태터데스크 관리자

도움말
닫기
적용하기   첫페이지 만들기

태터데스크 메시지

저장하였습니다.

엑기스 | XAIOps 톺아보기 1 : 원천 데이터 수집의 근간

기술이야기/엑.기.스 2020. 7. 2. 10:24






엑셈의 AI(인공지능) 기반 IT 운영 지능화 솔루션 XAIOps(싸이옵스)에 로그프레소의 빅데이터 플랫폼인 ‘로그프레소 엔터프라이즈’를 탑재했습니다. 이를 통해 이상 징후와 장애의 사전 인지 능력과 사후 분석 능력을 동시에 제공할 수 있는 완성도 높은 기술 기반을 마련했는데요. 이번 시간에는 XAIOps가 내부적으로 어떤 데이터 수집 엔진을 적용했는지 알아보겠습니다.




실시간 빅데이터 기술

 

실시간 빅데이터 기술은 배치처리의 대상이 되는 이력 데이터(Historical Data)는 물론 실시간 스트리밍 데이터(Real-time Streaming Data) 처리 기술이 포함되어 있는데, 이번에 XAIOps에서 채택한 실시간 빅데이터 기술은 하나의 엔진에서 이 두 가지 형태의 데이터 처리가 가능하다.


<AIOps Platform에서의 실시간 빅데이터, Gartner그림 편집>


배치처리인 맵리듀스(MapReduce)를 필두로 한 하둡(Hadoop)진영이 빅데이터 시장의 서막을 열었고, 곧이어 실시간 스트리밍 데이터 처리의 필요성이 대두되자 스파크(Spark)가 이끄는 스트리밍 기술이 주목 받기 시작하였다. 이 두 가지 기술의 등장과 함께 람다 아키텍처(Lambda Architecture)가 동거를 시작했다. 그러나 실시간과 배치는 시계열의 스펙트럼에서의 한시적인 구분일 뿐 데이터 자체는 동일했기 때문에, 실시간 시스템에서 생성된 데이터를 다시 배치 시스템으로 밀어 넣는 과정에서 성능 이슈, 정합성의 이슈가 빈번히 발생하게 되어 람다 아키텍처는 사실상 하나의 신화(myth)로 전락하게 되었다. 


또한 람다 아키텍처는 빅데이터에서는 실시간, 배치 빅데이터를 동시에 다루는 것이 필요하며, 특히 양립한 복수의 시스템에 데이터를 전달하는 것은 비효율적이라는 것을 증명하는 계기가 되었다. 그렇기 때문에 XAIOps를 구성할 때 실시간 처리와 배치성 처리를 하나의 엔진에서 수행할 수 있는 빅데이터 처리 엔진의 채택은 아키텍처로 인한 여러 가지 문제를 사전에 차단하는 좋은 선택이었다.




실시간 이벤트 프로세싱 기술


실시간 스트림 처리는 실시간 분석이 가능한 기술이지만, 시간의 흐름에 따라 차곡차곡 처리하는 방식이기 때문에 특정 이벤트가 나중에 나타난 이벤트와 연관을 지어 분석해야 할 경우 배치처리에 의존할 수밖에 없다. XAIOps의 경우에도 복잡한 이벤트에 대해 실시간 알람을 수행해야 하는 경우가 발생하는데, 이를 클라이언트에 집중시키거나 할 경우 복잡도가 급격히 증가하고, 전체 성능도 가늠할 수 없기 때문에 선행 사건과 후행 사건을 연관 지어 실시간 분석하는 방식은 반드시 필요하다. 


이번에 도입한 실시간 빅데이터 기술은 CEP(Complex Event Processing)도 통합되어 있기 때문에 실시간 스트림 처리에서 쿼리 방식으로 활용이 가능하다. 실시간 이벤트 처리는 선행 이벤트가 발생하면 CEP 엔진에 이벤트에 관한 정보를 등록하고 후행 이벤트에서 선행 이벤트가 발생했는지 여부를 확인하는 방식으로 활용된다. 


<실시간 이벤트 활용 예시, 출처: 로그프레소>
 
위 그림의 경우 이상거래탐지시스템(FDS : Fraud Detection System)에서 전형적으로 활용되는 방식으로, 보이스 피싱이 발생하는 경우 입금 이벤트에서 의심 계좌로 등록된 계좌에 입금이 발생하면 CEP 엔진에 입금 이벤트 Topic을 생성하게 된다. 그러나 의심 계좌는 그야말로 의심 계좌이기 때문에 이 입금 자체는 문제가 아니지만, 금융사가 보기에 입금되고 나서 10분 이내에 출금이 되는 경우 보이스 피싱이라고 간주할 수 있다. 이러한 이유로 이 입금 이벤트는 한시적인 기한을 두고 CEP 엔진에 머물러야 하며 이벤트 발생 후 주어진 시간(예를 들어 10분)이 되면 자동으로 CEP 엔진에서 삭제되어야 한다. 이 상황에서 해당 계좌로 출금이 발생하면 CEP엔진에 입금 이벤트가 남아 있는 지만 파악하면 보이스 피싱 여부를 확인할 수 있게 된다. 

즉, 출금 이벤트가 발생했을 때 스트림 쿼리에서 CEP 엔진에 입금 이벤트가 있는지 확인하기만 하면 되는데, 입금한 지 10분 내로 출금을 시도하는 경우 당연히 CEP 엔진을 통해 입금 이벤트가 남아 있는 것이 확인되기 때문에 보이스 피싱으로 탐지가 될 것이고, 10분이 지난 후라면 입금 이벤트는 이미 CEP엔진에서 사라졌을 것이기 때문에 의심 계좌이지만 보이스 피싱이 아닌 정상 거래라고 볼 수 있게 되는 것이다. 

