척척박사 윤박사가 들려주는 AI | 특별편, 지능형 관제 솔루션의 방향과 비전

요약(Abstraction)

 4차 산업혁명 시대에서 인공지능 역할은 기반 산업들의 성공적인 발전을 위해 자동화된 지능형 시스템으로 진화하여 디지털 트랜스포메이션(Digital Transformation)으로 발전시키는 것이다. 디지털 트랜스포메이션으로 진화하기 위해 기존 관제 시스템은 다양한 센서나 에이전트로부터 디지털화된 데이터를 확보하고, 정밀한 의사결정을 지원하기 위해 인공지능 기반의 이상증상 탐지 및 예측 지원 학습 모델을 구성하는 것이다. 의사결정 지원 방법은 논리적 의사결정과 비즈니스적 의사결정으로 구분할 수 있다. 논리적 의사결정은 시스템의 정보를 통해 시스템의 장애 진단과 해결을 위한 정보 제공으로 자동화된 의사결정 수행을 지원한다. 비즈니스적 의사결정은 관리자 또는 경영자의 의사결정을 효과적으로 지원하기 위해 효율적인 판단을 위한 지표 데이터를 예보 형태로 제공하는 구조이다. 그렇기 때문에 관제 시스템에서 인공지능 도입은 비즈니스적 의사결정보다는 논리적 의사결정 중심으로 진행하고 있다. 따라서 본 고에서는 이러한 기능을 갖추기 위한 지능형 관제 솔루션이 디지털 트랜스포메이션으로 진화하기 위한 방향과 비전을 살펴보고자 한다.

1. 서론

 최근, 4차 산업혁명이라는 키워드 아래 다양한 산업분야에서 인공지능 기반의 자동화된 의사결정을 지원하는 지능형 관제 솔루션을 구성하고 있다. 구글은 2016년 데이터센터에 머신러닝 기반의 딥마인드 시스템을 이용하여 서버 구동 방법과 전력, 냉각 장비의 운영을 조정함으로써 에너지 절감 효과를 40% 정도 절감하였다. 이를 통해 수천만 달러의 비용을 절감할 수 있도록 하였다. 또한 벨라트릭스 소프트웨어의 알렉스 로비오 사장은 데이터 센터의 지능화를 위한 노력과 사례를 축적하고 네트워크와 같이 능동적으로 대처할 수 있는 시스템의 머신러닝 도입을 주장하고 있다. 이러한 방향은 지능형 관제 시스템이 디지털 트랜스포메이션 구조로의 전환을 전제로 하고 있다. 그리고 다양한 센서에서 발생된 데이터를 어떻게 확보할 것인지와 물리적 환경에 대한 조치보다는 소프트웨어적 환경에 대한 조치 방법의 직시를 지능형 관제 시스템의 방향으로 제시하고 있다[1].

 인공지능 모델을 통한 데이터 센터 운영은 대용량 데이터 기반의 분석으로 과거의 패턴을 추출하여 소프트웨어의 장애나 고장 및 논리적 오류에 대한 확장 패턴을 학습함으로써 최적화된 데이터 센터 운영이 가능한 모델을 수립할 수 있다. IBM 분석 개발 담당 부사장인 디네시 니말은 미래 데이터 센터의 자율적 운영을 위해 탈중앙집중형(Decentralised) 클라우드 환경에서 인공지능을 적용한 이상 징후 감지 기능을 차세대 데이터 센터의 필수 요소로 언급하고 있다. 이를 위해 가용 데이터의 양, 품질 그리고 속성등에 대한 데이터의 표준화와 거버넌스 필요성도 함께 제시하고 있다[1].

 따라서 본 고에서는 4차 산업혁명에서 요구하는 지능형 관제 솔루션의 방향을 살펴보고, 인공지능의 역할과 도전 방향을 재조명하고자 한다. 그리고 도전 방향에 필요한 기반 기술을 소개하고 도전 중에 발생할 수 있는 이슈들을 간략히 소개한다. 본 고의 구성은 2장에서 지능형 관제를 이해하기 위해 데이터의 특징과 구조를 설명한다. 3장에서는 지능형 관제 솔루션들이 가지고 있는 기술과 특징을 기술하고 지능형 관제 솔루션이 나아가야 할 방향과 비전을 기술한다. 마지막으로 지능형 관제 솔루션의 방향에 대한 고찰과 제언으로 마무리 한다.

