김진철의 How-to-Big Data | 빅데이터 주요 기술의 조건 (5)

빅데이터 시스템에서 워크플로우 관리 기술의 중요성
워크플로우 기술은 전혀 새로운 기술은 아니다. 사실, 서비스 지향 아키텍처가 주목을 받기 시작하면서, OASIS를 통해 제정된 “비즈니스 프로세스 실행 언어(Business Process Execution Language; BPEL)”, OMG의 비즈니스 프로세스 워크플로우 표준인 “비즈니스 프로세스 관리 표현(Business Process Management Notation; BPMN)”과 같이 비즈니스 프로세스들을 그래픽 워크플로우 언어로 정의하여 비즈니스 프로세스를 자동화하는 기술은 많이 성숙되어 있다[8-9].

왜 빅데이터 기반 비즈니스에서 이런 워크플로우 기술을 중요하게 고려해야 하는가? 위에서 얘기한 바와 같이 워크플로우 기술이 빅데이터 비즈니스에서만 유독 필요한 것은 아니지만, 빅데이터 기반 비즈니스에서 워크플로우 기술이 중요한 이유는 다음과 같다.

첫번째로, 빅데이터 수집, 가공, 통합, 분석 과정을 손쉽게 자동화하고, 문제점을 추적할 수 있게 해주기 때문이다. 빅데이터 비즈니스 시스템에서 가장 많이 일어나는 작업인 데이터 수집 과정에서의 데이터 가공과 다양한 데이터 소스로부터 불러온 데이터들의 통합(integration), 대규모 데이터 분석 등의 과정은 데이터가 특정한 프로세스를 따라 흐르면서 변화하는 데이터 흐름으로 표현될 수 있다. 이러한 데이터 흐름에 따른 데이터의 변화 과정을 표현하고 관리하는 워크플로우 엔진을 사용할 경우 빅데이터를 사용하는 비즈니스 프로세스를 직관적으로 자연스럽게 자동화된 방식으로 실행할 수 있기 때문이다.

여기서, 일반적인 비즈니스 워크플로우 관리 시스템과 빅데이터를 위한 워크플로우 관리 시스템의 차이를 잠시 짚고 넘어가도록 하자. 대부분의 비즈니스 워크플로우 관리 시스템은 비즈니스 프로세스를 작업들의 연속으로 보고 이러한 작업을 제어하고 통제하는 프로세스를 기술하도록 만들어져 있다. OASIS의 “비즈니스 프로세스 실행 언어(Business Process Execution Language; BPEL)”, OMG의 “비즈니스 프로세스 관리 표현(Business Process Management Notation; BPMN)” 표준 기반의 워크플로우 소프트웨어 대부분이 이런 방식으로 표현된다. 이렇게 비즈니스 프로세스를 작업들을 제어, 통제하는 관점에서 기술하고 표현하는 워크플로우 기술을 “제어 흐름 워크플로우(Control-flow Workflow)”라고 한다.

위의 비즈니스 프로세스 워크플로우 기술과는 다르게 빅데이터 시스템과 데이터 과학을 위한 워크플로우는 데이터의 흐름에 따라 데이터가 변화되고 처리되는 방식을 기술하는 방식으로 워크플로우가 기술, 표현되며 워크플로우의 각 작업 요소들이 주고받는 것은 데이터이다. 이렇게 데이터의 흐름에 따른 데이터의 변화, 가공 과정을 기술, 표현하는 관점에서 프로세스를 표현, 작성하도록 한 워크플로우 기술을 “데이터 흐름 워크플로우(Data-flow Workflow)”라고 한다.

일반적인 제어 흐름 워크플로우에서 각 워크플로우 요소들 간에 주고받는 정보는 주로 작업 통제와 실행을 위한 파라미터와 정보들이며, 작업의 순서와 분기(branch)에 따라 워크플로우가 기술된다. 데이터 흐름 워크플로우는 데이터가 가공, 변환되는 과정을 표현하기 때문에 워크플로우 요소 간에 주고받는 정보는 바로 데이터이며, 빅데이터 분석과정에서 요구되는 데이터 가공과 분석과정을 직관적으로 표현하기에 더 용이하다.

