2020.10.28

더 스마트한 컴퓨팅··· ‘엣지 애널리틱스’가 견인한다

Isaac Sacolick | InfoWorld
실시간 애널리틱스 분야에서의 ‘엣지 컴퓨팅’과 ‘IoT 기기’ 활용은 무한한 가능성을 가지고 있다. 엣지 구축을 위한 애널리틱스 모델 설계가 만만치 않지만 말이다. 

애널리틱스 및 머신러닝과 관련한 많은 사용 사례가 데이터 웨어하우스 또는 데이터 레이크에 저장된 데이터와 연결되고, 전체 데이터세트나 데이터 하위 집합에서 알고리즘을 실행하며, 클라우드 아키텍처에서 결과를 계산한다. 이는 데이터가 빈번하게 변경되지 않는다면 효과적인 방식이다. 하지만 데이터가 자주 바뀐다면? 
 
ⓒGetty Images

오늘날 많은 기업에서 실시간으로 데이터를 처리하고 분석해야 할 필요성이 높아지고 있다. 이러한 변화를 주도한 건 사물인터넷(IoT)이다. 센서에서 스트리밍되는 데이터로 다운스트림 시스템을 제어하기 위해서는 즉각적인 처리와 애널리틱스가 필요하기 때문이다. 

또한 실시간 애널리틱스는 의료, 금융 서비스, 제조, 광고 등을 포함한 많은 산업에서도 중요하다. 데이터의 작은 변화가 금융, 의료, 안전 및 기타 비즈니스에 상당한 영향을 미칠 수 있어서다.  

실시간 애널리틱스에 관심이 있다면? 또한 엣지 컴퓨팅, AR/VR, 대규모 IoT 센서 및 머신러닝을 조합해 활용하는 신기술에 관심이 있다면? ‘엣지 애널리틱스’ 설계를 이해하는 게 중요하다. 자율주행 드론, 스마트 시티, 소매 체인 관리, 증강현실 게임 네트워크 등의 엣지 컴퓨팅 사용 사례가 모두 대규모이면서 안정적인 엣지 애널리틱스 구축을 목표로 하기 때문이다. 

엣지 애널리틱스, 스트리밍 애널리틱스 그리고 엣지 컴퓨팅 
서로 다른 여러 애널리틱스, 머신러닝, 엣지 컴퓨팅 패러다임은 ‘엣지 애널리틱스’와 관련돼 있다. 

엣지 애널리틱스(Edge analytics)는 클라우드 외부 인프라, 그리고 지리적으로 로컬화된 인프라의 ‘엣지에(on the edge)’ 구축된 애널리틱스 및 머신러닝 알고리즘을 가리킨다. 

스트리밍 애널리틱스(Streaming analytics)는 데이터가 처리될 때 실시간으로 애널리틱스를 연산하는 것을 일컫는다. 스트리밍 애널리틱스는 사용 사례에 따라 클라우드 또는 엣지에서 실행될 수 있다. 

이벤트 프로세싱(Event processing)은 실시간으로 데이터를 처리하고 의사결정을 내리는 방법이다. 이는 스트리밍 애널리틱스의 하위 범주이며, 개발자는 이벤트 기반 아키텍처를 사용해 이벤트를 식별하고 다운스트림 작업을 트리거한다. 

엣지 컴퓨팅(Edge computing)은 엣지 기기와 네트워크 인프라에 컴퓨팅을 구축하는 것을 의미한다. 

포그 컴퓨팅(fog computing)은 엣지, 니어 엣지, 클라우드 컴퓨팅 환경 사이에서 연산을 분할하는 아키텍처다. 

또한 엣지 애널리틱스가 필요한 솔루션을 설계할 때, 아키텍트는 물리적 한계, 성능 제약, 네트워크 비용 및 안정성, 보안, 프로세싱 요건 등을 반드시 고려해야 한다. 

엣지’에서 ‘애널리틱스’를 구축하는 이유 
왜 애널리틱스 인프라를 엣지에 구축하려는 걸까? 간단하게 말하자면, 기술, 비용, 컴플라이언스 때문이다. 

사람의 안전과 관련돼 있으며, 외부 환경에 능동적으로 대처할 수 있는 역량(resiliency)이 필요한 애플리케이션은 엣지 애널리틱스의 한 가지 사용 사례다. 또한 IoT 센서나 애널리틱스 컴퓨팅처럼 데이터 소스 간에 낮은 지연시간을 필요로 하는 애플리케이션은 엣지 애널리틱스를 자주 사용하는 두 번째 사용 사례다. 이들의 예시를 들자면 아래와 같다. 