2. 데이터 전환과 이해

우리는 10년 전 정보화의 물결인 IT 홍수를 겪으면서 기하급수적으로 증가하는 디지털 데이터의 양을 확인하고 홍수속에서 정보를 찾기 위한 노력을 거듭해 왔다. 정보를 찾기 위해 데이터 흐름을 만들고, 그 흐름 속에서 많은 정보와 지식을 생산하는 체계를 지속적으로 구축하였다. 현재의 정보처리 기술들은 정보화 물결 속에서 하나 둘 생겨난 문제들을 해결하고자 하는 데이터 처리 방법론 속에서 등장한 기술들이며, 이러한 기술들을 이용하여 데이터 물결을 지배하려는 많은 노력들도 함께 진행되었다. 이러한 노력으로 이루어진 4차 산업혁명은 디지털 사회로 진화되는 사회적 물결 속에서 데이터 기반의 과학적 의사결정을 처리하는 자동화 물결을 먼저 확보하기 위해 인공지능 기술들이 재조명되고 있다.

<그림 1> 사회를 변화시킨 각 단계별 물결 정보[2]

* 참조문헌 : 의사결정의 자동화 시대, 필수 요건은 데이터(http://www.bloter.net/archives/284744)

 과학적 의사결정을 효과적으로 처리하기 위해 생산되는 데이터는 사회적 물결에 따라 변화되어 왔다. 사회적 물결의 흐름 속에서 생산되는 데이터는 [그림 1]과 같이 시대별로 생산되는 지식 데이터의 구조적 차이가 있다. 즉, 아날로그 형태의 데이터에서 디지털 형태로 변화되면서 연속적인 표현에서 이산적인 표현으로 변경되고 있다. 불과 10여 년 전의 데이터인 아날로그 데이터는 신호의 연속성을 가지고 물리량으로 나타낸다. 예를 들면, 빛의 밝기, 소리의 높낮이, 크기, 바람의 세기 등이 대표적이며, 이를 사람이 이해하고 직관적 의사결정을 할 수 있는 도구로 속도계, 온도계, 녹음기나 음반과 같은 것들을 이용하고 있다. 디지털 시대의 데이터는 ‘0’과 ‘1’의 논리적 구조로 표현되며, 이산적 수치를 이용하여 데이터를 처리하고 분석하여 과학적 의사결정을 할 수 있도록 시각화하고 있다. 하지만 연속적인 아날로그 데이터를 디지털 데이터로 변환하는 과정에서 샘플링으로 데이터를 변환하기 때문에 데이터의 품질이 떨어지거나 왜곡되는 특징을 가지고 있다. 또한 최근에는 양자 데이터의 등장으로 디지털 데이터는 확장된 새로운 데이터 형태의 표현과 해석이 추가되고 있다. 이렇듯 데이터 표현은 사회적 흐름이 변화되면서 데이터가 의미하는 특징도 변화되고 있기 때문에 의사결정을 위한 데이터의 특징 이해와 해석을 표준화하는 것이 필요하다. 

