Offcanvas

���������������

벤더 기고 | ‘엣지 투 클라우드 전략 개발’··· 기업이 물어야 할 4가지 질문

가트너는 2029년까지 150억대 이상의 사물인터넷(IoT) 장치가 기업 인프라에 연결될 것으로 전망했다. 방대한 데이터를 실시간 수집하는 일은 쉬워졌지만 확보한 데이터로 비즈니스 실적을 개선하는 일은 여전히 어려운 과제다. 인공지능(AI)과 머신러닝(ML)을 엣지(edge)와 클라우드의 데이터 수집∙처리 능력과 결합하는 것이 해답일 수 있다. 기업은 이 모든 데이터 자산을 최대한 활용하기 위한 애플리케이션 전략이 있어야 한다. 엣지 투 클라우드 AI 전략 개발을 위한 4가지 질문 AI 활용에 이용되는 구체적 전략과 구현 방식은 기업이나 분야마다 다르지만 공통점이 있다. 올해 열린 히타치 밴타라의 소셜 이노베이션 포럼(HSIF) 2021에서는 엣지에서 클라우드까지의 AI 전략 수립에 대한 전략적 사고의 틀을 제공하는 데 도움이 되는 4가지 질문이 공유됐다. 질문 1 : 분산형 인프라에서 효과적인 앱을 어떻게 개발할까? 지난 30년간 기업은 높은 벽에 둘러싸인 안전한 데이터센터를 구축하고 그 속에서 단일의 거대 애플리케이션을 구동했다. 그러나 오늘날 이러한 모델은 유효성을 잃어가고 있다. 현대 애플리케이션은 데이터센터를 이용하면서도 엣지와 클라우드로 범위를 확장하면서 발전하고 있다.  기업의 CIO와 매니저들은 ‘앱 퍼스트 인프라’ 사고방식을 채택해 엣지와 클라우드의 장점을 활용해야 한다. 분산 애플리케이션 개발을 간소화하기 위해 기술, 아키텍처, 사회적 사일로(silo)를 이해하기 쉽게 분류하는 것을 최우선으로 한다. 앱 퍼스트 인프라 사고방식은 애플리케이션 개발자, 운영∙보안 직원, 기타 기술 담당자가 분산 환경을 지원하기 위해 협력해야 한다는 주장과 확연히 맞닿아 있다. 이들 협업은 쿠버네티스(Kubernetes) 같은 앱 배포 플랫폼의 지원을 필요로 한다. 이때 앱 배포 플랫폼은 데이터센터에서 엣지 및 클라우드로 앱을 배포하기 위한 번거로운 작업을 간소화하는데 도움을 주고, 운영자가 이런 엣지와 클라우드 인프라 환경을 모니터링하고 분석하는...

엣지 분산형 인프라 엣지 투 클라우드 AI 전략 앱 퍼스트 인프라 데이터 관리 SPOT 데이터옵스

2021.11.19

가트너는 2029년까지 150억대 이상의 사물인터넷(IoT) 장치가 기업 인프라에 연결될 것으로 전망했다. 방대한 데이터를 실시간 수집하는 일은 쉬워졌지만 확보한 데이터로 비즈니스 실적을 개선하는 일은 여전히 어려운 과제다. 인공지능(AI)과 머신러닝(ML)을 엣지(edge)와 클라우드의 데이터 수집∙처리 능력과 결합하는 것이 해답일 수 있다. 기업은 이 모든 데이터 자산을 최대한 활용하기 위한 애플리케이션 전략이 있어야 한다. 엣지 투 클라우드 AI 전략 개발을 위한 4가지 질문 AI 활용에 이용되는 구체적 전략과 구현 방식은 기업이나 분야마다 다르지만 공통점이 있다. 올해 열린 히타치 밴타라의 소셜 이노베이션 포럼(HSIF) 2021에서는 엣지에서 클라우드까지의 AI 전략 수립에 대한 전략적 사고의 틀을 제공하는 데 도움이 되는 4가지 질문이 공유됐다. 질문 1 : 분산형 인프라에서 효과적인 앱을 어떻게 개발할까? 지난 30년간 기업은 높은 벽에 둘러싸인 안전한 데이터센터를 구축하고 그 속에서 단일의 거대 애플리케이션을 구동했다. 그러나 오늘날 이러한 모델은 유효성을 잃어가고 있다. 현대 애플리케이션은 데이터센터를 이용하면서도 엣지와 클라우드로 범위를 확장하면서 발전하고 있다.  기업의 CIO와 매니저들은 ‘앱 퍼스트 인프라’ 사고방식을 채택해 엣지와 클라우드의 장점을 활용해야 한다. 분산 애플리케이션 개발을 간소화하기 위해 기술, 아키텍처, 사회적 사일로(silo)를 이해하기 쉽게 분류하는 것을 최우선으로 한다. 앱 퍼스트 인프라 사고방식은 애플리케이션 개발자, 운영∙보안 직원, 기타 기술 담당자가 분산 환경을 지원하기 위해 협력해야 한다는 주장과 확연히 맞닿아 있다. 이들 협업은 쿠버네티스(Kubernetes) 같은 앱 배포 플랫폼의 지원을 필요로 한다. 이때 앱 배포 플랫폼은 데이터센터에서 엣지 및 클라우드로 앱을 배포하기 위한 번거로운 작업을 간소화하는데 도움을 주고, 운영자가 이런 엣지와 클라우드 인프라 환경을 모니터링하고 분석하는...

2021.11.19

‘앞으로 더 뜬다’ 인기 높은 새 IT 직무 5종

이머징 테크놀로지가 관련된 역할이 최근 IT의 모든 신규 고용에서 차지하는 비중이 점차 증가하고 있다. 이와 함께 여러 새로운 직무가 생겨났다. 팬데믹도 여기에 한몫 했다.  현재 인원수를 늘리지 않으면서 새로운 요구를 해결하기 위해 기존의 직무를 확대하거나 집중시키는 추세이다. 이 과정에서 새로운 직무가 나타나고 있기도 하다. 이를테면 양자 컴퓨팅 엔지니어들이 새로운 기회를 맞이하고 있으며, 이와 동시에 비즈니스 분석가들은 빠르게 변화하는 비즈니스 영역에서 성과를 높이기 위해 역할을 발전시키고 있다. 최근 등장한 직무 중 전문가들이 영속적일 것으로 관측하는 역할에 대해 살펴본다.   양자 컴퓨팅 엔지니어 ATS(Altada Technology Solutions)의 CCO 마이르 월쉬는 비즈니스 환경에서 인공지능을 적용하기 위한 노력의 일환으로 양자 컴퓨팅 엔지니어들이 고용되고 있다고 전했다. 월쉬는 “고객의 전환과 수익성을 높이기 위해 AI를 구현하고 성과를 제공할 때의 핵심은 심층적인 기술 전문가로 구성된 팀이다. 양자 컴퓨팅은 앞으로의 발전에 있어서 매우 중요한 역할을 할 것이다”라고 말했다. 월쉬에 따르면 금융서비스 조직들이 직면하고 있는 문제에 양자 컴퓨팅 원리를 적용하면 아주 다루기 힘든 문제를 해결할 수 있을 것으로 기대된다.  그녀는 “맞춤 제작하여 훈련된 AI 모델은 수백만 개의 데이터 포인트와 실시간 감정 분석을 활용하며, 이를 통해 고객에게 경쟁력을 제공하는 유의미한 시장 인사이트를 얻을 수 있다. 자산실사 효율성이 30배나 개선되어 복잡한 거래가 몇 개월이 아닌 며칠 안에 처리되는 비즈니스 환경이 펼쳐지고 있다”라고 말했다. 이와 관련하여 월쉬는 이머징 테크놀로지 책임자의 역할에 양자 컴퓨팅, 데브옵스(DevOps), 블록체인 엔지니어링뿐 아니라 데이터 사이언스도 통합될 것으로 전망한다.  보안 및 컴플라이언스 관리자 팬데믹으로 인해 재택근무 보안 필요성이 크게 증가했지만 중요 인프라에 ...

