기고 | 산업 조직에게 전하는 AIoT 조언

AI, 클라우드 및 산업용 사물인터넷(IoT)과 같은 신기술을 도입하기 위해 서두르는 산업 조직은 수많은 레거시 및 포인트 솔루션으로 가득 찬 기술 스택을 갖추게 되곤 한다. 그 결과 서로 고유한 방식으로 데이터를 저장, 포맷 및 보호하는 여러 사일로화된 데이터 소스가 있는 환경이 출현한다. 

심각한 결과는 또 있다. 해당 데이터를 전사적으로 실행가능한 무언가로 활용하는 방법을 이해하기 위해 사일로화 된 접근 방식이 출현하게 된다. 그 결과 특정 프로세스나 워크플로우를 이해하기 위해서는 도메인 전문가의 도움이 절실해진다.

인력 전환이 산업용 데이터 값 캡쳐를 위태롭게 만들다 
빠르게 디지털화 되는 조직에서 이러한 현상은 세대 교체를 고려할 때 특히 역효과를 낳는다. 베테랑 도메인 전문가들이 점점 은퇴하면서, 새로운 직원들로 대체되고 있다. 특정 레거시 기술을 다루도록 학술적인 훈련을 받지 못했고, 이전 세대의 도메인 지식과 운영 전문성을 갖추지 못한 이들이다. 이러한 운영 전문성 격차 문제는 데이터의 가시성을 크게 떨어뜨리게 된다.

이러한 상황에서 산업 데이터를 유용하고 실행 가능하게 만드는 것은 2단계 프로세스가 있다.

1단계는 차세대 데이터 히스토리안(Data historians)을 활용하는 것이다. 그들을 통해 데이터 액세스를 민주화하고, 기업의 모든 사람이 엣지에서 클라우드에 이르기까지 데이터에 동등하게 액세스하고 활용할 수 있도록 하는 것이다. 

데이터를 제대로 범용화 한다는 것은 엣지 투 클라우드 통합 데이터 히스토리안을 사용하여, 사일로를 제거하고, 데이터 호수를 정리하고, 비정형 데이터에 구조를 부여하고, 데이터 세트를 더 쉽게 찾을 수 있도록 태그를 적용하고, 산업 인텔리전스를 주도할 수 있도록 산업 데이터를 AI가 준비된 상태로 액세스 가능하게 만드는 것을 의미한다. 

2단계는 데이터를 실행 가능하게 만들어 생산 현장부터 경영 수준까지의 의사 결정권자들이 데이터가 무엇을 말하고 있는지 뿐만 아니라 취해야 할 다음 단계를 이해할 수 있도록 하는 것이다.

AIoT를 통해 데이터 히스토리안을 발전시키기 
원시 데이터를 실행가능한 통찰력으로 전환하려면, 산업 조직은 데이터 히스토리안이 ML&AI 알고리즘의 이점을 누릴 수 있도록 진화시킬 필요가 있다. 

데이터 히스토리안이 프로세스 데이터 수집에만 사용되어서는 안 된다. 데이터 축적이 아닌, 산업 데이터 관리 전략의 핵심으로 다뤄져야 한다. 이와 관련해 산업 조직에서 데이터 히스토리안 기능의 진화를 촉진하는 데 핵심은 AI와 ML의 적용일 수 있다. 새로운 비즈니스 가치를 위해 이전에 발견되지 않았거나 최적화되지 않은 산업 데이터 세트를 활용하기 위함이다.

이미 선도적인 산업 조직 다수가 AI 투자로부터 가치 실현 시간(time-to-value)을 가속화하기 위해 AIoT 전략을 채택하고 있다. AIoT 전략은 통합 데이터 관리, 엣지 및 클라우드 인프라, 그리고 산업용 AI 애플리케이션을 기업 속도와 규모에 맞춰 구축, 배포 및 호스팅할 수 있는 실용적 AI 환경을 제공할 수 있다. 자체 최적화 플랜트(Self-Optimizing Plant)의 혁신 비전을 실현할 수 있는 기초 인프라로서의 역할도 가능하다.