데이터 흐름 워크플로우 형태로 비즈니스 프로세스를 기술하는 Taverna와 같은 워크플로우 기술은 이런 이유로 빅데이터 처리와 분석 과정을 자동화하기에 적합했고, 생물정보학과 같은 과학 빅데이터 처리 및 분석에 쉽게 적용될 수 있었다. 빅데이터를 활용하는 비즈니스 시스템과 빅데이터 분석과정도 이런 이유로 데이터 흐름 워크플로우 기술을 사용하면 직관적이고 손쉽게 데이터 가공, 분석 과정을 표현하고 반복적으로 자동화해서 사용할 수 있다.

두 번째로, 다양한 데이터 자원과 분석 결과를 손쉽게 연결하고 통합해서 새로운 통찰과 분석 결과를 쉽고 빠르게 만들어낼 수 있다.

빅데이터 기반 비즈니스는 생물정보학과 비슷한 점이 많다. 빅데이터 기반 비즈니스를 수행할 때 당면한 비즈니스 문제를 풀기 위해 다양한 방법으로 수집된 데이터들을 활용하고 이들이 분석에 사용될 수 있도록 가공, 통합해야 한다. 이것은 생물정보학에서 다양한 연구기관들이 각자 자신들의 형식과 방법으로 수집한 다양한 데이터들을 원격으로 서비스받아 분석에 활용하는 과정과 유사하다.

위와 같이 다양한 데이터들을 필요에 따라 원하는 데이터 형식으로 가공, 정합 또는 통합하는 과정은 워크플로우 기술을 사용하지 않더라도 분석에 사용하는 프로그래밍 언어로 표현하여 자동화할 수 있기는 하다. 그렇지만, 데이터 과학자나 분석가마다 프로그래밍 스타일이 달라 이렇게 만들어진 소스 코드들은 재활용이 쉽지 않다.

앞에서 소개한 myExperiment와 같은 서비스와 같이, 표준화된 워크플로우 형태로 데이터 가공, 통합 과정이 자산화되어 축적되면, 축적된 워크플로우들 중에서 비슷하고 자주 사용되는 부분들은 손쉽게 재활용할 수 윘게 된다. 반복적으로 사용되는 데이터 소스로부터의 데이터 수집과 가공, 통합 과정은 라이브러리화한 뒤 공유해서 활용하게 되면 워크플로우 자산이 축적될수록 새로운 분석 과정과 결과를 만들어내는데 시간이 단축되게 된다.

공유된 라이브러리의 확장과 자산화된 워크플로우의 축적에 따라 점점 더 풍성해지는 데이터 분석 결과는 조직이 데이터를 통해 얻는 지식과 통찰의 양을 지수적으로 증가시켜 새로운 비즈니스 기회를 좀더 빠른 시간에 찾아낼 수 있게 해준다. 이는 Taverna 워크플로우로 자산화된 많은 생물정보학 분석 프로토콜과 분석 과정을 활용하여 최근 유전체(Genome) 및 단백질체(Proteome) 정보를 이용한 생물학이 눈부시게 발전하고 연구의 신뢰성과 재연성이 높아진 것으로도 확인해볼 수 있다[6].

세 번째로, 데이터 분석 결과를 쉽게 재연할 수 있도록 하여, 데이터 분석의 노하우와 통찰이 조직 내에 손쉽게 공유되고 반복적으로 활용될 수 있도록 한다.

워크플로우 기술은 최근 많이 쓰이고 있는 Jupyter나 Zeppelin 등의 웹 노트북 소프트웨어와 함께 데이터과학자들의 분석 논리와 내용을 손쉽게 재연, 확인하고 공유할 수 있는 도구가 된다. 특히, 복잡한 수학적인 계산과 통계적인 분석이 많이 사용되는 데이터 분석의 경우 단순히 분석 프로그램의 소스코드만 들여다보아서는 이해하기 어려운 부분이 많다. 소스코드를 이용해 분석 과정을 재연하는 것도 각 데이터 과학자나 분석가마다 작업 환경이 다른 것 때문에 어려운 경우가 많다.