CEP는 사용자가 이벤트 발생 횟수, 이벤트 데이터, 이벤트 시간 등의 여러 가지 방법으로 활용이 가능하여 다양한 방식으로 적용이 가능하며, CEP엔진 자체가 인메모리 기술을 활용하고 있어 마이크로초 단위의 성능을 보여주고 있기 때문에 스트림 쿼리와 함께 사용한다면 완벽한 실시간 처리가 가능하게 된다. 



고속 인덱스 기술


빅데이터에서 다루는 데이터는 상당한 대용량이다. 실시간으로 하루 10GB의 데이터를 처리해서 저장한다고 해도 1년이 되면 3.6TB에 달하게 된다. 실시간 처리 이후에는 이 데이터를 대상으로 검색이나 분석을 수행하게 되기 때문에 고속 검색과 분석 기술을 확보하는 것은 매우 중요하다. 


이 중 검색은 대량의 데이터에서 소량의 일부 데이터를 빠르게 찾아오는 기술이다. 인덱스는 데이터 처리에 있어 거의 기본이기 때문에, 빅데이터 뿐만 아니라 DBMS에서도 일반적으로 사용된다. 그러나 RDBMS에서 주로 사용되는 인덱싱 방식이 B*Tree라면 검색엔진 빅데이터 기술에서 사용되는 인덱스는 역인덱스(Inverted Index)이다.


<빅데이터와 RDBMS 인덱스의 차이점, 출처 : 로그프레소>


B*Tree는 인덱스 컬럼 값에 따라 정렬된 형태로 저장되며 Root, Branch, Leaf 블록을 계층 형태로 구성하여 데이터를 검색할 때 값을 비교하여 탐색하게 된다. Leaf블록에는 순서대로 정렬된 컬럼 값과 함께 실제 데이터가 저장된 위치를 알 수 있는 정보가 있어 이를 통해 원본에 접근하게 된다. 위 그림에서 만약 97이라는 값을 찾는다고 가정하면 Root 블록의 값인 122보다 작기 때문에 왼쪽 Branch 블록으로 이동한다. Branch에서도 비교를 통해 오른편 Leaf 블록으로 이동하고 여기서 순서대로 탐색하여 97을 찾아낸다. 이렇게 B*Tree 인덱스는 정렬이 되어 있어 탐색이 빠른 장점이 있는 반면, 정렬을 유지하기 위해서 데이터가 저장될 때 인덱스의 기록은 순차적으로 되어야 하는 단점이 있다. 또한 나뭇잎이 많은 나무는 가지가 크고 많아지는 것처럼 데이터가 증가함에 따라 인덱스의 깊이가 깊어져 성능이 점차 떨어지게 된다. 이러한 단점으로 인해 B*Tree 인덱스는 빅데이터에서 적합한 솔루션으로 자리 잡지 못하게 된 것이다.


반면 역인덱스는 본래 검색엔진에서 주목받기 시작하여 빅데이터에서도 꾸준히 활용되고 있다. 역인덱스가 다루는 데이터는 보통 비정형/반정형이 많기 때문에 이를 검색에서 활용되는 토큰을 추출하는 토크나이징 과정이 필요하다. 토크나이징만 되면 토큰에 원본을 찾을 수 있는 정보를 계속해서 추가하게 되고, 검색은 토큰에 매달린 주소들로 원본을 찾아가는 방식이다. B*Tree와 달리 인덱싱에 들어가는 비용은 토크나이징과 추가(Append)밖에 없기 때문에 고속의 인덱싱이 가능하고 탐색도 토큰만 빨리 찾기만 하면 성능이 보장된다. 하지만 이 방법도 단점이 존재한다. B*Tree의 경우 탐색의 효율을 위해 생성 시 정렬을 하게 되는데, 역인덱스는 정렬을 하지 않기 때문에 검색 성능이 복불복일 수밖에 없게 된다. 무엇보다 없는 토큰을 찾기 위해서는 모든 토큰을 확인해야 하므로 검색 결과가 0일 때 가장 많은 시간이 소요된다. 또한 탐색 자체가 IO이기 때문에 인덱스의 크기가 커짐에 따라 탐색하는 시간이 비례한다는 것도 문제가 된다. 


XAIOps에서 채택한 기술은 이러한 문제를 역인덱스 뒤에 블룸필터 인덱스를 덧대어 놓는 것으로 해결하였다. 블룸필터는 일종의 해시 함수로 빠른 검색이 가능하도록 해준다. 역인덱스의 결과를 블룸필터 인덱스로 인덱싱을 하게 되면 데이터의 유무와 위치를 고속으로 탐색할 수 있게 된다. 그리고 역인덱스 토큰 정보에 비해 미미한 수준의 크기만 필요하기 때문에 인덱스의 크기에 크게 영향을 받지 않는다. 여기에 인덱싱 과정에서 데이터에 타입을 부여하는 정형화 과정을 거쳐 타입, 필드 형태의 필드 인덱스 기술이 추가되었다. 블룸필터 인덱스가 탐색을 위한 인덱스 아키텍처의 보완이라면 필드 인덱스는 탐색 후 처리를 위한 보완이라고 볼 수 있다. 