양자 컴퓨팅 엔지니어 퀀텀 컴퓨팅 데이터옵스

2021.10.20

이머징 테크놀로지가 관련된 역할이 최근 IT의 모든 신규 고용에서 차지하는 비중이 점차 증가하고 있다. 이와 함께 여러 새로운 직무가 생겨났다. 팬데믹도 여기에 한몫 했다.  현재 인원수를 늘리지 않으면서 새로운 요구를 해결하기 위해 기존의 직무를 확대하거나 집중시키는 추세이다. 이 과정에서 새로운 직무가 나타나고 있기도 하다. 이를테면 양자 컴퓨팅 엔지니어들이 새로운 기회를 맞이하고 있으며, 이와 동시에 비즈니스 분석가들은 빠르게 변화하는 비즈니스 영역에서 성과를 높이기 위해 역할을 발전시키고 있다. 최근 등장한 직무 중 전문가들이 영속적일 것으로 관측하는 역할에 대해 살펴본다.   양자 컴퓨팅 엔지니어 ATS(Altada Technology Solutions)의 CCO 마이르 월쉬는 비즈니스 환경에서 인공지능을 적용하기 위한 노력의 일환으로 양자 컴퓨팅 엔지니어들이 고용되고 있다고 전했다. 월쉬는 “고객의 전환과 수익성을 높이기 위해 AI를 구현하고 성과를 제공할 때의 핵심은 심층적인 기술 전문가로 구성된 팀이다. 양자 컴퓨팅은 앞으로의 발전에 있어서 매우 중요한 역할을 할 것이다”라고 말했다. 월쉬에 따르면 금융서비스 조직들이 직면하고 있는 문제에 양자 컴퓨팅 원리를 적용하면 아주 다루기 힘든 문제를 해결할 수 있을 것으로 기대된다.  그녀는 “맞춤 제작하여 훈련된 AI 모델은 수백만 개의 데이터 포인트와 실시간 감정 분석을 활용하며, 이를 통해 고객에게 경쟁력을 제공하는 유의미한 시장 인사이트를 얻을 수 있다. 자산실사 효율성이 30배나 개선되어 복잡한 거래가 몇 개월이 아닌 며칠 안에 처리되는 비즈니스 환경이 펼쳐지고 있다”라고 말했다. 이와 관련하여 월쉬는 이머징 테크놀로지 책임자의 역할에 양자 컴퓨팅, 데브옵스(DevOps), 블록체인 엔지니어링뿐 아니라 데이터 사이언스도 통합될 것으로 전망한다.  보안 및 컴플라이언스 관리자 팬데믹으로 인해 재택근무 보안 필요성이 크게 증가했지만 중요 인프라에 ...

2021.10.20

"데이터옵스 가속화" 효성인포메이션시스템, 루마다 포트폴리오 업그레이드

효성인포메이션시스템이 9월 28일 ‘루마다(Lumada) 포트폴리오 업그레이드’로 엣지(edge) 컴퓨팅에서 멀티 클라우드까지 신뢰할 수 있는 데이터 통합 및 분석, 지능형 데이터 관리, 거버넌스 준수 등의 기능을 통해 고객의 데이터 인사이트 가속화를 지원한다고 밝혔다. 회사에 따르면 루마다 포트폴리오는 데이터 추출부터 분석, 저장까지 데이터 기반 통찰력과 효과적인 운영 및 성과를 이끌어내기 위한 디지털 플랫폼이다. 빅데이터 처리·분석 플랫폼 ‘펜타호’를 중심으로 대용량 데이터 저장을 위한 오브젝트 스토리지, 데이터 카탈로그, 데이터 레이크 관리, 엣지 인텔리전스 등 강력한 라인업을 보유하고 있다. 이번에는 펜타호 9.2 버전과 루마다 데이터 카탈로그 6.1 버전이 업그레이드됐다. 펜타호 9.2는 최근 출시된 ‘루마다 데이터옵스 스위트’의 강력한 엔진 역할을 하며, 기업의 데이터옵스 환경 구현을 위한 데이터 통합과 분석 등 핵심적인 기능을 제공한다. 최신 클라우드 네이티브 아키텍처를 제공하는 펜타호 9.2는 아마존웹서비스(AWS), MS 애저, 구글 클라우드 등 모든 주요 퍼블릭 클라우드를 지원하고, 서로 다른 컨텍스트로 구성된 데이터의 통합과 분석에 대한 기업의 고민을 해결해 준다고 업체 측은 설명했다. 펜타호 9.2는 코어 투 멀티 클라우드 파이프라인을 가속화하고 여러 클라우드에서 대규모로 데이터 파이프라인을 신속하게 구축 및 배포할 수 있다. 기업이 데이터를 가져와 분석하려는 곳이면 어디든 통합하고 이동할 수 있어 데이터 인사이트 확보를 위한 프로세스 효율을 극대화 시켜준다. 또 데이터 통합(integration) 실행 기능 개선으로 쿠버네티스 방식으로 배포·관리되는 마이크로서비스 활용도가 높아져 고객이 어떤 환경을 선택하든 유연하게 데이터를 활용할 수 있고, 사용자 환경에 바로 연결하여 필요한 자동 확장을 제공한다는 게 회사 측 설명이다. 루마다 데이터 카탈로그는 서로 다른 속성을 가진 대용량 데이터의 메타 정보를 AI 기반으로...

효성인포메이션시스템 데이터옵스 루마다 포트폴리오 엣지 컴퓨팅 멀티 클라우드

2021.09.28

효성인포메이션시스템이 9월 28일 ‘루마다(Lumada) 포트폴리오 업그레이드’로 엣지(edge) 컴퓨팅에서 멀티 클라우드까지 신뢰할 수 있는 데이터 통합 및 분석, 지능형 데이터 관리, 거버넌스 준수 등의 기능을 통해 고객의 데이터 인사이트 가속화를 지원한다고 밝혔다. 회사에 따르면 루마다 포트폴리오는 데이터 추출부터 분석, 저장까지 데이터 기반 통찰력과 효과적인 운영 및 성과를 이끌어내기 위한 디지털 플랫폼이다. 빅데이터 처리·분석 플랫폼 ‘펜타호’를 중심으로 대용량 데이터 저장을 위한 오브젝트 스토리지, 데이터 카탈로그, 데이터 레이크 관리, 엣지 인텔리전스 등 강력한 라인업을 보유하고 있다. 이번에는 펜타호 9.2 버전과 루마다 데이터 카탈로그 6.1 버전이 업그레이드됐다. 펜타호 9.2는 최근 출시된 ‘루마다 데이터옵스 스위트’의 강력한 엔진 역할을 하며, 기업의 데이터옵스 환경 구현을 위한 데이터 통합과 분석 등 핵심적인 기능을 제공한다. 최신 클라우드 네이티브 아키텍처를 제공하는 펜타호 9.2는 아마존웹서비스(AWS), MS 애저, 구글 클라우드 등 모든 주요 퍼블릭 클라우드를 지원하고, 서로 다른 컨텍스트로 구성된 데이터의 통합과 분석에 대한 기업의 고민을 해결해 준다고 업체 측은 설명했다. 펜타호 9.2는 코어 투 멀티 클라우드 파이프라인을 가속화하고 여러 클라우드에서 대규모로 데이터 파이프라인을 신속하게 구축 및 배포할 수 있다. 기업이 데이터를 가져와 분석하려는 곳이면 어디든 통합하고 이동할 수 있어 데이터 인사이트 확보를 위한 프로세스 효율을 극대화 시켜준다. 또 데이터 통합(integration) 실행 기능 개선으로 쿠버네티스 방식으로 배포·관리되는 마이크로서비스 활용도가 높아져 고객이 어떤 환경을 선택하든 유연하게 데이터를 활용할 수 있고, 사용자 환경에 바로 연결하여 필요한 자동 확장을 제공한다는 게 회사 측 설명이다. 루마다 데이터 카탈로그는 서로 다른 속성을 가진 대용량 데이터의 메타 정보를 AI 기반으로...

2021.09.28

칼럼ㅣAI 프로젝트 악순환 고리 끊어라··· 'ML옵스' 마인드셋이 필요한 이유

커뮤니케이션 격차(communications gap)로 인해 프로덕션 단계에 도달하지 못하는 AI 프로젝트가 부지기수다.  AI 프로젝트를 아이디어에서 현실로 옮기는 것은 악순환이다. 이를 해결하는 방법은 한 가지뿐이다. 애초에 순환을 시작하지 않는 것이다.데이터는 모든 단계에서 전문적인 처리를 거쳐야 하기 때문이다. 다양한 소스에서 데이터를 추출하는 것부터 시작해 데이터 정리, 분석, 채우기까지 기존 아키텍처에 ‘ML옵스(MLOps)’, 즉 머신러닝에 관한 운영적 접근법이 없다면 머신러닝 시스템은 지연되기 쉽다.    대부분의 AI 프로젝트가 프로덕션 단계까지 가지 못하는 이유는 매우 기본적인 것처럼 보이지만 큰 영향을 미치는 격차 때문이다. 바로 데이터 과학자와 비즈니스 간 부적절한 커뮤니케이션이다.  IDC에서 진행한 설문조사 결과도 데이터 과학자와 비즈니스 간 지속적인 인게이지먼트가 중요하다고 말한다. 따라서 기업들은 즉시 사용할 수 있는 솔루션을 찾게 됐고, 바로 여기에서 ML옵스가 등장한다.  ML옵스 전략은 다음에 중점을 둔다. • 신속한 처리를 위해 데이터 추출, 모델 생성, 배포 및 모니터링에 엔드투엔드 가시성 제공 • 버전 관리 데이터 및 메타데이터 등 관련 아티팩트를 모두 저장해 프로덕션 모델의 감사 및 복제 시간 단축 • 변화하는 환경 및 요건에 따른 손쉬운 모델 재학습 • 빠르고 안전하며 정확한 ML 시스템 테스트 하지만 ML 모델을 개발, 구축 또는 학습시키는 것은 주요한 병목 요인이 아니다. 프로덕션 환경에서 큰 중단 없이 지속적인 운영을 위한 통합 AI 시스템을 구축하는 것이 실질적인 과제다.  예를 들면 ML 솔루션을 온디맨드 방식으로 배포해야 하는 조직은 실험 코드를 반복적으로 다시 작성할 수밖에 없다. 이 접근법은 애매해서 성공으로 끝날 수도 있고 그렇지 않을 수도 있다. 이게 바로 ML옵스가 해결하려고 하는 것이다.  간단히 말해, ML 모델용 ...