워크플로우 기술은 공통으로 반복적으로 사용되는 분석 요소와, 데이터 과학자만의 독창적인 분석 로직이 들어간 부분을 전체 데이터 분석 과정 중에서 쉽게 구분하여 이해할 수 있도록 돕는다. 이 때문에 복잡한 분석 과정이라고 해도 상대적으로 빠른 시간에 데이터 분석 과정과 논리를 이해할 수 있도록 돕는다. 이런 이유로 데이터 분석을 통해 얻은 결과, 통찰뿐만 아니라, 데이터를 다루어 그러한 통찰과 결론을 얻은 과정도 조직 내에서 손쉽게 배포, 공유할 수 있도록 하여 문서로 만들어 지지 않은 데이터 분석에 대한 지식과 노하우도 손쉽게 자산화할 수 있도록 한다.

워크플로우를 통해 공유된 데이터 분석 노하우는 기존의 데이터 분석 방법을 다른 데이터에 반복적으로 적용하여 새로운 비즈니스 지식과 통찰을 얻게 돕고, 새로운 데이터 분석 방법을 만들어 비즈니스 지식과 통찰을 확장할 기회를 넓히게 한다. 이렇게 데이터 분석 과정의 공유와 재연이 쉬워지고, 반복적으로 활용되면서 지수적으로 늘어나는 지식과 통찰은 빅데이터 비즈니스의 속도와 새로운 비즈니스 기회를 발견할 가능성을 높여 비즈니스 조직이 기민하게(agile) 움직일 수 있도록 한다.

네 번째로, 빅데이터의 증가에 따른 빅데이터 가공, 분석의 확장성을 단일 분석 작업이 아닌 데이터 가공, 분석 전 주기에 걸쳐 손쉽게 확보할 수 있도록 해준다.

서비스 지향 아키텍처(service-oriented architecture)가 사회의 곳곳에 자리를 잡기 시작하면서, 많은 데이터와 비즈니스 IT 자원들을 다양한 서비스를 통해 손쉽게 접근하고 사용할 수 있게 되었다. 특히 클라우드 컴퓨팅의 발전으로 개별 데이터 과학자와 분석가들이 데이터 분석에 사용할 수 있는 IT 자원을 원하는 대로 손쉽게 사용할 수 있게 되면서, 한번에 분석되는 데이터의 양과 데이터 분석의 복잡도도 크게 높일 수 있게 되었다. 다양한 데이터 소스를 동시에 분석하여 과거에는 얻기 어려웠던 지식과 통찰을 얻는 것도 용이해졌다. 한 개인이 분석할 수 있는 데이터의 양과 범위가 클라우드 컴퓨팅과 웹 기술이 발전하기 전에 비해 급격하게 늘어나 데이터 분석의 확장성이 크게 좋아졌다.

워크플로우 기술이 웹 기술을 기반으로 한 다양한 서비스와 결합되면 데이터 분석의 확장성이 다시 크게 늘어나게 된다. 단일 데이터 분석 소스코드로는 표현되기 어려운 복잡한 데이터 분석 로직이 재활용 가능한 워크플로우 요소와 함께 원격 서비스로 쉽게 통합되면서 데이터 과학자들이 단순히 자신이 일하는 조직 내에 있는 데이터뿐만 아니라, 네트워크를 통해 연결되어 있는 전 세계의 데이터 자원과 IT 자원을 같이 활용해서 복잡하고 방대한 데이터 분석을 손쉽게 수행할 수 있게 된 것이다.

웹 기술, 그리드 컴퓨팅 기술과 클라우드 컴퓨팅 기술로 인해 데이터와 IT 자원의 공간적인 접근 한계가 사라지게 되어 전 세계를 대상으로 하는 글로벌 비즈니스 조직이 글로벌 비즈니스의 위험을 줄이고 지역별로 특화된 비즈니스 전략을 수립하고 실행하기가 수월해졌다. 웹 기술과 웹 기반의 원격 프로시저 호출(Remote Procedure Call; RPC) 또는 API(Application Programming Interface)를 지원하는 서비스 지향 아키텍처 기반의 워크플로우 기술은 데이터 수집 단계부터 데이터 가공과 분석, 가시화 및 의사 결정에 이르는 전 주기(lifecycle)에 걸쳐 데이터 분석 과정의 확장성과 비즈니스 의사 결정의 공간적 확장성을 비약적으로 높여 글로벌 비즈니스의 확장성도 높아지게 한다.