 모든 데이터는 다양한 장치와 환경으로부터 아날로그 형태 및 디지털 형태로 생산되고 있으며, 다양한 방법으로 수집되거나 변환되어 저장되고 있다. 그리고 데이터를 해석하기 위해서는 데이터를 발생시킨 장치의 특징과 통합, 정제의 방법에 따라 어떤 해석을 할 수 있는가에 대한 판단이 중요하다. 예를 들면, 사람의 몸에서 발생되는 이상 신호는 외부의 자극 또는 내부의 이상 신호가 신경세포를 통해 뇌에 전달되어 신호 해석과 함께 이상 판단을 진행한다. 이와 같이 시스템에서 의사결정을 지원하기 위해서는 전체 데이터 중에서 이상 데이터의 특징을 추출하고 조건에 맞는 패턴을 찾아 강화시켜 이상정도를 의사결정하기 위한 정보로 재가공해야 한다. 그리고, 가공된 정보는 이상정도의 신호 세기에 따라 의사결정과 제어가 각각 달라질 수 있다. 즉, 수집된 데이터 그룹에는 각각의 상황을 판단하고 의사결정을 하기 위한 데이터가 존재하며 이 데이터의 특징을 얼마나 잘 추출하고 가공하는지가 중요하다. 그리고, 각각의 데이터 해석 높낮이에 따라 의사결정을 달리하고 제어할 수 있는 지식베이스를 구성하는 것이다. 이것은 기계학습에서 데이터를 분류하기 위해 레이블된 데이터만을 학습할 경우, 해당 조건만을 판단하기 때문에 단편적인 의사결정만을 시도하는 문제를 가지고 있다. 그리고 레이블된 데이터가 아닌 전체 데이터를 이용하여 학습할 경우에는 정확한 의사결정과 해석 판단을 할 수 없기 때문에 항상 의사결정의 오류를 포함하고 있을 수 있다. 그렇기 때문에 어떠한 기계학습 방법을 적용하든지 모든 데이터에 대한 학습과 함께 레이블 데이터를 생성하고 관리하기 위한 지식베이스 구축이 필요하다. 그리고 지능형 관제를 위해 데이터의 특징을 먼저 이해하고 신호 강도가 높은 특징 데이터를 중심으로 데이터 스팩트럼을 측정하고 학습 모델을 훈련시키는 것이 필요하다. 데이터 스텍트럼을 측정하기 위해서는 인공지능을 포함하여 다양한 학문에 기초하여 데이터의 특징과 해석을 많이 다루어 본 데이터 사이언티스의 역할이 중요하다.

3. 지능형 관제 솔루션 구조 및 방향

 관제 솔루션(EMS : Enterprise Management System)은 일반적으로 서버, 네트워크, DBMS, 부대설비 등과 같은 다양한 인프라를 하나의 플랫폼에서 통합 관리하거나 차량, 범죄, 방재 등과 같은 사회 안전망을 관리하는 플랫폼으로 정의되고 있다. 관제 솔루션의 범위는 활용 목적에 따라 다양한 영역을 포함하고 있으며, 업무 범위에 따라 관제의 영역도 함께 정의되고 있다. 예를 들면, 항공기의 이착륙과 운항을 위한 항공관제, 정보 시스템의 운영과 관리를 위한 네트워크 및 시스템 관제, 건물의 이상이나 재난을 예방하기 위한 건물 및 방재 관제, 전력 상태를 관리하기 위한 전력 관제, 사회적 관계망이나 도시 범죄, 교통 등을 관리하는 도시환경 및 교통보안 관제 등 다양한 범위에서 활용되고 있다. 각각의 관제 시스템은 유사한 구조를 가지고 있지만 서로 다른 제품으로 플랫폼이 구성하고 있기 때문에 제조사에 대한 의존성이 매우 높다. 이는 제조사마다 데이터의 정의와 구조가 서로 다르고 표준화되지 않은 포맷(구조)를 사용하고 있다는 반증이기도 하다. 또한 서로 다른 제품을 사용하기 때문에 장치의 제어 신호가 다른 상태로, 해당 제조사와 연관된 소프트웨어만을 사용해야 하는 불편함도 있다. 그렇기 때문에 데이터 중심의 의사결정을 수행하는 인공지능을 도입하기 위한 접근이 제한적이고 시스템 제조사에서 제작한 인공지능 모델에 의존할 수 밖에 없는 것이 현실이다.  

 관제 솔루션의 구조는 앞에서 언급했듯이 활용 범위에 따라 달라지지만 본 고에서는 정부의 통합 관제 시스템을 이용하여 구조를 살펴보고자 한다. 정부에서 운영하는 대표적인 통합관제 시스템 구조는 [그림 2]와 같다. 물리적 환경은 통합운영 소프트웨어를 통해 전체 상황을 관리하는 통제센터를 중심으로, 영상 장비를 관리하는 영상설비 시스템, 네트워크와 통신을 관리하는 네트워크 시스템, 그리고 부대설비를 관리하고 내부와 외부를 연결하는 관리 시스템 등으로 구성된다. 중앙센터의 통합운영 소프트웨어는 단위 시스템에서 수집된 데이터를 실시간 수준에서 분석하여 그 결과를 출력하도록 한다. 단위 시스템에서 실시간 분석은 지능형 통합 관제를 위해 통계 모형, 인공지능 모형 등을 적용할 수 있으며, 데이터의 특징과 분석 목적에 따라 혼용되어 사용하고 있다.