AI 인공지능 ML 머신러닝 ML옵스 데이터 과학 데이터옵스

2021.07.26

커뮤니케이션 격차(communications gap)로 인해 프로덕션 단계에 도달하지 못하는 AI 프로젝트가 부지기수다.  AI 프로젝트를 아이디어에서 현실로 옮기는 것은 악순환이다. 이를 해결하는 방법은 한 가지뿐이다. 애초에 순환을 시작하지 않는 것이다.데이터는 모든 단계에서 전문적인 처리를 거쳐야 하기 때문이다. 다양한 소스에서 데이터를 추출하는 것부터 시작해 데이터 정리, 분석, 채우기까지 기존 아키텍처에 ‘ML옵스(MLOps)’, 즉 머신러닝에 관한 운영적 접근법이 없다면 머신러닝 시스템은 지연되기 쉽다.    대부분의 AI 프로젝트가 프로덕션 단계까지 가지 못하는 이유는 매우 기본적인 것처럼 보이지만 큰 영향을 미치는 격차 때문이다. 바로 데이터 과학자와 비즈니스 간 부적절한 커뮤니케이션이다.  IDC에서 진행한 설문조사 결과도 데이터 과학자와 비즈니스 간 지속적인 인게이지먼트가 중요하다고 말한다. 따라서 기업들은 즉시 사용할 수 있는 솔루션을 찾게 됐고, 바로 여기에서 ML옵스가 등장한다.  ML옵스 전략은 다음에 중점을 둔다. • 신속한 처리를 위해 데이터 추출, 모델 생성, 배포 및 모니터링에 엔드투엔드 가시성 제공 • 버전 관리 데이터 및 메타데이터 등 관련 아티팩트를 모두 저장해 프로덕션 모델의 감사 및 복제 시간 단축 • 변화하는 환경 및 요건에 따른 손쉬운 모델 재학습 • 빠르고 안전하며 정확한 ML 시스템 테스트 하지만 ML 모델을 개발, 구축 또는 학습시키는 것은 주요한 병목 요인이 아니다. 프로덕션 환경에서 큰 중단 없이 지속적인 운영을 위한 통합 AI 시스템을 구축하는 것이 실질적인 과제다.  예를 들면 ML 솔루션을 온디맨드 방식으로 배포해야 하는 조직은 실험 코드를 반복적으로 다시 작성할 수밖에 없다. 이 접근법은 애매해서 성공으로 끝날 수도 있고 그렇지 않을 수도 있다. 이게 바로 ML옵스가 해결하려고 하는 것이다.  간단히 말해, ML 모델용 ...

2021.07.26

기고 | 내부 데이터옵스팀 구축하기··· ‘7가지 조언’

많은 기업들이 데이터를 더 현명하게, 더 생산적으로 활용하기 원한다. 데이터옵스(Dataops)에 탄력이 붙고 있는 배경이다. 또 예측 모델 생성, 소비자 행동에 대한 인사이트 강화, 사이버 위협 감지 및 관리 등의 과제 관리에 머신러닝을 사용하는 사례가 증가하면서 데이터옵스(데이터 관리)의 중요성이 높아지고 있다. 정교한 데이터 세트를 신속히 자동으로, 또는 반자동으로 조사할 수 있는 변화를 도입할 수 있는 비즈니스는 강력한 시장 경쟁력을 얻게 될 것이다. 기업들이 더 강력하고 발전된 분석이라는 도전과제를 고려하는 가운데, 일부는 ‘서비스로서의 데이터옵스’(Dataops-as-a-service)를 도입하고 있다. 이는 기업 데이터 활용 업무를 아웃소싱 한다는 의미이다.  이 방법으로 인재와 관련된 일부 문제를 해결하고, 데이터 분석 여정에 박차를 가할 수 있지만, 동시에 위험도 수반된다. 데이터 분석 이면에 존재하는 비즈니스 동인이 외주 기업과 공유되기 어렵다는 점이다. 자칫하면 기업의 데이터 니즈를 아웃소싱 해도 필요한 데이터 인텔리전스를 얻을 수 없게 된다. 여기에 데이터 보호 관련 위험이 커질 수 있다. 다른 선택지가 있다. 내부 데이터옵스 팀을 구축하는 것이다. 물론 이 방식에도 도전과제가 따른다. 또 적합한 팀 구성원을 찾거나, 좋은 데브옵스 이니셔티브를 모방하는 것 이상이 필요하다. 그러나 이렇게 노력할 가치가 있다. 잘 수행된 데이터옵스 이니셔티브는 BI와 경쟁력을 강화해주고, 데이터의 정확성을 높여주며, 한 장소에서 데이터와 개발 관련 정보들을 결합해 제품의 결함을 줄여준다. 다음은 성과를 내는 내부 데이터옵스 이니셔티브를 만드는 7가지 방법이다. 데브옵스 문화를 활용 데브옵스 문화와 관행이 정착된 기업은 데이터옵스를 구현할 때 이점을 갖고 있다.  더 큰 비즈니스 목표에 집중하기 위해 개발과 운영 팀을 통합한다는 힘든 과업을 완수한 기업들이다. 즉 이러한 기업들은 데이터 전문가를 추가해 데이터옵스 이니셔티브를 만들...

데이터옵스 데이터 운영 데브옵스

2021.07.19

많은 기업들이 데이터를 더 현명하게, 더 생산적으로 활용하기 원한다. 데이터옵스(Dataops)에 탄력이 붙고 있는 배경이다. 또 예측 모델 생성, 소비자 행동에 대한 인사이트 강화, 사이버 위협 감지 및 관리 등의 과제 관리에 머신러닝을 사용하는 사례가 증가하면서 데이터옵스(데이터 관리)의 중요성이 높아지고 있다. 정교한 데이터 세트를 신속히 자동으로, 또는 반자동으로 조사할 수 있는 변화를 도입할 수 있는 비즈니스는 강력한 시장 경쟁력을 얻게 될 것이다. 기업들이 더 강력하고 발전된 분석이라는 도전과제를 고려하는 가운데, 일부는 ‘서비스로서의 데이터옵스’(Dataops-as-a-service)를 도입하고 있다. 이는 기업 데이터 활용 업무를 아웃소싱 한다는 의미이다.  이 방법으로 인재와 관련된 일부 문제를 해결하고, 데이터 분석 여정에 박차를 가할 수 있지만, 동시에 위험도 수반된다. 데이터 분석 이면에 존재하는 비즈니스 동인이 외주 기업과 공유되기 어렵다는 점이다. 자칫하면 기업의 데이터 니즈를 아웃소싱 해도 필요한 데이터 인텔리전스를 얻을 수 없게 된다. 여기에 데이터 보호 관련 위험이 커질 수 있다. 다른 선택지가 있다. 내부 데이터옵스 팀을 구축하는 것이다. 물론 이 방식에도 도전과제가 따른다. 또 적합한 팀 구성원을 찾거나, 좋은 데브옵스 이니셔티브를 모방하는 것 이상이 필요하다. 그러나 이렇게 노력할 가치가 있다. 잘 수행된 데이터옵스 이니셔티브는 BI와 경쟁력을 강화해주고, 데이터의 정확성을 높여주며, 한 장소에서 데이터와 개발 관련 정보들을 결합해 제품의 결함을 줄여준다. 다음은 성과를 내는 내부 데이터옵스 이니셔티브를 만드는 7가지 방법이다. 데브옵스 문화를 활용 데브옵스 문화와 관행이 정착된 기업은 데이터옵스를 구현할 때 이점을 갖고 있다.  더 큰 비즈니스 목표에 집중하기 위해 개발과 운영 팀을 통합한다는 힘든 과업을 완수한 기업들이다. 즉 이러한 기업들은 데이터 전문가를 추가해 데이터옵스 이니셔티브를 만들...