이렇게 워크플로우 기술과 서비스 지향 컴퓨팅 기술을 통해 글로벌 비즈니스의 공간적 확장성이 향상되면서 지역별 비즈니스 이슈에 대응하기 위한 데이터 분석과 의사 결정도 쉬워지게 되었다. 예를 들면 최근 데이터 기반 마케팅이나 소셜 네트워크 플랫폼 기업들의 유럽연합 내 비즈니스에 많은 영향을 줄 것으로 보이는 GDPR과 같은 이슈 때문에 고객 데이터를 함부로 자국으로 이동할 수 없고 유럽연합 내에 두고 엄격한 규정에 의해 관리해야 하는 경우에 서비스 지향 아키텍처 기반의 워크플로우 기술은 글로벌 비즈니스를 최적화하여 실행할 수 있도록 하는 강력한 도구가 된다.

유럽연합의 엄격한 개인정보보호 법률로 인해 유럽연합 내 시장과 고객에 대한 정보를 유럽연합 바깥에 있는 본사의 데이터센터로 이동할 수 없지만, 유럽내 데이터센터에 수집한 데이터를 보관하고 합법적인 방식으로 유럽 현지에서 익명화하고 가공한 데이터와 분석 모듈을 웹 서비스나 REST API 형태로 원격으로 호출하여 그 결과만 본사에 있는 분석 소프트웨어에서 받아 통합할 수 있도록 데이터 가공, 분석 파이프라인을 구축하고 최적화할 수 있다. 서비스 지향 아키텍처를 지원하는 워크플로우 기술은 글로벌 빅데이터 비즈니스를 하는 기업들에게 공간적 제약과 지역별 컴플라이언스 이슈를 극복할 수 있도록 하는 강력한 도구로 활용이 가능하다.

앞에서 소개한 Taverna의 경우 SOAP 기반 웹 서비스 및 REST API 형태로 원격에 있는 데이터 자원과 컴퓨팅 서비스에 접근이 가능한 구조이고, 이렇게 원격에 있는 데이터 자원과 컴퓨팅 서비스를 비동기적인 이벤트 기반(event-driven) 방식으로 서로 통합할 수 있도록 한다. 이렇게 웹 서비스와 REST API를 이용한 확장성으로 생물정보학 데이터 자원을 이용해 생물학과 의학을 연구하는 많은 과학자들이 손쉽게 데이터 분석 프로토콜과 그 결과를 공유하고 협업할 수 있도록 하여 전세계적인 협업이 쉽지 않은 생물학 분야 연구에서 전세계적인 협업을 증진하는 데 크게 기여하게 된다.

Taverna는 전지구적인 공동 연구 프로젝트인 LHC 실험에서도 데이터 분석 과정과 프로비넌스 자원들을 입자물리학자들이 손쉽게 공유하고 데이터 분석 결과를 재연할 수 있도록 하여 수천 페타바이트에 이르는 방대한 LHC 빅데이터를 이용한 힉스 입자 탐색과 입자물리학 현상론 연구에 크게 기여하였다. 생물정보학과 LHC 실험에서 전지구적인 협업이 가능했던 것은 바로 Taverna의 서비스 지향 아키텍처를 지원하는 강력한 확장성 때문이다.

다섯 번째로, 보고서나 논문 등의 문서만으로는 이해하고 재연이 어려운 복잡하고 규모가 큰 분석 과정도 데이터 과학자 및 조직원들 간에 손쉽게 공유하고 그 문제점과 개선 과정을 추적할 수 있도록 돕는다.

데이터 분석 과정의 문제점을 쉽게 추적할 수 있다는 측면은 앞의 첫 번째 장점을 설명할 때에도 언급했다. 첫 번째 장점을 설명할 때의 데이터 분석 과정의 문제점을 쉽게 추적할 수 있다는 것은 자동화된 데이터 분석 과정을 손쉽게 가시화해서, 데이터 분석 프로세스 자체의 기술적인 문제점을 해결하기 쉽다는 의미였다. 지금 필자가 언급하고 싶은 것은 협업 도구로서의 장점을 말하고 싶은 것이다.

데이터 분석 과정은 각 데이터 과학자별로 추상적이고 복잡한 사고 과정을 포함하여 데이터 과학자 간에 의사소통이나 공유가 쉽지 않다. 워크플로우 기술은 이렇게 데이터 과학자들의 머릿속에 있는 데이터 분석 과정과 논리를 손쉽게 가시화할 수 있도록 하여 데이터 분석 과정 전체를 공유할 수 있도록 돕는다.