• 제어 시스템이 주행 전체 혹은 일부분을 자동화하는 자율주행차, 자동화된 기계 또는 모든 운송수단
• 실시간 보안 제어 기능을 갖추고 있으며, 사람들이 건물에 안전하게 출입할 수 있도록 네트워크 및 클라우드 인프라를 사용하지 않으려는 스마트 빌딩 
• 대중교통을 추적하고, 공과금 청구를 위한 스마트 계량기 및 스마트 폐기물 관리 솔루션을 제공하는 스마트 시티 


비용은 제조 시스템에서 엣지 애널리틱스를 사용할 때 중요한 요소다. 빠르게 움직이는 컨베이어 벨트에서 제품의 결함을 검사하는 일련의 카메라를 생각해보라. 동영상 이미지를 클라우드로 전송하고자 고속 네트워크를 설치하는 것보다는 공장에 엣지 컴퓨팅 기기를 구축해 이미지를 처리하는 게 더 비용 효율적일 수 있다. 

컴퓨터 비전 솔루션을 제공하는 산업용 AI 업체 랜딩 AI(Landing AI)의 부사장 에이철 프라바카는 “제조 공장의 경우 주류 애널리틱스 애플리케이션과는 상당히 다르다. 따라서 구축을 포함해 AI에 관해 재고할 필요가 있다”라면서, “우리가 주력하는 분야는 강력하면서도 상용화된 엣지 기기를 사용해 생산 라인에서 직접 지속적인 학습을 하는 복합적인 딥러닝 비전 모델을 구축하는 것”이라고 말했다. 

건설 및 굴착 현장처럼 멀리 떨어진 곳에서 이뤄지는 작업에도 애널리틱스를 구축하면 엣지 애널리틱스 및 컴퓨팅의 이점을 누릴 수 있다. 비용이 많이 들고 불안정할 수도 있는 광대역 네트워크를 사용하는 대신, 엔지니어는 현장에 엣지 애널리틱스 인프라를 구축해 필요한 데이터 및 애널리틱스 처리를 지원할 수 있다. 

예를 들면 한 석유 가스 회사는 인-메모리 분산 컴퓨팅 플랫폼과 스트리밍 애널리틱스 솔루션을 엣지에 구축해 굴착 시간을 무려 20% 단축했다. 일반적으로 15일이 걸리던 시간이 12일로 줄어든 것이다.  

컴플라이언스 및 데이터 거버넌스도 또 다른 이유다. 로컬화된 인프라 구축은 GDPR(General Data Protection Regulation) 컴플라이언스와 기타 데이터 주권 규정을 준수하는 데 도움이 될 수 있다. 데이터가 수집되는 국가에서 제한된 데이터를 저장하고 처리하기 때문이다. 

엣지를 위한 애널리틱스 설계 
유감스럽게도, 모델 및 여타 애널리틱스를 엣지 컴퓨팅 인프라에서 구축하는 것은 간단한 일이 아니다. 연산 집약적 데이터 모델을 통해 대용량 데이터세트를 처리하고 있다면 이들을 엣지 컴퓨팅 인프라에서 구축 및 실행하기 전에 리엔지니어링이 필요할 수 있다. 

무엇보다, 많은 개발자와 데이터 과학자가 현재 퍼블릭 및 프라이빗 클라우드에서 사용할 수 있는 고급 애널리틱스 플랫폼을 활용하고 있다. 사물인터넷 기기와 센서는 C/C++로 작성된 임베디드 애플리케이션을 활용하는 경우가 많은데, 이는 클라우드 네이티브 데이터 과학자와 엔지니어에게 까다로운 과제일 수 있다. 

모델 자체가 문제일 수도 있다. 데이터 과학자가 클라우드에서 작업하면서 컴퓨팅 리소스를 비교적 적은 비용으로 확장할 때, 이들은 갖가지 기능과 매개변수를 가진 복잡한 머신러닝 모델을 개발해 결과를 완벽하게 최적화할 수 있다. 그러나 엣지 컴퓨팅 인프라에 모델을 구축할 때 알고리즘이 지나치게 복잡하다면 인프라 비용, 기기 크기, 성능 요건을 많이 증가시킬 수 있다. 