<그림 2> 통합 관제 시스템의 구조 예

* 참조 : 블로그, http://blog.daum.net/visionetware/10 

 지능형 통합 관제에서 사용되고 있는 인공지능 모형은 규칙기반 모델(Model of Rule-based)과 기계학습 기반의 비전인식 모델(Model of Vision Mining)이 가장 많이 적용되고 있다. 최근에는 딥러닝을 이용한 비전인식과 추적 기술을 도입하거나 준비하고 있다. 이에 비해 시스템 에이전트나 센서에서 수집된 데이터의 이상신호 분석은 미진한 상태이며, 오류나 장애를 탐지하는 목적보다는 통계적 분석을 통해 장비 최적화나 배치 지역 선정, 교체 시기 등과 같은 관리 최적화 분석을 우선적으로 하고 있다. 그 이유는 단위 시스템에서 분석된 결과의 성능이 기계학습으로 분석하는 것이 통계 확률 또는 규칙기반으로 분석하는 것보다 많은 차이를 보이고 있지 않기 때문이다. 그래서 관리자나 운영자는 관제 시스템을 기존의 방법으로 유지하고 운영하는 것을 선호하고 있다. 이러한 현상은 신경망의 입력값으로 디지털 신호 데이터를 이미지로 변환하여 분석하고 있기 때문이다. 이 변환 과정은 정밀한 소수점 데이터를 이미지상의 하나의 점으로 표현하면서 소수점 데이터가 절삭되거나 감소되는 문제를 가지고 있다. 감소된 파형을 서로 매핑하면서 비교하기 때문에 통계 확률이나 규칙기반 모델보다 높은 성능을 보여주지 못하고 있다. 특히, 딥러닝은 아직까지 점과 같은 아주 작은 이미지를 해석하는 것이 어려운 것이 현실이다. 그리고, 특별한 장애는 2~3년에 한 번 정도 발생되는 경우가 있기 때문에 전체 데이터를 장기간 관리할 수 있는 빅데이터 모형을 기본적으로 이해하고 있어야 한다. 또한 기계학습의 입력값으로 정밀한 신호 데이터를 제공하고 통합된 데이터간의 연관성을 전처리하여 제공하는 데이터 모델링 과정도 해결해야 한다.

 이와 같은 상황에서 지능형 관제 시스템의 대표 주자인 IBM은 마드리드에서 2014년도 스마트 시티 프로젝트인 MiNT[5]를 진행하면서 데이터 통합 관리와 운영 모델을 확립하였다. IBM은 MiNT 프로젝트에서 IBM Intelligent Operations과 Maximo를 이용하여 구축하였으며, 서비스 구성을 위해 [그림 3]과 같은 개념으로 도입하였다. 다면적 상황 인식을 위해 CCTV와 시민의 제보, 스마트폰 위치 정보등과 같은 데이터를 실시간으로 수집하고 과거 도시 데이터 기반의 예측 분석을 구성하였다. 또한 스마트 도시 서비스 및 시민들과 상호작용을 통한 자원 조정 및 서비스 품질 향상을 목표로 진행하였다. MiNT 프로젝트는 과거 도시 데이터와 현재 수집된 데이터를 이용하여 통계 확률 기반의 데이터 마이닝 모델, 기계학습 기반의 새로운 패턴 탐지하도록 하였다. 이 과정에서 IBM은 데이터 생산과 통합을 통해 도시의 기능적 요소들을 분석하였으며 통합 데이터에서 새로운 패턴의 발견과 검증 가능성을 확인하였다.

<그림 3> IBM MiNT Project[2]

* 참조문헌 : City of Madrid Implements Large Smarter Cities Environmental Analytics Project

 이와 같이 지능형 관제 시스템은 단위 시스템에서 발생되는 데이터만을 분석하고 판단하기 보다는 통합된 전체 데이터를 이용한 분석을 추구하고 있으며, 새로운 패턴의 발견 가능성을 검증하고 있다. 즉, 데이터가 가지고 있는 단순한 의미들을 하나로 통합했을 때 새로운 의미를 가진다는 기본 원리를 재조명한 것이다. 그리고 딥러닝으로 구성된 시스템이 훌륭할 수 있지만 통합된 데이터의 특징을 반영하고 검증하기에는 현실감이 부족하다. 그렇기 때문에 소프트웨어 테스트 방법 중에서 자주 사용되는 A/B 테스트 시나리오를 설계하고 지능형 관제 솔루션의 분석용 소프트웨어 개발을 진행하는 것이 좋을 것이다. 기존의 통계 방식의 분석 소프트웨어가 존재한다면, 해당 기능 중 일부를 기계학습 모델로 전환하고이전 분석 모델과 비교하여 어느 부분에서 우수한지를 검증하고 우수성을 증명하는 것이 필요하다.