데이터 분석 과정을 데이터 과학자들끼리, 또는 조직 내 데이터 분석과 관련된 구성원과 관련 부서 간에 직관적으로 가시화하고 공유할 수 있기 때문에 전사적인 관점에서 데이터 수집, 가공, 통합, 분석 과정의 문제점과 개선점을 분명하게 공유하고 논의할 수 있게 한다. 이와 함께 전체 데이터 분석 과정이 분명하게 가시화되기 때문에, 전사적인 데이터 기반 의사결정 프로세스를 조직을 움직이는 하나의 회로와 같이 점검하고 운영하며 개선할 수 있게 된다.

이와 같이 워크플로우 기술은 추상적인 빅데이터 기반 의사결정 과정을 협업을 통해 면밀하게 문제점을 검토하고 개선할 수 있도록 구체적인 자산으로 만들어준다. 이렇게 워크플로우 기술로 표현된 데이터 기반 의사결정 프로세스가 조직 내에서 구체적으로 다룰 수 있는 대상으로 자산화되기 때문에 빅데이터 비즈니스를 하는 기업이 무형의 자산인 데이터와 이에 따라 움직이는 조직의 운영을 좀더 비용 효율적이고 체계적으로 관리할 수 있게 해준다.

워크플로우 기술은 최근 언론에서 빅데이터 기술로 잘 꼽히지 않는 기술이지만, 필자는 빅데이터 비즈니스 조직의 확장성과 데이터 기반 분석 프로세스를 구체적인 자산으로써 관리, 운영하는 측면에서 중요한 기술이라고 생각하여 그 중요성에 대해서 자세히 소개하였다.

다양한 빅데이터 기술들을 전사적인 자동화 프로세스로 묶고, 데이터 수집, 가공, 통합, 분석 과정이 실제 비즈니스 가치로 연결되는 것을 직접 볼 수 있게 해주는 기술로서 워크플로우 기술은 중요한 기술이다. 빅데이터 비즈니스 시스템에서 특히 중요한 데이터 플로우 워크플로우 기술은 Taverna와 Kepler와 같이 과학기술 분야에서 쓰이는 워크플로우 소프트웨어를 제외하고는 시장에서 상품화된 기술이 거의 없어서[9] 아직도 비즈니스 기회가 열려 있고, 빅데이터 기반 플랫폼 서비스를 하는 기업들이 기술적으로 차별화된 경쟁력으로 활용할 수 있는 기술이다.

워크플로우 기술은 기존 SI 기업들이 빅데이터 비즈니스를 하려고 하는 고객사에 신속하게 빅데이터 비즈니스 시스템을 납품할 수 있는 새로운 IT 솔루션, 컨설팅 비즈니스 측면에서 사업 아이템으로도 큰 가치가 있다.

빅데이터가 비즈니스 가치로 전환되는 것이 분명하게 보이지 않아 고민하는 기업이나 조직이 있다면 워크플로우 기술을 이용해 데이터 분석 과정을 가시화하고 협업 체계를 만드는 것을 고려해보자. 기존의 SI 기업이나 IT 서비스 기업들도 고객에게 신속하게 빅데이터 비즈니스 시스템을 구축, 납품하는 솔루션으로서 워크플로우 기술을 활용해보자. 빅데이터 비즈니스를 위한 협업 체계가 체계적으로 조직되고 데이터가 비즈니스 가치로 이어지는 것을 좀더 쉽게 확인할 수 있으며, 빅데이터를 활용하는 것에 더 자신감을 가질 수 있을 것이다.