삼바노바 시스템즈(SambaNova Systems)의 제품 부문 부사장 마샬 초이는 AI 모델을 엣지에 구축하는 데 따르는 어려움과 관련해 “엣지 AI 애플리케이션 모델 개발자는 매개변수 감소와 연산 요건 개선을 위해 고도로 세부적인 모델에 집중하고 있다”라면서, “이처럼 매우 작고 세부적인 모델을 위한 학습 요건을 맞추기는 힘들다”라고 전했다.  

또 다른 문제는 안정적이면서도 안전한 엣지 애널리틱스 시스템을 구축하려면 내결함성이 뛰어난 아키텍처, 시스템, 네트워크, 소프트웨어 및 모델을 설계하고 개발해야 한다는 것이다. 

헤이즐캐스트(Hazelcast)의 제품 마케팅 부문 선임 이사 데일 킴은 엣지에서 데이터를 처리할 때의 난관과 사용 사례를 설명했다. 그는 장비 최적화부터 예방적 유지보수, 품질 보증 점검, 중요 경고까지 모두 엣지에서 사용할 수 있지만 제한적인 하드웨어 공간, 물리적 접근성, 대역폭을 비롯해 보안 우려 증가와 같은 새로운 난제가 있다고 언급했다. 

이어서 킴은 “데이터센터에서 익숙한 인프라가 적합하지 않을 수 있다. 따라서 엣지 컴퓨팅 아키텍처를 염두에 두고 설계된 신기술을 탐색해야 한다”라고 덧붙였다. 

애널리틱스의 차세대 영역  
오늘날 엣지 컴퓨팅의 주요 사용 사례는 데이터 선별 및 취합을 포함한 데이터 처리 기능이다. 그러나 IoT 센서를 대규모로 배치하는 기업이 많아지고, 이에 따라 애널리틱스, 머신러닝, 인공지능 알고리즘을 실시간으로 적용해야 할 필요성이 커지면서 엣지는 더욱더 폭넓게 활용될 것이다. 

엣지의 가능성은 ‘스마트 컴퓨팅’이라는 매우 흥미로운 미래를 향하고 있다. 센서가 저렴해지고, 애플리케이션은 더 많은 실시간 애널리틱스를 필요로 하며, 엣지에 최적화된 비용 효율적인 알고리즘을 개발하기 쉬워지고 있기 때문이다. ciokr@idg.co.kr
 



2020.10.28

더 스마트한 컴퓨팅··· ‘엣지 애널리틱스’가 견인한다

Isaac Sacolick | InfoWorld
실시간 애널리틱스 분야에서의 ‘엣지 컴퓨팅’과 ‘IoT 기기’ 활용은 무한한 가능성을 가지고 있다. 엣지 구축을 위한 애널리틱스 모델 설계가 만만치 않지만 말이다. 

애널리틱스 및 머신러닝과 관련한 많은 사용 사례가 데이터 웨어하우스 또는 데이터 레이크에 저장된 데이터와 연결되고, 전체 데이터세트나 데이터 하위 집합에서 알고리즘을 실행하며, 클라우드 아키텍처에서 결과를 계산한다. 이는 데이터가 빈번하게 변경되지 않는다면 효과적인 방식이다. 하지만 데이터가 자주 바뀐다면? 
 
ⓒGetty Images

오늘날 많은 기업에서 실시간으로 데이터를 처리하고 분석해야 할 필요성이 높아지고 있다. 이러한 변화를 주도한 건 사물인터넷(IoT)이다. 센서에서 스트리밍되는 데이터로 다운스트림 시스템을 제어하기 위해서는 즉각적인 처리와 애널리틱스가 필요하기 때문이다. 

또한 실시간 애널리틱스는 의료, 금융 서비스, 제조, 광고 등을 포함한 많은 산업에서도 중요하다. 데이터의 작은 변화가 금융, 의료, 안전 및 기타 비즈니스에 상당한 영향을 미칠 수 있어서다.  

실시간 애널리틱스에 관심이 있다면? 또한 엣지 컴퓨팅, AR/VR, 대규모 IoT 센서 및 머신러닝을 조합해 활용하는 신기술에 관심이 있다면? ‘엣지 애널리틱스’ 설계를 이해하는 게 중요하다. 자율주행 드론, 스마트 시티, 소매 체인 관리, 증강현실 게임 네트워크 등의 엣지 컴퓨팅 사용 사례가 모두 대규모이면서 안정적인 엣지 애널리틱스 구축을 목표로 하기 때문이다. 