토크나이징을 거친다는 것은 모든 데이터를 문자열로 인식한다는 것이 전제되어 있다. 문자열은 숫자와 다른 정렬 방식을 가지는 특성뿐만 아니라 맥락이 존재하지 않기 때문에 이후 재검색이 추가로 필요하게 될 수도 있어 검색 후에서 성능 저하 요소가 잔존하게 된다. 필드 인덱스는 인덱싱 단계에서 데이터의 필드와 타입을 가지고 생성되기 때문에 맥락에 따른 정확한 인덱싱이 가능하며 and/or 조건으로 탐색을 하는 경우에도 탐색 대상을 좁혀서 원본에 접근할 가능성이 커지게 되어 최적의 성능을 보장할 수 있게 해 준다. 이러한 인덱싱 기술에 힘입어 리눅스 서버 한 대에서 1TB 데이터(약 25억건)를 랜덤 인덱스 검색을 수행할 경우 1초 미만의 검색 성능을 보여주고 있다.




컬럼 스토리지 기술


인덱스는 대량의 데이터에서 소량의 데이터를 빠르게 가져오는 기술이다. 그러나 분석, summary의 경우는 대량의 데이터에서 일부 컬럼들 전체를 대상으로 연산을 수행한다. 빅데이터는 처음부터 대량의 데이터에 대한 IO 집약적인 처리 방식을 염두에 두고 나온 기술이기 때문에 분산이라는 기술을 당연하게 여기고 있었다. 그러나 데이터가 점점 더 늘어날수록 분산에 투입되는 서버 자원도 늘어남에 따라 분산의 한계가 드러나기 시작했다. 분산의 노드와 마스터 간의 네트워크를 통한 데이터 교환의 한계가 나타나기 시작한 것이다. 여기에 추가 투입되는 하드웨어 자체의 비용과 관리 비용의 증가도 눈에 띄게 되어 대용량 처리의 제약으로 작용하기 시작했다. 


이와 달리 XAIOps에서 채택한 빅데이터 기술은 하나의 서버에서 확보할 수 있는 성능을 취하는 관점으로 설계가 되어 대용량의 Aggregation을 위해 분산이 아닌 VLDB에서 사용되는 Columnar 기술을 내장하고 있다.


<Row기반 Storage와 Column기반 Storage, 출처: 로그프레소>

 

DW DB에서는 거의 기본으로 row 기반 저장 방식을 사용한다. 우리가 다루는 데이터의 최소 단위는 건(row)이고 이 row는 여러 개의 컬럼으로 구성되어 있다. 기본적으로는 데이터가 들어오는 방식 그대로 row를 차곡차곡 저장하게 된다. 


Columnar는 row 형태로 저장하는 것이 아니라 row를 컬럼 단위로 해체하여 동일한 컬럼끼리 저장하는 방식이다. 이렇게 저장하는 것이 Summary에 특화되는 것은 전체 row가 아니라 일부 컬럼만을 선택하여 연산하는 Aggregation과 같은 분석의 특성 때문이다. 대량의 데이터를 모두 가져와 필요한 컬럼만을 남기고 버리는 것이 아니라, 필요한 처음부터 필요한 컬럼을 가져오도록 하여 최적의 성능을 취할 수 있게 해 주는 것이다. 주목해야 할 점은 정형 데이터가 아니라 로그 데이터와 같은 비정형/반정형 데이터에 대해서도 Columnar를 적용할 수 있다는 점이다. 


XAIOps가 선택한 컬럼 스토리지 기술은 쿼리에서 집계하는 대상 컬럼 데이터를 높은 효율로 읽을 수 있도록, 열 단위로 값 벡터를 나열하여 불필요한 I/O 작업을 회피하고 CPU 캐시 활용을 극대화하고 있다. 이로 인해 스키마리스 컬럼 스토리지 기술은 원본 로그 저장과 포맷의 변화를 수용하면서도 높은 OLAP 분석 성능을 낼 수 있게 된다. 또한 전사 시스템, 애플리케이션 로그 등도 분석의 대상이 될 수 있기 때문에 이러한 형태의 데이터를 Columnar로 다룰 수 있게 되면 장기간 분석도 굉장히 빠른 시간 내에 처리가 가능하게 된다.




JIT 쿼리 컴파일 기술


XAIOps는 AI 기술이 근간을 이루면서 학습을 위한 데이터 전처리는 일정 부분 빅데이터 처리 엔진에서 담당해주어야 전체 시스템의 성능을 보장할 수 있게 된다. 이 작업은 앞서 언급한 단순히 저장된 데이터를 빠르게 가져오는 것이 전부가 아니고 디스크나 메모리에서 획득한 데이터의 연산 성능도 영향을 미치게 된다. 가장 좋은 방법은 연산에 필요한 처리 조직을 최적화하여 미리 컴파일해 놓는 방법이지만, 사이트 별로 요구 사항이 다른 상황에서는 각각 자유롭게 대응할 수 있도록 쿼리를 지원하는 것이 좋다. 이는 이미 수십 년 전 데이터베이스가 도입될 때 증명이 된 사실이기도 하다. 


<고속 연산을 위한 JIT 쿼리 컴파일 기술, 출처: 로그프레소>

 

쿼리를 통해 자유도를 높일 경우 개별 쿼리와 함수들을 순차적으로 처리하는 과정에서 반복된 로직이 최적화되지 않은 상태로 진행될 소지가 다분하다. 이러한 폐단은 어느 시스템에서나 발생할 수 있기 때문에 나열된 쿼리를 기계적으로 순차 수행하도록 놔두어서는 안 된다. 그래서 강구해낸 방안이 JIT 쿼리 컴파일 모델이다. JIT 쿼리 컴파일 기술은 쿼리 실행 시점에 코드를 생성하면서 불필요한 조건 분기와 루프로 인한 오버헤드를 모두 제거함으로써, 빅데이터 쿼리 분석을 실행할 때 최상의 성능을 도출하게 된다. 이를 통해 중첩 join과 같은 복잡한 쿼리를 사용해도 최상의 성능을 나타낼 수 있어 AI로 학습데이터를 가공하는 데이터 탐색의 시간을 최소화할 수 있다. 이 기능은 시스템 전반에 적용되기 때문에 summary, 실시간 처리 등에서도 최적화된 쿼리 성능을 보여주게 된다.


