자산 추적은 간단합니다. 자산에 태그를 부착하고, 위치 이벤트를 수집하여 대시보드에 차트화하면 됩니다.

하지만 실제로는 그렇지 않은 경우가 많다는 점을 유념해야 합니다.

장치가 특정 자산이 제조 구역에서 관찰되었다고 알릴 수는 있지만, 그것이 해당 자산이 사용 가능한지, 특정 고객에게 예약되었는지, 수리가 필요한지 등은 알려주지 않습니다.

이는 곧 자산 추적이 단순히 위치 데이터 이상의 통합 작업이라는 것을 의미합니다.

자산 추적에는 위치 데이터 이상이 있다

1. 추적 이벤트가 운영 상태는 아니다

IoT 장치가 특정 자산이 제조 구역에서 관찰되었다고 선언하는 이벤트를 발생했다고 상상해 봅시다.

이는 유용합니다. 왜냐하면 이제 우리는 해당 자산의 위치(또는 이벤트가 생성되었을 때의 위치)를 알기 때문입니다. 하지만 그 장치는 해당 자산이 사용 가능한지, 유지보수가 필요한지, 재고로 입고되었는지 등 어떤 조건인지는 말해주지 않습니다.

자산에 대한 이러한 운영 인텔리전스를 얻으려면, 추적 시스템에서 오는 이벤트가 비즈니스 로직 및 재고 관리 프로세스와 연관되어야 하는 것이 필수적입니다.

1. 실질적인 아키텍처

자산 가시성 시스템에는 일반적으로 네 가지 논리 계층이 있습니다: 관찰 내용을 읽는 장치 계층(Device layer), 추적 이벤트를 캡처하고 풍부하게 만드는 수집 계층(ingestion layer), 관찰 내용을 관련 시스템(재고, 유지보수, ERP)으로 가져오는 통합 계층(integration layer), 그리고 표현/대시보드/분석 계층(presentation/dashboards/analytics layer).

계층의 구조는 상황, 인프라 및 사용 가능한 도구에 따라 달라질 것입니다.

하지만 원본 관찰 내용과 추론된 운영 상태를 분리하는 것이 절대적으로 중요합니다.

1. 예측 분석보다 데이터 품질이 우선이다

중복 자산, 누락되거나 지연된 관찰 내용, 부정확한 타임스탬프, 그리고 오래된 자산 기록은 데이터 엔지니어가 처리하지 않으면 전체 파일럿을 망칠 수 있는 문제들 중 일부에 불과합니다.

요약하자면, 모델은 잘못된 데이터를 기반으로 항상 정확한 예측을 제공할 것입니다.

어떤 자산 추적 데이터에 머신러닝(ML)을 적용하기 전에, 자산 식별자를 표준화하고, 이벤트가 수집되는지 확인하며, 설명 속성(타임스탬프, 구역 등)으로 이를 풍부하게 만들고, 각 속성의 진실 출처를 어떤 데이터베이스가 담고 있는지 결정하는 것이 필수적입니다.

또한 자산이 어디에 있었는지(마지막 관측 기준)와 현재 어디에 있는지(현재 기록된 값 기준)의 차이를 이해하는 것도 매우 중요합니다.

1. AI는 언제 사용해야 할까요?

자산 추적 애플리케이션을 구축할 때, 결정론적 규칙(deterministic rules)이 잘 정의된 문제를 해결하는 데 있어 ML 규칙보다 더 나은 성능을 보이는 경우가 많다는 점을 기억하는 것이 중요합니다.

만약 목표가 단순히 자산이 있어야 할 곳이 아닌 곳으로 이동했다는 경고를 울리는 것(제조 구역 외부 등)이라면, 간단한 규칙만으로 충분합니다.

ML 알고리즘은 답변해야 할 질문이 “이러한 움직임이 얼마나 자주 발생하며, 어떤 패턴을 따르는가?”일 경우 더 많은 통찰력을 제공할 수 있습니다.

더 구체적으로 말하자면, 모델을 훈련시킬 충분한 데이터셋이 있다면, ML은 특정 장비나 자산 카테고리의 수요 예측(demand forecasts)을 돕는 데 사용할 수 있습니다.

1. 경고를 실행 가능한 조치로 만드세요

경고는 무엇이 일어나고 어떤 자산에 일어났는지 명시할 때만 의미가 있습니다. 발생한 이벤트나 상태에 대한 더 자세한 정보를 제공하고, 이를 해결할 책임자가 누구인지 추천해 줄 수도 있습니다.

예를 들어, 이러한 이동이 예상된 경우(계획된 이전의 일부 등) 자산이 어딘가로 이동했다는 경고를 울리는 것은 실제로 의미가 없습니다. 이는 다음 요점으로도 이어집니다.

1. 결과를 측정하세요

가장 중요한 것은 파일럿 프로젝트의 결과가 구현하는 데 필요한 비용과 시간을 정당화하는지 확인하는 것입니다.

예를 들어, 자산을 찾는 데 필요한 시간을 줄이려고 한다면, 시스템이 운영을 시작하기 전과 후 모두 이 지표를 측정해야 합니다.

응용 분야에 따라 이러한 지표는 자산 검색 시간, 재고 조정 점수, 활용률, 알림 발생 시 취한 조치 건수, 또는 오탐지 경보 비율일 수 있습니다.

항상 여러분이 목격하는 변화가 실제로 파일럿의 결과인지, 아니면 동시에 발생하는 다른 개선 사항 때문인지는 확인해야 합니다.

마지막 생각

보시다시피, 자산 가시성 시스템을 구축하는 것은 단순히 태그를 추적하고 이 정보를 대시보드에 표시하는 것 이상의 문제입니다.

이는 물리적 세계(IoT)의 데이터와 비즈니스 로직 및 규칙을 결합하는 운영 인텔리전스(operational intelligence) 활동입니다. AI를 방대한 양의 데이터에 적용하여 새로운 패턴과 통찰력을 발견하고, 애플리케이션을 사용하여 이 정보를 실행 항목으로 전환함으로써 가치를 창출합니다.

우리는 모든 것을 데이터로 만들려고 하기보다는, 질서와 실행 가능한 통찰력을 제공하는 시스템을 구축하는 것이 매우 중요하다고 믿습니다.

산업 AIoT 벤처의 개발 및 실제 세계 응용 분야에 대한 자세한 정보는 Aperture Venture Studio. 블로그를 방문해 주십시오.

IoT #AI #SoftwareEngineering #DataEngineering #SystemDesign