엣지 애널리틱스, 스트리밍 애널리틱스 그리고 엣지 컴퓨팅 
서로 다른 여러 애널리틱스, 머신러닝, 엣지 컴퓨팅 패러다임은 ‘엣지 애널리틱스’와 관련돼 있다. 

엣지 애널리틱스(Edge analytics)는 클라우드 외부 인프라, 그리고 지리적으로 로컬화된 인프라의 ‘엣지에(on the edge)’ 구축된 애널리틱스 및 머신러닝 알고리즘을 가리킨다. 

스트리밍 애널리틱스(Streaming analytics)는 데이터가 처리될 때 실시간으로 애널리틱스를 연산하는 것을 일컫는다. 스트리밍 애널리틱스는 사용 사례에 따라 클라우드 또는 엣지에서 실행될 수 있다. 

이벤트 프로세싱(Event processing)은 실시간으로 데이터를 처리하고 의사결정을 내리는 방법이다. 이는 스트리밍 애널리틱스의 하위 범주이며, 개발자는 이벤트 기반 아키텍처를 사용해 이벤트를 식별하고 다운스트림 작업을 트리거한다. 

엣지 컴퓨팅(Edge computing)은 엣지 기기와 네트워크 인프라에 컴퓨팅을 구축하는 것을 의미한다. 

포그 컴퓨팅(fog computing)은 엣지, 니어 엣지, 클라우드 컴퓨팅 환경 사이에서 연산을 분할하는 아키텍처다. 

또한 엣지 애널리틱스가 필요한 솔루션을 설계할 때, 아키텍트는 물리적 한계, 성능 제약, 네트워크 비용 및 안정성, 보안, 프로세싱 요건 등을 반드시 고려해야 한다. 

엣지’에서 ‘애널리틱스’를 구축하는 이유 
왜 애널리틱스 인프라를 엣지에 구축하려는 걸까? 간단하게 말하자면, 기술, 비용, 컴플라이언스 때문이다. 

사람의 안전과 관련돼 있으며, 외부 환경에 능동적으로 대처할 수 있는 역량(resiliency)이 필요한 애플리케이션은 엣지 애널리틱스의 한 가지 사용 사례다. 또한 IoT 센서나 애널리틱스 컴퓨팅처럼 데이터 소스 간에 낮은 지연시간을 필요로 하는 애플리케이션은 엣지 애널리틱스를 자주 사용하는 두 번째 사용 사례다. 이들의 예시를 들자면 아래와 같다. 

• 제어 시스템이 주행 전체 혹은 일부분을 자동화하는 자율주행차, 자동화된 기계 또는 모든 운송수단
• 실시간 보안 제어 기능을 갖추고 있으며, 사람들이 건물에 안전하게 출입할 수 있도록 네트워크 및 클라우드 인프라를 사용하지 않으려는 스마트 빌딩 
• 대중교통을 추적하고, 공과금 청구를 위한 스마트 계량기 및 스마트 폐기물 관리 솔루션을 제공하는 스마트 시티 


비용은 제조 시스템에서 엣지 애널리틱스를 사용할 때 중요한 요소다. 빠르게 움직이는 컨베이어 벨트에서 제품의 결함을 검사하는 일련의 카메라를 생각해보라. 동영상 이미지를 클라우드로 전송하고자 고속 네트워크를 설치하는 것보다는 공장에 엣지 컴퓨팅 기기를 구축해 이미지를 처리하는 게 더 비용 효율적일 수 있다. 

컴퓨터 비전 솔루션을 제공하는 산업용 AI 업체 랜딩 AI(Landing AI)의 부사장 에이철 프라바카는 “제조 공장의 경우 주류 애널리틱스 애플리케이션과는 상당히 다르다. 따라서 구축을 포함해 AI에 관해 재고할 필요가 있다”라면서, “우리가 주력하는 분야는 강력하면서도 상용화된 엣지 기기를 사용해 생산 라인에서 직접 지속적인 학습을 하는 복합적인 딥러닝 비전 모델을 구축하는 것”이라고 말했다. 

건설 및 굴착 현장처럼 멀리 떨어진 곳에서 이뤄지는 작업에도 애널리틱스를 구축하면 엣지 애널리틱스 및 컴퓨팅의 이점을 누릴 수 있다. 비용이 많이 들고 불안정할 수도 있는 광대역 네트워크를 사용하는 대신, 엔지니어는 현장에 엣지 애널리틱스 인프라를 구축해 필요한 데이터 및 애널리틱스 처리를 지원할 수 있다. 