4. 제언 및 맺음말

 이제까지 지능형 관제 시스템에 대한 개괄적인 내용과 지능형 분석 소프트웨어의 방향을 설명하였다. 최근에는 스마트 어플리케이션 서비스와 같이 연관되면서 지능형 관제 시스템의 기능도 확장되고 있다. 

 또한 IoT 기술의 단계적 적용으로 데이터의 특징이나 인식 범위도 넓어지고 있어서 지능형 모델을 이용한 분석 범위도 증가하고 있다. 이와 같이 확장되고 있는 지능형 관제 시스템의 기능들은 자동화에 맞춰 있다. 영역별로 살펴보면, 데이터 표준화와 통합을 위한 자동화 기능, 통합된 데이터에서 실시간으로 특징을 추출하는 기능, 특징의 연관성과 확장성을 판단하는 기능, 통계 확률 모델과 인공지능 모델의 분석결과에 대한 연계 분석 기능, 분석에 따른 제어 자동화 기능 등이 필요하다. 이러한 기능들은 인공지능 개발자의 역량에 따라 단계적인 접근하고 시도하는 것이 좋으며, 이를 검증하기 위한 단계적 절차도 마련되어야 할 것이다. 특히 성능 검증 절차는 앞에서 언급한 소프트웨어 성능 테스트 모델을 적용할 수 있는 모델과 모델간의 성능 비교를 권고한다. 이전 모델이 있다면 성능 비교에 더욱더 좋을 것이다. 그리고 인공지능 개발자는 기존 시스템이나 소프트웨어 개발보다 인공지능 모델 개발이 상당한 시간과 노력이 요구되는 것을 알고 있다. 그렇기 때문에 기업에서 요구하는 제품을 만들기 위해서는 단계적으로 접근하기 위한 기능 설계와 구성을 위한 자신만의 점검 항목을 가지고 있어야 할 것이다. 그래서 필자는 지능형 모델을 구성하기 위해 스스로 점검하고 있는 목록 중의 일부를 기록하면서 정리하고자 한다. 

 - [Data Governance] 데이터의 이해도는 완벽한가?

 - [Data Governance] 데이터의 변환과 프로세스는 어떻게 구성하였는가?

 - [Data Governance] 다른 시스템을 위해 데이터 표준화는 갖추어 놓았는가?

 - [Intelligence Model] 인공지능 모델간의 협업 체계를 구성할 수 있는가? 

 - [Intelligence Model] 제품의 성능을 비교하기 위한 검증 모델은 수립되어 있는가?

 - [Intelligence Model] 인공지능 모델을 변경하는 것이 아닌 진화할 수 있는 모델인가?

 이밖에도 지능형 시스템을 구축하기 위해서는 위에서 언급한 내용보다 많은 검증 사항들이 숨겨져 있다. 이를 위해 데이터 사이언티스 중심의 인공지능 모델링 개발이 이루어져야 할 것이다. 인공지능은 황금알을 낳는 거위가 될 수 있지만 거위를 배를 가르는 순간 황금알은 사라질 것이다.

[참고문헌]

[1] 효성인포메이션시스템, “자율운영 데이터센터가 온다” AI와 머신러닝 기반의 데이터센터 운영 효율화 – IDG Tech Focus, IDG TechLibary, 2018.07.12.

[2] 블로터, “의사결정의 자동화 시대, 필수 요건은 데이터,” 블로터(Bloter), 2017.07.11.

[3] 위키백과, “제3의 물결 (토플러),” https://ko.wikipedia.org/wiki/제3의_물결_(토플러)

[4] Mohamed A. Ahmed, Chul-Hwan Kim, “Communication Architecture for Grid Integration of Cyber Physical Wind Energy Systems,”, Applied Sciences, Vol.7, No.10, 1034, 2017.

[5] IBM,  “City of Madrid Implements Large Smarter Cities Environmental Analytics Project,” https://www-03.ibm.com/press/us/en/pressrelease/44328.wss

편집 | 사업기획팀 박예영