XAIOps는 이러한 다양하고 효과적인 기술이 녹아 있는 빅데이터 엔진을 선택하여 대용량의 데이터, 어떠한 상황이 오더라도 빠르고 정확한 결과를 도출할 수 있도록 한다. XAIOps를 통해 IT업계의 한 전기가 마련될 수 있으리라 기대하고 있다. 



다음 편에는 완성된 솔루션을 확인할 수 있는 'XAIOps 톺아보기 2'가 이어집니다.




기고 | 로그프레소 김한도

편집 | 사업기획팀 박예영










월간기술동향 | '데이터'로 通하는 대한민국



이번 월간기술동향에서는 앞으로 달라질 대한민국의 모습과 이에 따라 주목받는 IT 분야를 함께 살펴보겠습니다.




'데이터 비식별화'가 핵심! - 데이터 3법 개정안 시행


‘개인정보보호법’, ‘정보통신망법’, ‘신용정보법’을 우리는 ‘데이터 3법’이라 부릅니다. 데이터를 기반으로 새로운 가치를 창출해내는 ‘데이터 경제’ 시대를 맞아 안전한 데이터 이용을 위한 데이터 3법 개정안이 올해 초 국회 본회의를 통과, 다가올 8월 5일에 시행됩니다.

데이터 3법 개정안이 궁금하다면? 주요 내용 보러가기


데이터 3법 개정은 흩어져 있던 개인정보 관련 규정을 정비하고, 모호했던 판단 기준을 명확히 하며, ‘가명정보’의 개념을 도입해 빅데이터 시대 정보 활용도를 제고하는 것을 주 내용으로 하고 있습니다. 개정안에 따르면, ‘가명정보’는 상업적 목적을 포함한 통계 작성과 연구, 그리고 공익적 기록보존 목적으로 동의 없이 활용될 수 있습니다.

 

 

‘가명정보’에 대해서 조금 더 알아볼까요? 추가정보의 사용 없이는 특정 개인을 알아볼 수 없게 조치한 정보를 가명정보라고 하는데요. 가명정보가 법의 테두리 안으로 들어오면서, 개인정보를 가명정보로 처리하는 ’비식별화’ 기술이 주목받고 있습니다. 비식별화는 데이터셋에서 개인을 식별할 수 있는 요소 전부 또는 일부를 삭제하거나 대체하는 방법을 활용해 개인을 알아볼 수 없게 하는 방법입니다. 

데이터 3법 개정안 시행을 앞두고 시행하고 있는 ‘마이데이터’ 사업까지 더불어, 활용 가치가 큰 데이터를 축적해온 금융·공공 분야의 데이터 비식별화 수요가 급속도로 증가하고 있는데요. 엑셈의 관계사 ‘아임클라우드’도 민감정보 비식별화 솔루션 “SDGUARD”를 발표하며 데이터 비식별시장 공략에 본격적으로 나섰습니다. 엑셈의 빅데이터 분석 및 컨설팅 역량과 아임클라우드의 데이터 비식별화간의 시너지 효과가 기대되네요.

4차산업혁명의 원유로 불리는 데이터의 활용! 데이터 3법의 개정으로 비식별화 기술 발전과 다양한 데이터의 결합, 데이터 기반의 신기술 개발 등 우리나라의 데이터 기반 경제 발전, 기대해봐도 좋겠죠?

>>관련 기사



4차 산업혁명 기술의 총집합 - 한국판 뉴딜


지난 월간기술동향에서 '한국판 뉴딜'의 3대 영역 프로젝트와 10대 중점 세부 추진 과제를 살펴보았는데요. 정부는 오는 2025년까지 총 76조원의 역대급 규모를 투입하기로 했습니다.

 

 

한국판 뉴딜은 고용안전망 기반위에 디지털 뉴딜과 그린 뉴딜의 2가지 큰 축으로 추진됩니다. 디지털 뉴딜은 ▲D.N.A 생태계 강화 ▲디지털 포용 및 안전망 구축 ▲비대면 산업 육성 ▲사회간접자본(SOC) 디지털화 등이 주요 추진 사업입니다. 그린 뉴딜은 ▲도시·공간·생활 인프라 녹색전환 ▲녹색산업 혁신 생태계 구축 ▲저탄소·분산형 에너지 확산 등을 추진합니다. 

 

 

정부에서는 디지털 뉴딜 정책의 일환으로 국민 생활과 밀접한 15개 분야의 빅데이터 플랫폼과 센터의 추가 구축을 진행하고, 14만개 규모의 공공데이터를 개방하기로 했습니다. 또한 과학기술 기계 학습 데이터 구축 및 운영 시스템 개발 등 대규모 공공 데이터 인프라 구축에도 나섰습니다. 그 뿐만 아니라 5G를 기반으로 정부 업무망을 고도화하고, 행정정보시스템의 15%를 클라우드 서버 기반으로 전환할 계획도 가지고 있습니다.  


한국판 뉴딜 정책이 구체화되면서, 5G와 인공지능(AI)뿐만 아니라 다양한 빅데이터 플랫폼 구축 기회와 클라우드 전환 계획을 확인할 수 있었는데요. 엑셈의 빅데이터 사업 기회와 클라우드 통합관제 솔루션 CloudMOA(클라우드모아)의 무대가 더욱 확대될 것으로 예상됩니다. 다가올 7월 확정될 종합계획 수립 방향에 대해서도 지속적으로 살펴봐야겠습니다.