2021.07.19

블로그 | 클라우드 데이터를 이전하고 개선하는 가장 확실한 방법

종종 듣는 질문 중 하나가 “어떻게 하면 데이터를 클라우드에 재배치하고, 데이터베이스와 애플리케이션, 보안, 거버넌스, 데이터옵스를 개선할 수 있을까?”라는 것이다. 모두가 데이터를 이전하고 자동으로 데이터의 상태를 개선하는 지름길이나 마법의 툴을 찾고 있다. 하지만 유감스럽게도 그런 마법은 없다.   한편으로는 마법이 아닌 마이그레이션 과정이 성공을 위한 최고의 한 수를 제공한다. 그 프로세스를 살펴보기 전에, 미리 알려줄 것이 있다.  먼저, 클라우드로의 데이터 재배치에는 폭포수 방법론을 사용하지 않는다. 특정 작업은 다음 작업으로 넘어가기 전에 끝내야 하지만, 다 그런 것은 아니다. 의존성이 있는 것은 분명하지만, 다음에 소개하는 일련의 작업 중 어떤 것이든 마음대로 해도 된다. 둘째, 처음부터 제대로 하려면 적합한 인력을 갖추고 프로세스를 따라야 한다. 데이터베이스, 보안, 운영, 거버넌스, 클라우드 전용 서비스 등의 전문가가 필요한데, 지금은 이런 인력을 찾는 것이 어렵다. 마지막으로 여기 소개하는 것은 일반화된 접근법이다. 따라서 실제 환경에 따라 몇몇은 추가하거나 없애야 한다. 예를 들어, 의료기관이라면, 데이터를 사용하고 이전하고 배치하는 데 있어서 컴플라이언스와 거버넌스 문제를 좀 더 신경 써야 한다.  이 세 가지를 염두에 두고 다음 프로세스를 따라 진행하기 바란다. 1. 데이터의 현재 상태를 평가한다. 모델(객체, 관계형, 인메모리, 특수용 등)부터 메타데이터, 애플리케이션 연결, 요구사항(보안, 거버넌스, BC/DR, 관리)까지 평가한다.  2. 리던던시를 줄이고 효율성을 높일 수 있는 부분을 찾는다. 이 과정은 한 모델에서 다른 모델로(관계형에서 객체 데이터베이스로) 이전하는 것이라 큰 영향을 미칠 수 있다. 애플리케이션 리팩터링이나 모든 데이터 구조의 일반화, 신뢰할 수 있는 단일 소스 정의 등이 필요하기 때문이다. 보안과 거버넌스, 데이터옵스도 고려해야 하는데, 분명히 하자면, 이들은...

마이그레이션 데이터베이스 데이터옵스

2020.12.15

종종 듣는 질문 중 하나가 “어떻게 하면 데이터를 클라우드에 재배치하고, 데이터베이스와 애플리케이션, 보안, 거버넌스, 데이터옵스를 개선할 수 있을까?”라는 것이다. 모두가 데이터를 이전하고 자동으로 데이터의 상태를 개선하는 지름길이나 마법의 툴을 찾고 있다. 하지만 유감스럽게도 그런 마법은 없다.   한편으로는 마법이 아닌 마이그레이션 과정이 성공을 위한 최고의 한 수를 제공한다. 그 프로세스를 살펴보기 전에, 미리 알려줄 것이 있다.  먼저, 클라우드로의 데이터 재배치에는 폭포수 방법론을 사용하지 않는다. 특정 작업은 다음 작업으로 넘어가기 전에 끝내야 하지만, 다 그런 것은 아니다. 의존성이 있는 것은 분명하지만, 다음에 소개하는 일련의 작업 중 어떤 것이든 마음대로 해도 된다. 둘째, 처음부터 제대로 하려면 적합한 인력을 갖추고 프로세스를 따라야 한다. 데이터베이스, 보안, 운영, 거버넌스, 클라우드 전용 서비스 등의 전문가가 필요한데, 지금은 이런 인력을 찾는 것이 어렵다. 마지막으로 여기 소개하는 것은 일반화된 접근법이다. 따라서 실제 환경에 따라 몇몇은 추가하거나 없애야 한다. 예를 들어, 의료기관이라면, 데이터를 사용하고 이전하고 배치하는 데 있어서 컴플라이언스와 거버넌스 문제를 좀 더 신경 써야 한다.  이 세 가지를 염두에 두고 다음 프로세스를 따라 진행하기 바란다. 1. 데이터의 현재 상태를 평가한다. 모델(객체, 관계형, 인메모리, 특수용 등)부터 메타데이터, 애플리케이션 연결, 요구사항(보안, 거버넌스, BC/DR, 관리)까지 평가한다.  2. 리던던시를 줄이고 효율성을 높일 수 있는 부분을 찾는다. 이 과정은 한 모델에서 다른 모델로(관계형에서 객체 데이터베이스로) 이전하는 것이라 큰 영향을 미칠 수 있다. 애플리케이션 리팩터링이나 모든 데이터 구조의 일반화, 신뢰할 수 있는 단일 소스 정의 등이 필요하기 때문이다. 보안과 거버넌스, 데이터옵스도 고려해야 하는데, 분명히 하자면, 이들은...

2020.12.15

정의부터 구축 방법까지··· '데이터옵스' 한눈에 살펴보기 

‘데이터옵스(DataOps)’는 데브옵스 팀과 데이터 엔지니어, 데이터 과학자 역할을 결합해 데이터 중심 기업에 필요한 도구, 프로세스, 조직 체계를 제공한다.    데이터옵스란 무엇인가? 데이터옵스란 애널리틱스를 개발하고 제공하기 위한 애자일하고 프로세스 지향적인 방법론이다. 데브옵스 팀과 데이터 엔지니어, 데이터 과학자 역할을 결합해 데이터 중심 기업을 지원하는 도구, 프로세스, 조직 체계를 제공한다.  포레스터의 부사장 겸 수석 애널리스트 미셸 고에츠는 “모든 기술 계층에서 비즈니스 가치를 창출하기 위해 솔루션을 구축하고, 데이터 제품을 개발하며, 데이터를 활성화하는 역량이 바로 데이터옵스다”라고 정의했다.  -> 데브옵스와 분석의 결합··· '데이터옵스'를 아시나요? -> '애자일과 데이터 관리의 결합'··· '데이터옵스'의 정의와 주요 기술 데이터옵스의 목표 美 데이터 교육 기관 데이터버시티(Dataversity)에 따르면 데이터옵스의 목표는 데이터와 데이터 애널리틱스를 토대로 애플리케이션 설계, 개발, 유지관리를 간소화하는 것이다. 또한 데이터 관리 및 제품 개발 방식을 개선하고 이러한 개선사항을 비즈니스 목표에 맞게 조정하는 것이다.   데이터옵스 vs. 데브옵스 데브옵스는 개발팀과 운영팀을 제품 또는 서비스를 담당하는 단일 유닛으로 통합해 시스템 개발 생애주기 동안 지속적인 전달 및 배포(CD)를 제공하는 소프트웨어 개발 방법론이다.   데이터옵스는 이 방법론을 기반으로 하지만 여기에 데이터 애널리스트, 데이터 개발자, 데이터 엔지니어, 데이터 과학자 등 ‘데이터 전문가’를 추가해 협력적인 방식으로 데이터 흐름을 개발하고, 조직 전체에서 데이터를 지속적으로 사용하는 데 중점을 둔다.  HPE가 지난해 인수한 맵알(MapR)의 CTO 테드 더닝은 “점점 더 많은 사람이 개발과 시스템에 일종의 데이터 과학 기능을 통합하고 있다. 따라서 이제 데브...

데브옵스 데이터옵스 데이터 데이터 과학 데이터 애널리틱스 애자일

2020.12.02

‘데이터옵스(DataOps)’는 데브옵스 팀과 데이터 엔지니어, 데이터 과학자 역할을 결합해 데이터 중심 기업에 필요한 도구, 프로세스, 조직 체계를 제공한다.    데이터옵스란 무엇인가? 데이터옵스란 애널리틱스를 개발하고 제공하기 위한 애자일하고 프로세스 지향적인 방법론이다. 데브옵스 팀과 데이터 엔지니어, 데이터 과학자 역할을 결합해 데이터 중심 기업을 지원하는 도구, 프로세스, 조직 체계를 제공한다.  포레스터의 부사장 겸 수석 애널리스트 미셸 고에츠는 “모든 기술 계층에서 비즈니스 가치를 창출하기 위해 솔루션을 구축하고, 데이터 제품을 개발하며, 데이터를 활성화하는 역량이 바로 데이터옵스다”라고 정의했다.  -> 데브옵스와 분석의 결합··· '데이터옵스'를 아시나요? -> '애자일과 데이터 관리의 결합'··· '데이터옵스'의 정의와 주요 기술 데이터옵스의 목표 美 데이터 교육 기관 데이터버시티(Dataversity)에 따르면 데이터옵스의 목표는 데이터와 데이터 애널리틱스를 토대로 애플리케이션 설계, 개발, 유지관리를 간소화하는 것이다. 또한 데이터 관리 및 제품 개발 방식을 개선하고 이러한 개선사항을 비즈니스 목표에 맞게 조정하는 것이다.   데이터옵스 vs. 데브옵스 데브옵스는 개발팀과 운영팀을 제품 또는 서비스를 담당하는 단일 유닛으로 통합해 시스템 개발 생애주기 동안 지속적인 전달 및 배포(CD)를 제공하는 소프트웨어 개발 방법론이다.   데이터옵스는 이 방법론을 기반으로 하지만 여기에 데이터 애널리스트, 데이터 개발자, 데이터 엔지니어, 데이터 과학자 등 ‘데이터 전문가’를 추가해 협력적인 방식으로 데이터 흐름을 개발하고, 조직 전체에서 데이터를 지속적으로 사용하는 데 중점을 둔다.  HPE가 지난해 인수한 맵알(MapR)의 CTO 테드 더닝은 “점점 더 많은 사람이 개발과 시스템에 일종의 데이터 과학 기능을 통합하고 있다. 따라서 이제 데브...