[참고문헌]
[1] 김진철, “LHC에서 배우는 빅데이터와 machine learning 활용 방안”, 2016년 9월 28일, A CIO Conversation for Technology Leadership – Breakfast Roundtable 발표 자료.
[2] Katy Wolstencroft, “The Taverna Workbench: Integrating and analysing biological and clinical data with computerised workflows,” a Tutorial at NETTAB 2012 workshop focused on Integrated Bio-Search, November 14-16, 2012 (Como, Italy). (http://www.nettab.org/2012/slides/Wolstencroft.pdf).
[3] Common Workflow Language, https://www.commonwl.org/.
[4] Yong Zhao, Ioan Raicu, Ian Foster. "Scientific Workflow Systems for 21st Century e-Science, New Bottle or New Wine?", Invited Paper, IEEE Workshop on Scientific Workflows 2008, co-located with IEEE International Conference on Services Computing (SCC) 2008. (https://ieeexplore.ieee.org/document/4578364/)
[5] N. Krasnogor, A.A. Shah, D. Barthel, P. łukasiak, J. Błażewicz, “Web and Grid technologies in bioinformatics, computational and systems biology: a review,” Current Bioinformatics Vol. 3, pp. 10-31, 2008. (https://www.eurekaselect.com/82018/article/web-and-grid-technologies-bioinformatics-computational-and-systems-biology-review)
[6] Stian Soiland-Reyes, Christian Brenninkmeijer, Katy Wolstencroft, Aleksandra Pawlik, “Introduction to Workflows with Taverna and myExperiment,” at 2014 Taverna Tutorial - Introduction to eScience and workflows, Bonn University Workshop, September 1, 2014. (https://www.slideshare.net/mygrid/2014-taverna-tutorial-introduction-to-escience-and-workflows)
[7] Stian Soiland-Reyes and Christian Brenninkmeijer, Katy Wolstencroft, Aleksandra Pawlik, Alan Williams, “An Introduction to Running, Reusing and Sharing Workflows with Taverna,” Tarverna Tutorials, https://github.com/taverna/taverna-tutorials.
[8] Steen Brahe, Kjeld Schmidt, “The Story of a Working Workflow Management System,” (http://citeseerx.ist.psu.edu/viewdoc/download?doi=10.1.1.66.113&rep=rep1&type=pdf)
[9] Krasimira P. Stoilova and Todor A. Stoilov, “Evolution of the workflow management systems,” (https://www.researchgate.net/publication/228851141_Evolution_of_the_workflow_management_systems)
[10] Andrew Washbrook, “From raw data to new fundamental particles: The data management lifecycle at the Large Hadron Collider,” http://datablog.is.ed.ac.uk/files/2015/09/ajw-DWD-final.pdf .
[11] Yolanda Gil, Ewa Deelman, Jim Blythe, Carl Kesselman, Hongsuda Tangmunarunkit, “Artificial Intelligence and Grids: Workflow Planning and Beyond,” IEEE Intelligent Systems, special issue on E-Science, Vol. 19 Iss. 1, pp. 26–33, 2004. (https://scitech.isi.edu/wordpress/wp-content/papercite-data/pdf/gil2004ai.pdf)
[12] Jianwu Wang, Moustafa AbdelBaky, Javier Diaz-Montes, Shweta Purawat, Manish Parashar, and Ilkay Altintas, “Kepler + CometCloud: Dynamic Scientific Workflow Execution on Federated Cloud Resources,” Proceedings of ICCS 2016. The International Conference on Computational Science, Procedia Computer Science, Vol. 80, pp. 700–711, 2016. (https://www.sciencedirect.com/science/article/pii/S1877050916308389)
[13] Daniel Crawl, Alok Singh, and Ilkay Altintas, “Kepler WebView: A Lightweight, Portable Framework for Constructing Real-time Web Interfaces of Scientific Workflows,” Proceedings of ICCS 2016. The International Conference on Computational Science, Procedia Computer Science, Vol. 80, pp. 673–679, 2016. (https://www.sciencedirect.com/science/article/pii/S1877050916308365)
[14] Nicolas Jacq, In silico drug discovery services in computing grid environments against neglected and emerging infectious diseases. Modeling and Simulation. Université Blaise Pascal - Clermont-Ferrand II, 2006. English. <tel-00184482>. (https://tel.archives-ouvertes.fr/tel-00184482)
[15] Stefan Jähnichen, Andreas Hoheisel, “Programming the Grid,” https://pdfs.semanticscholar.org/presentation/d7b7/1a3f1223814c4fdce164e32a22cd9daf6ea5.pdf.
[16] Bertram Ludäscher, Ilkay Altintas, Chad Berkley, Dan Higgins, Efrat Jaeger, Matthew Jones, Edward A. Lee, Jing Tao, Yang Zhao, “Scientific Workflow Management and the Kepler System,” Concurrency and Computation Practice and Experience 18(10):1039-1065, 2006. (https://pdfs.semanticscholar.org/fbd0/ac151c5edb8fa1be24871c74e74552f54c59.pdf)