>> 관련 기사



데이터로 실현하는 초연결사회 - K-UAM


5년 뒤인 2025년이면 교통체증없이 도심 하늘을 나는 '드론 택시'가 현실이 됩니다. 정부는 지난 6월 4일, '한국형 도심항공교통(K-UAM) 로드맵'을 확정했습니다. 친환경·저소음 3차원 교통수단인 도심항공교통(UAM, Urban Air Mobility)이 안전하고 편리한 교통서비스로 단계적으로 실현, 교통체증 없는 도심 하늘 길을 개척함으로써 새로운 시간과 공간의 패러다임을 창출할 계획입니다.


국토부 주도하에 현대자동차의 개발로 진행되는 '드론 택시'는 인천공항에서 여의도까지 약40km 거리를 20분 만에 주파할 수 있어, 기존 자차로 소요되는 시간의 1/3 수준입니다. 교통이 혼잡한 출퇴근 시간의 경우 김포공항에서 잠실까지는 약73분(34km)이 소요되는데, UAM을 이용할 경우 12분(직선거리 27km)만에 도착이 가능해 약 84%의 시간을 줄일 수 있습니다. 

 

 

정부는 교통 정체로 인한 이동 효율성 저하와 물류 운송 등 사회적 비용을 70%까지 절감할 수 있을 것으로 기대하고 있는데요. 오는 11월 국내에서는 처음으로 드론 택시 시범 비행에 들어갑니다. UAM 성장 기반 마련에 박차를 가하기 위해 정부에서는 관련 규제를 연구하고 인프라를 구축하고 있습니다. 


국토부가 발표한 UAM 관련 핵심 7대 기술은 ▲수직이착륙, ▲장거리비행, ▲분선전기추진, ▲모터구동·하이브리드, ▲자율비행, ▲센서, ▲소음·진동입니다. 7대 핵심 기술도 중요하지만, 그 기반이 되는 수많은 데이터를 잘 구축하고 운영해야만 활용할 수 있겠죠? 정부가 엑셈과 같이 데이터 노하우가 집성된 기업과 함께 빅데이터 인프라를 잘 구축하고 운영한다면 대한민국의 UAM 기술 발전은 더욱 탄력을 받을 것입니다.

UAM은 대도시권에 인구가 집중되면서, 지상교통의 혼잡을 해결하는 대안으로 주목받고 있습니다. 모건스탠리는 2040년까지 UAM 시장 규모가 1조 5,000억달러(약 1,800조원)에 달할 것으로 전망하고 있고요. 드론 택시 상용화를 통해 진정한 초연결사회로 진입할 대한민국의 모습이 기대됩니다.


>> 관련 기사

조선비즈, 인천공항→여의도 20분만에 주파…2025년에 ‘드론 택시’나온다

메가경제, 한국형 도심항공교통(K-UAM)의 실증사업 일정과 7대 핵심기술




데이터로 通(통)하는 대한민국의 변화, 여러분들은 어떻게 생각하시나요?









기획 및 글 | 사업기획팀 박예영








월간기술동향 | '한국판 뉴딜'이라는 추진력






뉴딜(New Deal) 이란?


<NEW DEAL, 출처 : 주한미국대사관>


게임에서 카드를 바꿔 새로 친다는 뜻으로, 미국 제32대 대통령 루스벨트가 대공황으로 침체된 경제를 살리기 위해 추진했던 경제 부흥 정책을 말합니다. 정부가 적극적으로 각 부문에 개입하여 경제 문제를 해결하려 한다는게 뉴딜 정책의 가장 큰 특징입니다. 7년이라는 장기간에 걸쳐 진행된 뉴딜정책은 단순한 경제정책에 그치지 않고 정치·사회 전체에도 큰 영향을 끼쳐 미국의 전통적인 자유방임주의를 수정하게 되었으며, 미국 경제정책의 틀을 만들고 도약의 기반을 마련했다는 역사적 의의가 있습니다.






한국판 뉴딜은?


한국판 뉴딜 정책은 경제 디지털화 가속과 비대면화 촉진 등에 중점을 두어 디지털 경제 혁신과 동시에 지속가능한 일자리를 창출하는 것을 목표로 하고 있습니다. 아래 3대 영역 프로젝트를 중심으로 10대 세부 중점 추진 과제를 마련하여 2~3년간 집중 추진할 예정입니다.


<한국판 뉴딜 프로젝트, 필자 재구성>


<3대 영역 프로젝트 및 10대 중점 세부 추진 과제>



1. 데이터·5G·AI 등 디지털 인프라 구축

(1) 데이터 전주기 인프라 강화 
  - 공공·금융·의료 등 주요 분야 데이터 개방·확대
  - 민간 데이터 맵 구축 등 데이터 거래·유통 지원 강화
  - 데이터·AI 펀드 조성 등 데이터의 산업적 활용 기반 마련

(2) 국민체감 핵심 6대 분야 데이터 수집·활용 확대
  - 금융 : 비금융정보 기반 신용평가업 도입, 금융 마이데이터 산업 제도 마련
  - 의료 : 마이데이터 서비스 플랫폼 구축, 의료데이터 활용전략 마련
  - 교통 : 교통 빅데이터 플랫폼 구축
  - 공공 : 데이터 SOS팀 운영, 데이터 진위 조회 신규서비스 도입
  - 산업 : 제조데이터 수집·저장센터 구축
  - 소상공인 : 상권정보시스템에 POS 데이터 활용, AI 기반 상권분석정보 제공