2020.12.02

절차 간소화부터 자동화까지··· 앱 모니터링 개선하는 AI옵스

데브옵스(DevOps)와 SRE(Site Reliability Engineering)는 애플리케이션을 관리 및 유지하는 데 필수적이다. 여기에 더해 AI옵스가 효율성을 한 단계 더 높일 수 있다. IT 운영팀은 시스템 및 애플리케이션의 성능 문제를 여러 툴을 사용해 모니터링, 진단, 해결한다. 1,300 명의 IT 전문가를 대상으로 한 ‘모니터링 및 AI옵스의 미래(future of monitoring and AIops)’에 관한 최근 설문조사에 따르면 응답자의 42%가 10가지 이상의 모니터링 툴을, 19%는 25가지 이상의 툴을 사용한다.  단지 시스템을 원활하게 운영하고 애플리케이션 오류를 모니터링, 알림, 조사, 해결하는 데 필요한 데이터를 제공하는 것치고는 너무 많은 도구들을 사용하는 것이 아닐까?    여기에는 이유가 있다. 만능 모니터링 툴이 없기 때문이다. 수십 개의 모니터링 툴은 각각 다 하는 역할이 있다. 멀티 클라우드 환경에서 미션 크리티컬 애플리케이션을 구동하는 경우라면 특히 그렇다. 게다가 모바일 앱, 마이크로서비스, 데이터옵스, 데이터 과학에 대한 투자가 진행되면서 도메인별 모니터링 기능을 제공하는 새로운 모니터링 툴까지 등장하고 있다.  AI옵스 플랫폼의 목표는 이런 복잡한 모니터링 툴 환경을 단순화하는 것이다. AI옵스는 높은 수준의 애플리케이션 서비스를 필요로 하는 기업이 모니터링 툴과 IT 운영 워크플로우의 복잡성을 한층 원활하게 처리하는 데 도움을 준다. 이름에서 알 수 있듯 AI옵스는 머신러닝과 자동화 기능을 IT 운영에 제공한다. 이를 통해 오류를 신속하게 해결하고, 성능에 영향을 미치는 운영 추세를 식별하고, 문제 해결에 필요한 절차를 간소화하도록 하기 위해서다.  AI옵스는 새로운 플랫폼이다. 위의 설문조사에서 42%의 응답자가 AI옵스라는 말을 들어본 적이 없거나, IT 운영에 머신러닝을 적용하는 것이 크게 유효하지 않을 것 같다고 밝혔다. 불과 4%만이...

모바일앱 SRE AI옵스 데이터옵스 멀티클라우드 마이크로서비스 데이터과학 머신러닝 데브옵스 IT운영 모니터링 애플리케이션 미션크리티컬

2020.05.06

데브옵스(DevOps)와 SRE(Site Reliability Engineering)는 애플리케이션을 관리 및 유지하는 데 필수적이다. 여기에 더해 AI옵스가 효율성을 한 단계 더 높일 수 있다. IT 운영팀은 시스템 및 애플리케이션의 성능 문제를 여러 툴을 사용해 모니터링, 진단, 해결한다. 1,300 명의 IT 전문가를 대상으로 한 ‘모니터링 및 AI옵스의 미래(future of monitoring and AIops)’에 관한 최근 설문조사에 따르면 응답자의 42%가 10가지 이상의 모니터링 툴을, 19%는 25가지 이상의 툴을 사용한다.  단지 시스템을 원활하게 운영하고 애플리케이션 오류를 모니터링, 알림, 조사, 해결하는 데 필요한 데이터를 제공하는 것치고는 너무 많은 도구들을 사용하는 것이 아닐까?    여기에는 이유가 있다. 만능 모니터링 툴이 없기 때문이다. 수십 개의 모니터링 툴은 각각 다 하는 역할이 있다. 멀티 클라우드 환경에서 미션 크리티컬 애플리케이션을 구동하는 경우라면 특히 그렇다. 게다가 모바일 앱, 마이크로서비스, 데이터옵스, 데이터 과학에 대한 투자가 진행되면서 도메인별 모니터링 기능을 제공하는 새로운 모니터링 툴까지 등장하고 있다.  AI옵스 플랫폼의 목표는 이런 복잡한 모니터링 툴 환경을 단순화하는 것이다. AI옵스는 높은 수준의 애플리케이션 서비스를 필요로 하는 기업이 모니터링 툴과 IT 운영 워크플로우의 복잡성을 한층 원활하게 처리하는 데 도움을 준다. 이름에서 알 수 있듯 AI옵스는 머신러닝과 자동화 기능을 IT 운영에 제공한다. 이를 통해 오류를 신속하게 해결하고, 성능에 영향을 미치는 운영 추세를 식별하고, 문제 해결에 필요한 절차를 간소화하도록 하기 위해서다.  AI옵스는 새로운 플랫폼이다. 위의 설문조사에서 42%의 응답자가 AI옵스라는 말을 들어본 적이 없거나, IT 운영에 머신러닝을 적용하는 것이 크게 유효하지 않을 것 같다고 밝혔다. 불과 4%만이...

2020.05.06

효성인포메이션시스템, 루마다 포트폴리오로 데이터 혁신 지원

효성인포메이션시스템이 오는 12일 서울신라호텔에서 개최하는 클라우데라 세션 2019(Cloudera Sessions 2019)에 참가한다. 루마다 포트폴리오를 통해 다양한 산업 분야 고객들의 데이터 혁신을 가속화할 수 있는 전략을 제시할 계획이다.  2017년 출시한 루마다는 모든 산업에서 모든 유형의 데이터를 지원하는 데이터 관리 및 애플리케이션 플랫폼으로 발전하였으며 최근까지 에지(edge)와 클라우드 관련 새로운 기능들을 추가해 왔다. 두 차례에 걸쳐 가트너로부터 산업용 사물인터넷(IoT) 플랫폼 부문 비저너리(visionary) 등급으로 선정되기도 했다.    효성인포메이션시스템이 최근 발표한 루마다 포트폴리오는 빅데이터 처리와 분석 플랫폼인 ‘펜타호’의 업그레이드와 더불어 ‘루마다 데이터 레이크’, ‘루마다 엣지 인텔리전스’, ‘루마다 데이터 옵티마이저’ 등의 라인업을 강화할 예정이다. 루마다 포트폴리오는 빅데이터 분석부터 IoT 데이터 파이프라인, 머신러닝 자동화(Auto ML)까지 지원할 수 있게 됐다.  지능형 데이터 운영 방식인 데이터옵스(DataOps)를 통해 최적의 데이터를 적시 적소에 제공하며 기업의 효율성 개선과 빠른 혁신 실행을 돕는다. 특히 머신러닝 자동화, AI를 활용하여 고객 산업 현장의 전체 라이프사이클에 걸쳐 운영의 최적화 및 예측 정비, 품질 개선 등의 이점을 제공한다.  효성인포메이션시스템 정태수 대표이사는 “데이터 혁신을 위해서는 실질적 방법론과 풍부한 경험을 지닌 파트너와 협력하는 것이 성공의 핵심이다”라며 “효성인포메이션시스템은 다양한 프로젝트를 통해 쌓아온 실질적인 노하우로 최적화된 데이터 혁신 전략을 제시하겠다”라고 밝혔다. ciokr@idg.co.kr

클라우드 루마다포트폴리오 데이터혁신 루마다 데이터옵스 머신러닝 사물인터넷 효성인포메이션시스템 인공지능 빅데이터 데이터 머신러닝자동화

2019.11.05

효성인포메이션시스템이 오는 12일 서울신라호텔에서 개최하는 클라우데라 세션 2019(Cloudera Sessions 2019)에 참가한다. 루마다 포트폴리오를 통해 다양한 산업 분야 고객들의 데이터 혁신을 가속화할 수 있는 전략을 제시할 계획이다.  2017년 출시한 루마다는 모든 산업에서 모든 유형의 데이터를 지원하는 데이터 관리 및 애플리케이션 플랫폼으로 발전하였으며 최근까지 에지(edge)와 클라우드 관련 새로운 기능들을 추가해 왔다. 두 차례에 걸쳐 가트너로부터 산업용 사물인터넷(IoT) 플랫폼 부문 비저너리(visionary) 등급으로 선정되기도 했다.    효성인포메이션시스템이 최근 발표한 루마다 포트폴리오는 빅데이터 처리와 분석 플랫폼인 ‘펜타호’의 업그레이드와 더불어 ‘루마다 데이터 레이크’, ‘루마다 엣지 인텔리전스’, ‘루마다 데이터 옵티마이저’ 등의 라인업을 강화할 예정이다. 루마다 포트폴리오는 빅데이터 분석부터 IoT 데이터 파이프라인, 머신러닝 자동화(Auto ML)까지 지원할 수 있게 됐다.  지능형 데이터 운영 방식인 데이터옵스(DataOps)를 통해 최적의 데이터를 적시 적소에 제공하며 기업의 효율성 개선과 빠른 혁신 실행을 돕는다. 특히 머신러닝 자동화, AI를 활용하여 고객 산업 현장의 전체 라이프사이클에 걸쳐 운영의 최적화 및 예측 정비, 품질 개선 등의 이점을 제공한다.  효성인포메이션시스템 정태수 대표이사는 “데이터 혁신을 위해서는 실질적 방법론과 풍부한 경험을 지닌 파트너와 협력하는 것이 성공의 핵심이다”라며 “효성인포메이션시스템은 다양한 프로젝트를 통해 쌓아온 실질적인 노하우로 최적화된 데이터 혁신 전략을 제시하겠다”라고 밝혔다. ciokr@idg.co.kr