예를 들면 한 석유 가스 회사는 인-메모리 분산 컴퓨팅 플랫폼과 스트리밍 애널리틱스 솔루션을 엣지에 구축해 굴착 시간을 무려 20% 단축했다. 일반적으로 15일이 걸리던 시간이 12일로 줄어든 것이다.  

컴플라이언스 및 데이터 거버넌스도 또 다른 이유다. 로컬화된 인프라 구축은 GDPR(General Data Protection Regulation) 컴플라이언스와 기타 데이터 주권 규정을 준수하는 데 도움이 될 수 있다. 데이터가 수집되는 국가에서 제한된 데이터를 저장하고 처리하기 때문이다. 

엣지를 위한 애널리틱스 설계 
유감스럽게도, 모델 및 여타 애널리틱스를 엣지 컴퓨팅 인프라에서 구축하는 것은 간단한 일이 아니다. 연산 집약적 데이터 모델을 통해 대용량 데이터세트를 처리하고 있다면 이들을 엣지 컴퓨팅 인프라에서 구축 및 실행하기 전에 리엔지니어링이 필요할 수 있다. 

무엇보다, 많은 개발자와 데이터 과학자가 현재 퍼블릭 및 프라이빗 클라우드에서 사용할 수 있는 고급 애널리틱스 플랫폼을 활용하고 있다. 사물인터넷 기기와 센서는 C/C++로 작성된 임베디드 애플리케이션을 활용하는 경우가 많은데, 이는 클라우드 네이티브 데이터 과학자와 엔지니어에게 까다로운 과제일 수 있다. 

모델 자체가 문제일 수도 있다. 데이터 과학자가 클라우드에서 작업하면서 컴퓨팅 리소스를 비교적 적은 비용으로 확장할 때, 이들은 갖가지 기능과 매개변수를 가진 복잡한 머신러닝 모델을 개발해 결과를 완벽하게 최적화할 수 있다. 그러나 엣지 컴퓨팅 인프라에 모델을 구축할 때 알고리즘이 지나치게 복잡하다면 인프라 비용, 기기 크기, 성능 요건을 많이 증가시킬 수 있다. 

삼바노바 시스템즈(SambaNova Systems)의 제품 부문 부사장 마샬 초이는 AI 모델을 엣지에 구축하는 데 따르는 어려움과 관련해 “엣지 AI 애플리케이션 모델 개발자는 매개변수 감소와 연산 요건 개선을 위해 고도로 세부적인 모델에 집중하고 있다”라면서, “이처럼 매우 작고 세부적인 모델을 위한 학습 요건을 맞추기는 힘들다”라고 전했다.  

또 다른 문제는 안정적이면서도 안전한 엣지 애널리틱스 시스템을 구축하려면 내결함성이 뛰어난 아키텍처, 시스템, 네트워크, 소프트웨어 및 모델을 설계하고 개발해야 한다는 것이다. 

헤이즐캐스트(Hazelcast)의 제품 마케팅 부문 선임 이사 데일 킴은 엣지에서 데이터를 처리할 때의 난관과 사용 사례를 설명했다. 그는 장비 최적화부터 예방적 유지보수, 품질 보증 점검, 중요 경고까지 모두 엣지에서 사용할 수 있지만 제한적인 하드웨어 공간, 물리적 접근성, 대역폭을 비롯해 보안 우려 증가와 같은 새로운 난제가 있다고 언급했다. 

이어서 킴은 “데이터센터에서 익숙한 인프라가 적합하지 않을 수 있다. 따라서 엣지 컴퓨팅 아키텍처를 염두에 두고 설계된 신기술을 탐색해야 한다”라고 덧붙였다. 

애널리틱스의 차세대 영역  
오늘날 엣지 컴퓨팅의 주요 사용 사례는 데이터 선별 및 취합을 포함한 데이터 처리 기능이다. 그러나 IoT 센서를 대규모로 배치하는 기업이 많아지고, 이에 따라 애널리틱스, 머신러닝, 인공지능 알고리즘을 실시간으로 적용해야 할 필요성이 커지면서 엣지는 더욱더 폭넓게 활용될 것이다. 

엣지의 가능성은 ‘스마트 컴퓨팅’이라는 매우 흥미로운 미래를 향하고 있다. 센서가 저렴해지고, 애플리케이션은 더 많은 실시간 애널리틱스를 필요로 하며, 엣지에 최적화된 비용 효율적인 알고리즘을 개발하기 쉬워지고 있기 때문이다. ciokr@idg.co.kr
 

X