(3) 5G 인프라 조기 구축
  - 네트워크 고도화를 위해 민간 5G 전국망 조기 구축 촉진
  - 공공와이파이 등 공공 정보통신망 확충

(4) 5G+ 융복합 사업 촉진
  - 제조업 등 산업 현장에 5G+ 실감 콘텐츠를 접목해 디지털 전환 가속화
  - 안전·교통 등 분야에 5G+ 스마트시티 기술 도입

(5) AI 데이터·인프라 확충
  - 음성·행동 인식, 언어·시각 정보 이해 등 AI 학습용 빅데이터 조기 구축
  - AI·소프트웨어(SW) 전문인력 집중 양성

(6) 전산업으로 AI 융합 확산
  - 제조업 전반 및 중소·벤처기업 등에 지능형 생산 공정 도입
  - ‘AI 융합 프로젝트’를 통해 전 분야로 혁신 AI 서비스 확산

2. 비대면 산업 집중 육성

(7) 비대면 서비스 확산 기반 조성
  - 맞춤형 교육 콘텐츠를 제공하는 AI 기반 원격교육지원 플랫폼 구축 등 미래형 디지털 교육 환경 조성
  - 보건소 모바일 헬스케어, 화상연계 방문건강관리 등 디지털 기반 비대면 의료 시범사업과 코로나19 방역 계기 시범사업 확대

(8) 클라우드 및 사이버안전망 강화
  - 블록체인 등 첨단기술을 활용한 비대면 서비스 보안 시범 사업 추진
  - 공공부문 클라우드 정보 시스템 확대
  - 점차 증가하는 사이버 보안 위협에 대비해 정보보호 전문인력 양성 확대

3. 사회간접자본(SOC)의 디지털화

(9) 노후 국가기반시설 디지털화
  - 도로 철도 등 노후 시설물 스마트 관리체계 도입
  - 국가기반시설 관련 데이터 수집·가공·공유 확대

(10) 디지털 물류서비스 체계 구축
  - 도심 인근이나 유휴부지에 스마트 물류센터 등 첨단 물류 시설 확충
  - 로봇, 사물인터넷(IoT) 등 첨단 물류기술 실증을 위한 테스트 베드 구축

6월 초 하반기 경제정책 방향 발표 때 세부 추진 방안을 발표할 계획이라고 하니, 세부적인 사업과 함께 일자리 창출 규모 등 경제적 효과까지 확인할 수 있겠습니다. 



*한국판 뉴딜 정책 요약*

1.  포스트 코로나 시대의 경제, 사회 구조 변화에 대응하기 위한 정책

2.  디지털 인프라 구축에 집중 (원조 뉴딜 정책과 다른 점!)

3.  비대면 서비스 기반 다지기, 클라우드 및 사이버 안전망 강화

4.  도로, 철도 등 노후된 사회간접자본에 스마트 관리체계 도입

5.  6월초 세부 추진방안을 발표할 예정 & 올해 안에 집행 가능한 사업은 3차 추경에 반영






4차 산업혁명 기술의 폭발

빅데이터, 인공지능, 클라우드



지난 10일, 문재인 대통령은 취임 3주년 대국민 특별연설에서 "한국판 뉴딜은 디지털 인프라를 구축하는 미래 선점 투자"라며 "5G 인프라 조기 구축과 데이터를 수집, 축적, 활용하는 데이터 인프라 구축을 국가적 사업으로 추진하겠다"고 말했습니다.


이렇게 코로나19 사태로 인해 디지털 트랜스포메이션이 더 앞당겨지고, 정부 역시 여기에 초점을 맞춘 '한국판 뉴딜 정책'을 발표했습니다. 대한민국의 강점 중 하나인 IT 기술을 중심으로 산업 전 분야의 디지털 대전환이 기대되는데요. 특히 의료·교육 등 비대면 산업 인프라 육성, 디지털 기반 대형 IT 프로젝트 추진 등이 시행될 것으로 예상되어 IT 업계가 다시 한번 주목을 받고 있습니다. 방대한 데이터를 클라우드에 축적하고, 모인 데이터를 분석하고, 또 인공지능을 이용해 경제 전 영역에서 생산성과 경쟁력을 높일 수 있어 빅데이터, 인공지능, 그리고 클라우드와 같은 기반 기술이 필수적이기 때문이죠.


'한국판 뉴딜' 정책과 빠르게 진행되고 있는 클라우드 전환 패러다임은 엑셈이 영위하는 사업이 더욱 성장할 수 있는 추진력을 제공하고 있습니다. 엑셈이 갖춘 DBPM, APM&E2E 모니터링, 빅데이터, 인공지능, 클라우드라는 사업 포트폴리오는 향후 어떠한 위기에도 흔들리지 않는 기회로 작용할 것입니다.









내용 참고 및 출처

파이낸셜뉴스, 홍남기 "한국판 뉴딜, 디지털화 가속·비대면화 촉진에 중점" (종합)

뉴시스, '한국판 뉴딜' 밑그림 나왔다...핵심은 '비대면·SOC 디지털화'

조선비즈, [속보] 文대통령 "한국판 뉴딜, 국가 프로젝트로 추진...국민에 새로운 기회 제공"





기획 및 글 | 사업기획팀 박예영







엑셈 인사이트 | '디지털 뉴딜' 시대 본격 날개 펴는 엑셈의 '빅데이터'






최근 신종 코로나바이러스감염증(코로나19) 확산으로 이해 기업들의 '비대면화(언택트, Untact)', '디지털 전환(트랜스포메이션)'이 가속화되고 있다. 이와 동일한 선상에서 정부는 디지털 인프라 구축, 비대면 산업 육성, 사회기반시설(SOC)의 디지털화를 추진하며 ‘한국판 뉴딜’ 정책에 본격 시동을 걸었다. 여기에는 데이터 전(全) 주기 인프라를 강화하고 데이터 수집과 활용을 확대하는 등 데이터 수집∙활용 기반을 마련하여 혁신성장을 위한 디지털 인프라를 구축한다는 계획이 핵심 골자로 포함되어 있다. 