실제 애플리케이션에 맞게 AI를 확장하려면 솔루션 라이프사이클 전체에 걸쳐 산업용 AI를 지원하기 위한 툴, 인프라 및 워크플로우를 제공하는 것이 요구된다. 또한 산업 환경에서 AI를 제품화하는 데 필요한 소프트웨어, 하드웨어 및 엔터프라이즈 아키텍처도 필요하다. 이러한 접근법은 산발적인 AI 개념 증명을 넘어 전사적 산업용 AI 전략으로 조직이 성숙해지도록 돕는 데 매우 중요하다. 

산업용 AI의 실용 가치, ‘일반’ AI 넘어선다
그러나 모든 AI가 동일한 것은 아니다. 산업 환경에서 데이터 히스토리안에게 ‘일반적인’ AI 접근 방식을 적용하려고 시도하는 접근법은 ROI를 약화시킬 수 있다.

많은 양의 플랜트 데이터에 대해 일반적인 AI 모델을 훈련시키는 것이 그 플랜트의 요구에 해당 모델을 적응시킬 것이라고 생각하는 유혹에 빠지기 쉽다. 하지만 안전이나 설계상의 이유로 플랜트가 제한된 범위의 조건 내에서 작동하는 것이 일반적이다. 이로 인해 AI 모델도 좁은 범위의 데이터를 섭취하고 가드레일 내에서 작동하도록 스스로를 가르치게 된다. 

결과적으로 플랜트 데이터에 대해 훈련된 일반 AI 모델은 원하는 만큼 영리하지 않을 수 있다. 실시간 시장 변화에 대응하고 그에 따라 생산 일정을 조정할 수 있는 AI 모델이 요원해지는 것이다.

설상가상으로, 이 일반적인 AI 모델은 결국 산업 프로세스와 플랜트 장비 사이에 부정확한 상관관계나 인과관계를 만들게 되어, 의사 결정자들에게 올바르지 않은 통찰력이나 올바르지 않게 규정된 단계를 제시할 수 있다. 이는 단지 효율성 문제를 넘어 산업 공간에서 AI를 제품화 할 수 있는 능력을 저해하고 AI의 조직 내 확산에도 해를 끼친다.

즉 보다 복잡한 데이터 환경의 요구에 맞게 플랜트 또는 정유 공장의 데이터 히스토리안을 진화시킨다는 것은 보다 구체적이고 목적에 맞는 산업용 AI를 사용하는 것을 의미한다. 이러한 AI는 대규모 플랜트 데이터 풀에서 훈련되기보다는 목표한 비즈니스 요구에 초점을 맞춘 도메인별 애플리케이션에 내장되곤 한다.

플랜트 전체에 걸쳐 스프레이 앤 프레이 방식의 AI 접근법이 아닌 특정 목적에 맞게 구축된 산업용 AI 애플리케이션을 통해 AI를 배치함으로써, 산업 리더들은 모두 새로운 기술 구현과 관련된 (인식된) 장애물의 일부를 회피하고 AI 알고리즘이 산업 프로세스와 실세계의 엔지니어링에 특화된 도메인 지식을 통합하도록 할 수 있다.

이를 통해 산업용 AI는 도메인별 목적에 따라 유도된 관련 데이터를 섭취하고 의사 결정자들에게 환경에 대한 보다 정확한 그림을 제공하는 통찰력을 생성할 수 있다. 이것은 신뢰할 수 있는 장기적 결과를 보장하는 안전하고 지속 가능하며 전체적인 의사 결정 워크플로우를 만든다.

즉 수익성, 생산 및 지속 가능성 목표를 지원하고 달성하기 위해 산업 조직은 현재의 데이터 히스토리안을 AIoT 전략으로 구동되는 차세대 및 산업등급의 데이터 관리 솔루션으로 진화시켜야 한다. 

전사적으로 대량의 복잡한 산업 데이터를 동원하고 통합할 수 있는 데이터 히스토리안을 보유하는 것은 편리할 뿐 아니라 비즈니스에 결정적이다. 그리고 이를 위해 산업 리더는 클라우드 지원, 목적에 맞게 구축된 산업용 AI 인프라 및 애플리케이션에 투자함으로써 변동성이 크고 복잡한 시장 상황에 대비해 비즈니스를 미래에도 사용 가능하게 만들어야 한다. 

* 빌 스쿠더는 아스펜테크 AIoT 부문 부사장이자 제너럴 매니저다. ciokr@idg.co.kr