2019.11.05

2020년 비즈니스 지형을 뒤흔들 8가지 기술

기술 변화의 속도가 거의 모든 산업에 지대한 영향을 미쳤다. 최근에는 새롭게 부상하는 기술에 보조를 맞추는 것만으로 부족하다. 여기에 앞서 나가야 한다. 특히 앞으로는 새롭게 진화한 데이터 활용 방식이 기업의 중심 무대를 차지할 전망이다. 기업은 더 나은 비즈니스 의사결정을 내리기 위해 신속하면서도 효율적으로 데이터를 활용하는 방법을 찾으려 시도하고, 점점 더 많은 기업들이 인공지능과 엣지 컴퓨팅, 소프트웨어 로봇 분야의 혁신을 경쟁 우위로 활용하려 시도할 것이다. 이렇게 새롭게 부상하는 트렌드를 예상하지 못한 기업들은 빠르게 도태되는 위험을 직면하게 된다. 우리는 기업들이 투자해야 할 분야에 대한 이해를 돕기 위해, 여러 기술 전문가들에게 디지털 트랜스포메이션을 추진하는 다양한 기업들에 영향을 초래할 확률이 높은 기술에 대해 물었다. 이 분야의 전문가들은 주시해야 할 기술 분야를 선정했으며, 이런 파괴적 혁신 기술 도입이 갖는 의미에 대한 통찰력을 제시했다.   로봇 프로세스 자동화(RPA) 아주 단순한 개념이 기업에 큰 혜택을 전달하고 있다. 판에 박힌 비즈니스 프로세스를 소프트웨어 로봇에 맡겨 자동화한다는 개념이다. 로봇 프로세스 자동화(RPA)로 불리는 기술이며, 이미 조기 도입한 기업의 워크플로우 능률화에 긍정적인 영향을 끼쳤다. 많은 이들이 예상했던 것보다 빠른 시기에 이런 영향이 발생했다.   보스턴 소재 앱네타(AppNeta)의 매트 스티븐스 CEO는 “로봇 프로세스 자동화의 발전 속도가 빠르고, 기능적인 효용도 우수하다. 이렇게 빨리 이 정도 수준의 인텔리전스와 기능이 구현될 것으로 예상하지 못했었다”라고 말했다. 가트너에 따르면, 전세계적으로 RPA 시장은 다른 엔터프라이즈 소프트웨어보다 훨씬 더 빠르게 성장하고 있다. 구체적으로 올해 RPA 시장의 매출은 13억 달러에 도달할 전망이다. 지난해의 경우, 63% 성장한 8억 4,600만 달러 시장이었다.  레이저피체(Laserfiche)의 토마스 펠프스 ...

2020 데이터옵스 엣지 컴퓨팅 콘테이너 혼합현실 RPA 몰입 경험 UC EX

2019.08.28

기술 변화의 속도가 거의 모든 산업에 지대한 영향을 미쳤다. 최근에는 새롭게 부상하는 기술에 보조를 맞추는 것만으로 부족하다. 여기에 앞서 나가야 한다. 특히 앞으로는 새롭게 진화한 데이터 활용 방식이 기업의 중심 무대를 차지할 전망이다. 기업은 더 나은 비즈니스 의사결정을 내리기 위해 신속하면서도 효율적으로 데이터를 활용하는 방법을 찾으려 시도하고, 점점 더 많은 기업들이 인공지능과 엣지 컴퓨팅, 소프트웨어 로봇 분야의 혁신을 경쟁 우위로 활용하려 시도할 것이다. 이렇게 새롭게 부상하는 트렌드를 예상하지 못한 기업들은 빠르게 도태되는 위험을 직면하게 된다. 우리는 기업들이 투자해야 할 분야에 대한 이해를 돕기 위해, 여러 기술 전문가들에게 디지털 트랜스포메이션을 추진하는 다양한 기업들에 영향을 초래할 확률이 높은 기술에 대해 물었다. 이 분야의 전문가들은 주시해야 할 기술 분야를 선정했으며, 이런 파괴적 혁신 기술 도입이 갖는 의미에 대한 통찰력을 제시했다.   로봇 프로세스 자동화(RPA) 아주 단순한 개념이 기업에 큰 혜택을 전달하고 있다. 판에 박힌 비즈니스 프로세스를 소프트웨어 로봇에 맡겨 자동화한다는 개념이다. 로봇 프로세스 자동화(RPA)로 불리는 기술이며, 이미 조기 도입한 기업의 워크플로우 능률화에 긍정적인 영향을 끼쳤다. 많은 이들이 예상했던 것보다 빠른 시기에 이런 영향이 발생했다.   보스턴 소재 앱네타(AppNeta)의 매트 스티븐스 CEO는 “로봇 프로세스 자동화의 발전 속도가 빠르고, 기능적인 효용도 우수하다. 이렇게 빨리 이 정도 수준의 인텔리전스와 기능이 구현될 것으로 예상하지 못했었다”라고 말했다. 가트너에 따르면, 전세계적으로 RPA 시장은 다른 엔터프라이즈 소프트웨어보다 훨씬 더 빠르게 성장하고 있다. 구체적으로 올해 RPA 시장의 매출은 13억 달러에 도달할 전망이다. 지난해의 경우, 63% 성장한 8억 4,600만 달러 시장이었다.  레이저피체(Laserfiche)의 토마스 펠프스 ...

2019.08.28

'애자일과 데이터 관리의 결합'··· '데이터옵스'의 정의와 주요 기술

대부분 기업이 데이터로 많은 것을 시도하고 있다. 데이터 사이언스 프로그램, 셀프 서비스 비즈니스 인텔리전스 툴, 인공지능 프로그램, 데이터 지향적 의사 결정 등에 집중적으로 투자하고 있다.   데이터 시각화를 웹과 모바일 제품에 내장하거나 센서(사물 인터넷), 웨어러블, 제3자 API로부터 새로운 형태의 데이터를 수집해 고객용 애플리케이션을 개발하기도 한다. 문서, 이미지, 비디오, 구어 등 구조화되지 않은 데이터 소스로부터 얻은 정보를 이용하고 있는 기업도 있다. 데이터 및 분석에 대한 업무의 상당 부분은 충분한 가치가 있다. 의사 결정에 사용하는 대시보드, 보고서, 기타 데이터 시각화, 데이터 사이언티스트가 결과를 예측하기 위해 생성하는 모델, 데이터, 분석, 모델이 통합된 애플리케이션 등이 모두 포함된다. 이처럼 사람들이 데이터를 분석해 애플리케이션을 형성한 후 최종 사용자에게 제공하기 위해 필요한 기본적인 데이터 운영 작업 이른바 '데이터옵스(DataOps)'라고 한다. 구체적으로는 데이터 소싱, 처리, 정리, 관리를 위한 모든 작업에 포함된다. 데이터 통합, 데이터 랭글링(Data Wrangling), ETL(Extract, Transform, Load), 데이터 준비, 데이터 품질, 마스터 데이터 관리, 데이터 마스킹(Data Masking), 데이터 관리 등 복잡한 전문 용어로 표현하는 작업이 해당한다. 하지만 자동차가 단순히 부품의 결합이 아닌 것처럼 이런 기능을 모은다고 해서 데이터옵스가 되는 것은 아니다. 데이터옵스는 현실적으로 임원, 데이터 사이언티스트, 애플리케이션 등 데이터 사용자가 데이터로부터 비즈니스 가치를 제공할 수 있도록 하는 일련의 데이터 관리 활동을 가리키는 포괄적인 용어다. 데이터옵스와 기타 기술 활동 사이의 관계 데이터옵스는 데이터 처리 지표 및 품질에 있어서 반복적인 개선을 유도하기 때문에 일부 애자일 방법론을 공유한다. 특히 데이터 흐름 자동화, 더 빈번한 데이터 처리 능력의 변화 활성화, 데이터...