엑셈은 기업의 시스템 데이터를 전문으로 20년 업력의 역량을 쌓아온 데이터 전문 기업이며, 빅데이터는 엑셈의 근간이 되는 사업이다. 정부의 ‘한국판 뉴딜’ 정책 시동으로 열리는 ‘디지털 뉴딜’ 시대에 데이터 기업 엑셈의 빅데이터 전문성과 역할은 무엇이 될까? 




빅데이터의 엔드-투-엔드를 경험하다 


엑셈은 국내 최초 데이터 전문 기업으로, 450여 고객사의 기업의 시스템 데이터를 책임져오며 데이터 산업의 대표 주자로 자리매김했다. 엑셈은 이러한 데이터 처리 능력을 바탕으로 2016년 빅데이터 통합 관리 솔루션 ‘플라밍고(Flamingo)’ 3.0을 출시하고 빅데이터 영역으로 시장을 확대하며 4차 산업혁명 시대 코어 엔진을 마련했다. 이후 다수 기관과 기업에서 빅데이터 플랫폼을 구축하고 빅데이터 솔루션을 공급하며 분석 컨설팅을 진행해왔다. 대표적으로는 당시 국내 최대 규모였던 한국전력공사의 빅데이터 플랫폼 구축 사업과 130년 역사 초대용량 데이터를 보유한 우정사업본부의 데이터 현황 진단 및 빅데이터 과제 수행 사업, 그리고 500억 건의 데이터 유통 체계를 구축하는 경기도 지역경제 빅데이터 플랫폼 사업에 참여했다. 이를 통해 데이터 품질 진단, 거버넌스, 수집, 분석, 가치 창출까지 명실공히 빅데이터 라이프사이클 전 영역을 수행 경험한 국내 유일한 빅데이터 전문 기업으로 성장했다. 




전문화된 분석 컨설팅 방법론에 글로벌 리딩 AutoML 솔루션으로

정교한 분석력을 완성하다 


엑셈은 다년간 산업 전반의 빅데이터 구축 및 제품 공급과 컨설팅 경험 그리고 이를 통해 전문화된 빅데이터 방법론을 마련하는데 그치지 않고, 급속히 성장하는 빅데이터 분석 시장에서 반복적이고 복잡한 분석 과정의 ROI와 예측 정확도를 높이는 것이 기업들의 중요한 과제임을 인식했다. 그리고 글로벌 머신러닝 자동화 시장을 주도하고 있는 ‘데이터로봇(DataRobot)’, ‘나임(KNIME)’ 등과 파트너 계약을 맺고 엑셈의 분석 컨설팅 전문성과 글로벌 솔루션의 Auto ML 기반 분석 자동화 기술력과 정교한 분석력을 결합하여 데이터 분석 시장 선도에 나섰다. 


‘데이터로봇’과 ‘나임’은 가트너의 2020년 매직 쿼드런트 보고서 데이터 사이언스 및 머신러닝 플랫폼 부문(Gartner 2020 Magic Quadrant for Data Science and Machine-Learning Platforms)에서 ‘비저너리(Visionary)’ 기업으로 선정되었으며, 다수의 글로벌 굴지 기업 고객을 보유하며 글로벌 데이터 분석 시장을 선도하고 있다. ‘데이터로봇’의 경우, 데이터 통합 검색 및 협업 플랫폼 전문 기업 ‘커서(Cursor)’, ML옵스(MLOps) 플랫폼 기업 ‘ParallelM’, 데이터 프렙(Data Preparation) 솔루션 전문 기업 기업 ‘팍사타(Paxata)’ 등 3개 기업을 인수했다. 이를 통해 빅데이터 분석 과정에서 80% 이상의 시간과 비용이 소요되는 데이터 준비 과정을 자동화하는 ‘데이터 프렙(Data Preparation)’ 기능을 강화하는 등 엔드투엔드(End-to-End) AI 플랫폼 기능을 완성시키며, 기업들이 데이터를 중심으로 비즈니스 혁신을 가속화할 수 있는 기반 기술 경쟁력을 공격적으로 강화하고 있다. 모 금융사에서는 ‘데이터로봇’을 활용하여 대출 상환 여부 및 여신/수신 금액 모델을 구현하였으며, 기존의 방식보다 높은 예측 정확도를 보이며 활용되고 있다. ‘나임’은 시장 조사 기업인 마케츠 앤 마케츠(MarketsandMarkets)의 보고서에서 미국 내 우수한 제품과 비즈니스 전략을 보유한 25개의 머신러닝 기업 중 하나로 선정되며 빅데이터 분석 자동화 기술을 인정받고 있다. 


국내에서는 R과 Python을 대신하여 디지털 전환의 오픈 소스 분석 솔루션으로 ‘나임’이 관심을 받고 있는 상황이며, 엑셈은 ‘나임’의 관심에 부응하고자 웨비나를 통해 ‘나임’에 관한 다양한 기능과 활용법을 유튜브 컨텐츠로 제공하고 있다. 국내 C통운과 H공사는 코딩에 익숙하지 않은 현업이 ‘나임’을 활용하여 데이터 분석을 시도하고 있다.


