니다.
기술, 인력 및 프로세스를 공개하고 이러한 운영 데이터를 추출함으로써 많은 기업들은 생산 라인의 운영, 용량 및 효율성에 대한 더 큰 통찰력을 제공하는 수많은 잠재적 역량과 연결고리를 발견했습니다.
그러나 이러한 새로운 데이터가 모두 제공되는 상황에서 가장 중요한 질문은 이 데이터가 최대한 활용되고 있는가 하는 것입니다. 기업들은 사용 가능한 모든 정보를 최대한 활용하고, 이를 통해 적시에 올바른 결정을 내릴 수 있는 곳에 배치하고 있습니까?
많은 경우에 올바른 결정은 결정이 내려지는 위치에 의해 영향을 받을 수 있으며, 이는 결정이 내려지는 방식만큼이나 중요하다고 할 수 있습니다. 각 사용 사례는 장치, 제어, 엣지 및/또는 클라우드에서 문제를 해결하는 데 가치가 있기 때문에 다릅니다.
클라우드의 가치는 생태계 및 공급망 전반의 데이터 공유, 데이터 집계 및 비실시간 시각화(에너지 모니터링), 고성능 컴퓨팅 애플리케이션, 머신 러닝 모델 개발 및 교육 등과 같은 특정 유형의 애플리케이션에 있습니다.
그러나 일반적으로 데이터 소스에서 멀어질수록 데이터 업데이트를 볼 수 있는 빈도가 줄어들게 됩니다. 즉, 중간 데이터 값이 누락될 수 있습니다. 그 결과, 클라우드 사용자는 일반적으로 가능한 데이터 값과 내부 장치 데이터의 작은 세트만 볼 수 있습니다. 프로세스, 제어 및 장치 모델은 전혀 보이지 않습니다.
대부분의 경우, 데이터 컨텍스트와 속도를 유지하기 위해 소스에 최대한 가까운 엣지에서 의사 결정을 내려야 합니다. 엣지에서의 컨텍스트화와 모델링은 더 풍부한 분석 인사이트를 가능하게 하며, 엣지-클라우드 기반 솔루션은 두 세계의 장점을 활용하여 민첩성과 생산성을 향상시킬 수 있습니다.
소스에 더 가까운 곳에서 데이터를 수집하고 분석하면 실시간 피드백을 받을 수 있습니다. 이러한 즉시성이 없으면, 제한된 기능과 범위로 모델이나 시뮬레이션을 구축할 수 있습니다. 왜냐하면 알지 못하는 것을 알 수 없기 때문입니다! 일반적으로 관찰된 기능뿐만 아니라 실제 기능을 이해할 수 있는 정보가 필요합니다. 그러나 엣지 솔루션은 전체 그림의 일부에 불과합니다.
분석, AI 및 머신 러닝은 도서관과 도메인 전문가와 함께 사용할 때, 보이지 않는 가치와 기회를 이해하고 발견할 수 있으며, 관찰된 행동을 기반으로 프로세스 최적화 및 미래 예측 기회를 제공할 수 있는 강력한 도구입니다. 그러나 이러한 도구는 광범위한 산업 스펙트럼에서 가능한 애플리케이션의 다양성 때문에 일반적으로 적용될 수 없습니다.
데이터 분석 역시 완전한 그림을 제공하지 않습니다. 관찰할 수 있는 데이터만 볼 수 있으므로 추가적인 기능과 한계는 일반적으로 보이지 않으며, 전체적인 상태를 파악할 수 없을 수 있습니다.
예를 들어, 수제 피자 트럭과 이에 대한 운영 데이터를 살펴보겠습니다. 이 트럭은 X시간, 주 Y일 동안 운영되며, Z개의 피자를 제공하고, 주문과 배송 사이에 T의 시간이 걸립니다. 우리가 '관찰'할 수 없는 것은 트럭의 역량입니다. 하루에 몇 시간 동안 운영할 수 있습니까? 직원이 몇 시간 동안 일해야 합니까? 직원은 어떤 수준으로 교육을 받았습니까? 최대 제공 수는 얼마입니까? 피치 사이의 범위(및 속도)는 얼마입니까? 적절하게 유지되고 있습니까? 주방에는 어떤 장비(역량)가 있습니까? 다른 음식을 준비할 수 있습니까?
피자 트럭의 예는 많은 기업이 일부 세부 정보가 즉시 제공되지 않는 데이터와 모델의 혼합에 직면하고 있음을 보여줍니다. 이는 특히 원격으로 데이터를 조사하려고 할 때 사실입니다. 관찰 가능한 데이터의 한계를 이해하고 추가 데이터를 수집하고 포함할 수 있는 위치를 고려하면 궁극적으로 어떤 상황에 대한 더 강력한 그림을 얻을 수 있습니다.
여기에 데이터 가용성과 관련된 여러 가지 과제가 복합적으로 작용합니다. 여기에는 샘플링 속도, 데이터 표현 방식, 네트워크 통신 자원으로 인한 제한 등이 포함되며, 이로 인해 데이터에 큰 격차가 발생합니다.
해결하려는 문제와 달성하려는 결과를 이해해야 합니다. 더 많이 알고 더 많은 것을 해야 한다면, 문제의 존재를 파악할 수 있는 분석부터 시작하는 것이 좋습니다. 이를 통해 문제를 해결하기 위한 전략을 수립할 수 있습니다. 일반적으로 이는 추가 센서를 설치하거나 솔루션을 모델링하기 위한 모델을 구축하는 것을 의미합니다. 이러한 모델은 이전에 시도하지 않았던 솔루션을 발견하고 탐색하는 데에도 중요할 수 있습니다.
장치, 제어, 엣지 및 클라우드에서 문제를 해결하는 데에는 가치가 있지만, 모든 경우에 자신의 요구를 가장 잘 충족하는 도구를 사용해야 합니다. 실제로 하이브리드 솔루션을 배포하게 될 수도 있습니다.
공장의 잠재력을 최대한 발휘하려면 올바른 균형을 찾는 것이 중요합니다. 궁극적인 목표는 도메인 지식과 올바른 모델링을 적용하여 이미 알고 있는 것뿐만 아니라 데이터의 전체 그림을 사용해 정확한 시뮬레이션을 생성하는 것입니다!
Published 2021년 11월 3일