애자일 데브옵스 데이터옵스 DataOps

2019.06.25

대부분 기업이 데이터로 많은 것을 시도하고 있다. 데이터 사이언스 프로그램, 셀프 서비스 비즈니스 인텔리전스 툴, 인공지능 프로그램, 데이터 지향적 의사 결정 등에 집중적으로 투자하고 있다.   데이터 시각화를 웹과 모바일 제품에 내장하거나 센서(사물 인터넷), 웨어러블, 제3자 API로부터 새로운 형태의 데이터를 수집해 고객용 애플리케이션을 개발하기도 한다. 문서, 이미지, 비디오, 구어 등 구조화되지 않은 데이터 소스로부터 얻은 정보를 이용하고 있는 기업도 있다. 데이터 및 분석에 대한 업무의 상당 부분은 충분한 가치가 있다. 의사 결정에 사용하는 대시보드, 보고서, 기타 데이터 시각화, 데이터 사이언티스트가 결과를 예측하기 위해 생성하는 모델, 데이터, 분석, 모델이 통합된 애플리케이션 등이 모두 포함된다. 이처럼 사람들이 데이터를 분석해 애플리케이션을 형성한 후 최종 사용자에게 제공하기 위해 필요한 기본적인 데이터 운영 작업 이른바 '데이터옵스(DataOps)'라고 한다. 구체적으로는 데이터 소싱, 처리, 정리, 관리를 위한 모든 작업에 포함된다. 데이터 통합, 데이터 랭글링(Data Wrangling), ETL(Extract, Transform, Load), 데이터 준비, 데이터 품질, 마스터 데이터 관리, 데이터 마스킹(Data Masking), 데이터 관리 등 복잡한 전문 용어로 표현하는 작업이 해당한다. 하지만 자동차가 단순히 부품의 결합이 아닌 것처럼 이런 기능을 모은다고 해서 데이터옵스가 되는 것은 아니다. 데이터옵스는 현실적으로 임원, 데이터 사이언티스트, 애플리케이션 등 데이터 사용자가 데이터로부터 비즈니스 가치를 제공할 수 있도록 하는 일련의 데이터 관리 활동을 가리키는 포괄적인 용어다. 데이터옵스와 기타 기술 활동 사이의 관계 데이터옵스는 데이터 처리 지표 및 품질에 있어서 반복적인 개선을 유도하기 때문에 일부 애자일 방법론을 공유한다. 특히 데이터 흐름 자동화, 더 빈번한 데이터 처리 능력의 변화 활성화, 데이터...

2019.06.25

최고의 데이터 관리 숙제는 '보안' <451 리서치>

451 리서치가 데이터 관리 전문가를 대상으로 한 조사에 따르면, 데이터양이 늘어나면서 보안이 가장 큰 골칫거리가 됐다.    기업들은 점점 더 많은 양의 데이터를 수집하고 분석해 서비스와 의사 결정을 개선하고 있다. 그러나 새로운 조사에 따르면 조직 내부의 데이터 관리 자동화에는 여러 가지 문제가 있으며 그 가운데 보안은 가장 중요한 문제로 간주됐다. 데이터옵스(DataOps)라고도 하는 데이터 관리 자동화는 데이터의 수집, 저장, 접근, 분석을 단순화하여 민첩하고 데이터 중심의 비즈니스 의사 결정과 제품 개발을 가능하게 하는 여러 기술과 프로세스의 사용을 뜻한다. 문제는 보안을 고려한 전략을 수립하지 않으면 재무적 손실을 초래하고 명성에 부정적인 영향을 줄 수 있는 심각한 데이터 유출 사고가 발생할 위험이 있다는 데 있다. 지난 수년 동안 많은 대기업은 해킹이 아니라 아마존 S3 버킷, 엘라스틱서치 노드, 몽고DB 데이터베이스, 하둡 배포 등 다양한 데이터 관련 기술을 보호하지 못한 탓에 데이터 유출을 경험했다. 최근 발표된 451 리서치 조사에 따르면 응답자의 2/3는 데이터 관리와 관련하여 보안과 규정 준수를 가장 큰 과제로 꼽았다. 그다음은 데이터 품질, 분산 데이터 관리, 내부 데이터 접근, 데이터 파이프라인 신뢰성과 관련된 문제가 지목됐다. 데이터 프라이버시 관련 컴플라이언스 요건 이해도 응답자의 40%가 지목한 해결 과제였다. 이 설문조사에는 임직원 수 1,000명 이상으로 최소 2페타바이트의 관리 데이터를 보유하고 있으며 조직의 데이터 관리 전략을 잘 이해하고 있는 미국 기반 조직에 속한 150명이 참여했다. 또한 이들은 은행, 의료, 기술, 제조, 소매업, 정부, 보험, 통신 등 다양한 산업에 속해 있다. 응답자의 약 1/5은 데이터옵스가 이미 기업 문화로 자리잡았다고 생각했고, 37%는 다양한 부서에서 데이터옵스를 수용하는 과정에 있으며, 34%는 데이터옵스 전략을 정립하고 있다고 밝혔다.  데이터가 ...

CSO DataOps 데이터옵스 451 리서치 스파크 몽고DB 하둡 아파치 데이터베이스 설문조사 데이터 관리 자동화

2019.02.08

451 리서치가 데이터 관리 전문가를 대상으로 한 조사에 따르면, 데이터양이 늘어나면서 보안이 가장 큰 골칫거리가 됐다.    기업들은 점점 더 많은 양의 데이터를 수집하고 분석해 서비스와 의사 결정을 개선하고 있다. 그러나 새로운 조사에 따르면 조직 내부의 데이터 관리 자동화에는 여러 가지 문제가 있으며 그 가운데 보안은 가장 중요한 문제로 간주됐다. 데이터옵스(DataOps)라고도 하는 데이터 관리 자동화는 데이터의 수집, 저장, 접근, 분석을 단순화하여 민첩하고 데이터 중심의 비즈니스 의사 결정과 제품 개발을 가능하게 하는 여러 기술과 프로세스의 사용을 뜻한다. 문제는 보안을 고려한 전략을 수립하지 않으면 재무적 손실을 초래하고 명성에 부정적인 영향을 줄 수 있는 심각한 데이터 유출 사고가 발생할 위험이 있다는 데 있다. 지난 수년 동안 많은 대기업은 해킹이 아니라 아마존 S3 버킷, 엘라스틱서치 노드, 몽고DB 데이터베이스, 하둡 배포 등 다양한 데이터 관련 기술을 보호하지 못한 탓에 데이터 유출을 경험했다. 최근 발표된 451 리서치 조사에 따르면 응답자의 2/3는 데이터 관리와 관련하여 보안과 규정 준수를 가장 큰 과제로 꼽았다. 그다음은 데이터 품질, 분산 데이터 관리, 내부 데이터 접근, 데이터 파이프라인 신뢰성과 관련된 문제가 지목됐다. 데이터 프라이버시 관련 컴플라이언스 요건 이해도 응답자의 40%가 지목한 해결 과제였다. 이 설문조사에는 임직원 수 1,000명 이상으로 최소 2페타바이트의 관리 데이터를 보유하고 있으며 조직의 데이터 관리 전략을 잘 이해하고 있는 미국 기반 조직에 속한 150명이 참여했다. 또한 이들은 은행, 의료, 기술, 제조, 소매업, 정부, 보험, 통신 등 다양한 산업에 속해 있다. 응답자의 약 1/5은 데이터옵스가 이미 기업 문화로 자리잡았다고 생각했고, 37%는 다양한 부서에서 데이터옵스를 수용하는 과정에 있으며, 34%는 데이터옵스 전략을 정립하고 있다고 밝혔다.  데이터가 ...

2019.02.08

텐서플로우 머신러닝을 시작하기 전에 알아야 할 것

머신러닝은 사는 것이 아니라 하는 것이다. DNA에 새길 수 있도록 텐서플로우를 사용해 머신러닝을 실험하라. 머신러닝은 대부부의 조직에 여전히 뜬구름이다. 가트너는 머신러닝을 성공적으로 프로덕션에 도입한 기업을 15% 미만으로 추산한다. 그렇지만 기업은 지금 머신러닝 실험을 시작해 DNA에 새겨야 한다. 맵알(MapR)의 최고 애플리케이션 설계자인 테드 더닝은 이것이 쉬운 일은 아니지만, “완성된 상품을 그냥 돈을 주고 사면 된다고 생각한다면” 애초에 머신러닝 기술을 구입할 자격이 없는 것이라고 지적한다. 더닝은 “머신러닝과 이를 프로덕션에 적용하는 방법을 이미 알고 있는 상태가 아니면 회사의 라이프사이클에 추가되는 복잡성을 제대로 이해하지 못할 가능성이 높다. 반면 이미 경험을 했다면 잘 구성된 머신러닝은 예상 이상의 큰 차별화 요소가 될 수 있다”고 말했다. 텐서플로우와 같은 오픈소스 프로젝트는 기업의 머신러닝 성공 가능성을 비약적으로 높여준다. 텐서플로우의 의미는 고급 수학 교육을 받지 않은 사람도 복잡하고 유용한 모델을 구축할 수 있게 해준다는 데 있다. 따라서 텐서플로우 또는 다른 비슷한 프로젝트는 대부분의 조직에 머신러닝을 향한 최적의 진입로가 된다. 머신러닝과 예측의 어려움 더닝은 머신러닝의 성공률이 낮은 이유에 대해 “머신러닝으로 인해 보편적인 소프트웨어 엔지니어링 방식으로는 해결하기 어려운 새로운 장애물이 발생하기 때문”이라고 말했다. 성공적인 데이터옵스 팀에는 복잡한 커뮤니케이션 라인과 다면적인 개발 프로세스가 따른다. 이러한 복잡성 외에도 머신러닝 시스템에는 “숨겨진, 그리고 극히 모호한 종속성이 쉽게 발생한다”는 점까지 추가되면 일을 그르칠 만한 조건은 완벽히 갖춰진다. 머신러닝의 혜택과 함정을 어느 기업보다 잘 아는 구글은 머신러닝을 사용하는 시스템으로 인해 발생하는 숨겨진 기술적 빚에 대한 글을 게시했다. 이 ...

텐서플로우 데이터옵스

2017.12.15

머신러닝은 사는 것이 아니라 하는 것이다. DNA에 새길 수 있도록 텐서플로우를 사용해 머신러닝을 실험하라. 머신러닝은 대부부의 조직에 여전히 뜬구름이다. 가트너는 머신러닝을 성공적으로 프로덕션에 도입한 기업을 15% 미만으로 추산한다. 그렇지만 기업은 지금 머신러닝 실험을 시작해 DNA에 새겨야 한다. 맵알(MapR)의 최고 애플리케이션 설계자인 테드 더닝은 이것이 쉬운 일은 아니지만, “완성된 상품을 그냥 돈을 주고 사면 된다고 생각한다면” 애초에 머신러닝 기술을 구입할 자격이 없는 것이라고 지적한다. 더닝은 “머신러닝과 이를 프로덕션에 적용하는 방법을 이미 알고 있는 상태가 아니면 회사의 라이프사이클에 추가되는 복잡성을 제대로 이해하지 못할 가능성이 높다. 반면 이미 경험을 했다면 잘 구성된 머신러닝은 예상 이상의 큰 차별화 요소가 될 수 있다”고 말했다. 텐서플로우와 같은 오픈소스 프로젝트는 기업의 머신러닝 성공 가능성을 비약적으로 높여준다. 텐서플로우의 의미는 고급 수학 교육을 받지 않은 사람도 복잡하고 유용한 모델을 구축할 수 있게 해준다는 데 있다. 따라서 텐서플로우 또는 다른 비슷한 프로젝트는 대부분의 조직에 머신러닝을 향한 최적의 진입로가 된다. 머신러닝과 예측의 어려움 더닝은 머신러닝의 성공률이 낮은 이유에 대해 “머신러닝으로 인해 보편적인 소프트웨어 엔지니어링 방식으로는 해결하기 어려운 새로운 장애물이 발생하기 때문”이라고 말했다. 성공적인 데이터옵스 팀에는 복잡한 커뮤니케이션 라인과 다면적인 개발 프로세스가 따른다. 이러한 복잡성 외에도 머신러닝 시스템에는 “숨겨진, 그리고 극히 모호한 종속성이 쉽게 발생한다”는 점까지 추가되면 일을 그르칠 만한 조건은 완벽히 갖춰진다. 머신러닝의 혜택과 함정을 어느 기업보다 잘 아는 구글은 머신러닝을 사용하는 시스템으로 인해 발생하는 숨겨진 기술적 빚에 대한 글을 게시했다. 이 ...

2017.12.15

데브옵스와 분석의 결합··· ‘데이터옵스’를 아시나요?

데이터옵스(DataOps)는 데이터 운영을 의미한다. 개발 운영이라는 뜻의 데브옵스(DevOps)에 데이터 공학자와 데이터 과학자 역할을 결합한 신조어다. 데이터 중심 기업에 필요한 도구와 공정, 조직 구조를 제공하는 것이 목적이다. 맵알 테크놀로지(MapR Technologies)의 최고 응용프로그램 설계자이자 <머신 러닝 로지스틱스(Machine Learning Logistics): 현실 세계에서의 모범 경영>의 공동 저자 테드 더닝은 “데브옵스도 비교적 새로운 개념이지만, 최근에는 여기에 데이터 과학 기능까지 요구되는 사례가 늘고 있다. 이제 데브옵스 팀에는 데이터 중심 사고를 하는 사람이 필수다”라고 말했다. 데이터옵스 원칙 데이터옵스는 데브옵스와 마찬가지로 애자일(agile) 방법론에서 시작한다. 고객 만족을 위해 끊임없이 분석 통찰력을 제공한다. 따라서 데이터옵스 팀이 가장 중시하는 것은 ‘효과적인’ 분석이다. 그들은 분석 성과를 측정하고 변화를 추구하며 시시각각 변하는 고객 요구사항을 지속적으로 이해하고자 한다. 데이터옵스 팀은 목표를 중심으로 스스로 조직한다. ‘영웅주의'는 피하면서, 지속 가능하고 확장 가능한 팀과 공정을 지향한다. 이를 위해 처음부터 끝까지 데이터와 도구, 코드, 환경 전체를 장악하려 한다. 재생산 가능한 결과물은 필수이며, 분석 파이프라인을 군살 뺀 제조 설비와 비슷하게 보는 경향도 있다. 데이터옵스가 적합한 업무 더닝에 따르면 오늘날 기업은 광범위한 제품과 서비스에 머신러닝을 접목하고 있고 이는 데이터옵스의 목표 중 하나이기도 하다. 데이터옵스 방식은 머신러닝의 엔드투엔드(end-to-end) 수요를 맞추기 위한 것이기 때문이다. 예를 들어 데이터 과학자가 머신러닝 분석 모델을 실제 시스템에 적용할 때 필요한 것을 확보하기 위해서는 소프트웨어 공학의 도움을 받는 것이 더 수월하다. 머신러닝 외에도 데이터옵스 방식의 ...

CIO 데브옵스 데이터옵스

2017.11.23

데이터옵스(DataOps)는 데이터 운영을 의미한다. 개발 운영이라는 뜻의 데브옵스(DevOps)에 데이터 공학자와 데이터 과학자 역할을 결합한 신조어다. 데이터 중심 기업에 필요한 도구와 공정, 조직 구조를 제공하는 것이 목적이다. 맵알 테크놀로지(MapR Technologies)의 최고 응용프로그램 설계자이자 <머신 러닝 로지스틱스(Machine Learning Logistics): 현실 세계에서의 모범 경영>의 공동 저자 테드 더닝은 “데브옵스도 비교적 새로운 개념이지만, 최근에는 여기에 데이터 과학 기능까지 요구되는 사례가 늘고 있다. 이제 데브옵스 팀에는 데이터 중심 사고를 하는 사람이 필수다”라고 말했다. 데이터옵스 원칙 데이터옵스는 데브옵스와 마찬가지로 애자일(agile) 방법론에서 시작한다. 고객 만족을 위해 끊임없이 분석 통찰력을 제공한다. 따라서 데이터옵스 팀이 가장 중시하는 것은 ‘효과적인’ 분석이다. 그들은 분석 성과를 측정하고 변화를 추구하며 시시각각 변하는 고객 요구사항을 지속적으로 이해하고자 한다. 데이터옵스 팀은 목표를 중심으로 스스로 조직한다. ‘영웅주의'는 피하면서, 지속 가능하고 확장 가능한 팀과 공정을 지향한다. 이를 위해 처음부터 끝까지 데이터와 도구, 코드, 환경 전체를 장악하려 한다. 재생산 가능한 결과물은 필수이며, 분석 파이프라인을 군살 뺀 제조 설비와 비슷하게 보는 경향도 있다. 데이터옵스가 적합한 업무 더닝에 따르면 오늘날 기업은 광범위한 제품과 서비스에 머신러닝을 접목하고 있고 이는 데이터옵스의 목표 중 하나이기도 하다. 데이터옵스 방식은 머신러닝의 엔드투엔드(end-to-end) 수요를 맞추기 위한 것이기 때문이다. 예를 들어 데이터 과학자가 머신러닝 분석 모델을 실제 시스템에 적용할 때 필요한 것을 확보하기 위해서는 소프트웨어 공학의 도움을 받는 것이 더 수월하다. 머신러닝 외에도 데이터옵스 방식의 ...

2017.11.23

IDG 설문조사

회사명:한국IDG 제호: ITWorld 주소 : 서울시 중구 세종대로 23, 4층 우)04512
등록번호 : 서울 아00743 등록일자 : 2009년 01월 19일

발행인 : 박형미 편집인 : 박재곤 청소년보호책임자 : 한정규
사업자 등록번호 : 214-87-22467 Tel : 02-558-6950

Copyright © 2022 International Data Group. All rights reserved.

10.4.0.13