<Gartner 2020 Magic Quadrant for Data Science and Machine Learning Platforms (as of Nov 2019)>



그뿐만 아니라 엑셈은 2018년부터 국내 유수 패션기업에서 다양한 주제로 다각적인 분석을 수행하고 있다. 이를 통해 고객의 숨겨진 니즈를 발굴하고 판매 효율을 증진시키는 등 해당 패션 기업의 업무 혁신에 기여 중이다. 현재 패션 유통을 포함한 리테일 시장 환경은 급속한 변화를 겪고 있으며, 변화된 시장과 소비자의 마음을 빠르게 읽고 대처하고자 하는 노력이 가속화되고 있다. 이에 따라 빅데이터와 인공지능(AI) 기술을 기반으로 데이터 분석을 비즈니스에 활용하고자 하는 수요가 급격한 속도로 증가하고 있기에, 유통∙마케팅 빅데이터 분석 시장에서 엑셈의 전문화된 분석 컨설팅 역량 발휘가 더욱 기대되고 있다. 



에너지 데이터 전문성으로 ‘디지털 뉴딜’ 시대 성장의 날개를 달다  

엑셈은 한전 빅데이터 통합 플랫폼 구축 사업 이후 연이은 한전 빅데이터 관련 사업 수행과 더불어 최근 본격화되고 있는 공공 에너지 분야 빅데이터 사업 역량을 인정받아, 현재 한국전력공사의 빅데이터 플랫폼 성능 보강 사업을 수행 중이다. 엑셈은 에너지 기업의 시스템과 데이터를 다년간 다루어 오면서 풍부한 도메인 지식을 가지고 보유하고 있다. 인프라 환경 이해도가 높고, 구축 및 분석 노하우도 상당하다. 에너지 운용 효율성을 높이기 위한 빅데이터 사업 수행 경험은, 올해에만 굵직한 사업들이 여럿 예정되어 있는 공공 에너지 사업 분야에 응용되어 사업 기회를 선점하는 데에 가능성을 높이고 있다. 이와 더불어 정부는 데이터 수집 활용 기반을 통한 디지털 인프라 구축을 강조하며 ‘디지털 뉴딜’ 정책을 강력하게 드라이브하고 있기에 기대감이 더해지고 있다. 또한 해당 사업 수행을 통해 엑셈이 자체 개발한 빅데이터 통합 관리 솔루션 ‘플라밍고(Flamingo)’의 웹 기반 데이터 탐색, 분석, 시각화, 공유 기능으로 분석 작업 기능을 효율적으로 개선하고, 워크플로우 기능을 고도화하여 데이터셋(Dataset) 현행화 기능을 강화하고 있다. 엑셈은 한층 더 업그레이드된 ‘플라밍고’를 통해 외산 솔루션 대비 저렴한 가격과 빅데이터 분석 전문가들의 우수한 컨설팅 지원 서비스 체계를 기반으로 한 하둡 에코시스템 모니터링과 빅데이터 통합 관리를 지원할 계획이다. 

엑셈은 그뿐만 아니라 최근 과학기술정보통신부와 정보통신기획평가원(IITP)이 주관하는 ‘2020년 혁신성장 청년인재 집중양성 사업’에 빅데이터, 인공지능 분야의 참여기관으로 선정되었다. 엑셈은 해당 사업을 통해 광주광역시 스마트미디어인재개발원과 함께 엑셈의 인공지능, 빅데이터 노하우를 전수하는 교육 과정을 진행할 예정이며, 이를 기반으로 호남지역의 에너지 빅데이터 사업 분야 우수 인력 양성과 경제 발전에 기여한다는 계획이다. 이는 디지털 선도 인력을 양성하여 지속 가능한 일자리 창출을 목표로 하는 ‘한국판 뉴딜’ 정책과 맥을 같이 하고 있으며, 엑셈은 나주 사무소를 거점으로 국내 유일의 에너지 신산업 규제 자유 특구인 호남 지역에서 ‘디지털 뉴딜’ 관련 다양한 사업 수요가 연결될 것으로 기대하고 있다.  



마치며

엑셈은 20년 업력의 데이터 전문 기업의 노하우를 가지고, 근간 사업인 빅데이터 사업에서 다양한 산업 분야와 융합 시너지를 창출하며 빅데이터의 엔드-투-엔드를 커버 가능한 유일한 기업으로 성장해왔다. 다년간 다수 사업으로 내재화된 빅데이터 플랫폼∙분석 컨설팅 전문성과 글로벌 분석 솔루션으로 정교화된 분석력, 그리고 에너지 데이터 전문 역량은 이미 연이은 사업 수주로 가시화되고 있는 엑셈 빅데이터 사업이 ‘디지털 뉴딜’ 시대 괄목할 만한 성장이 기대되는 이유이다. 데이터 전문 기업 엑셈의 빅데이터는 ‘디지털 뉴딜’ 시대 필수적인 역할을 수행하며 새롭게 시장을 석권해 나갈 것이다. 









기획 및 글 | 사업기획팀






엑기스 | 지능형 전력 빅데이터 예측, AutoML이 답!

기술이야기/엑.기.스 2020. 3. 13. 16:38






인공지능(AI)과 전력 빅데이터 분석


인공지능은 센스나 장비, 기기 등의 현 상태를 모니터링 하는 단순 영역부터 복잡하고 불확실한 미래상황을 추론하는 영역까지 다양한 영역에서 적용되고 있다. 가트너에서는 AI가 2021년까지 3천 3백조원의 비즈니스 가치와 7조 시간을 절약하는 업무 생산성 향상을 가져다 줄 것으로 예상하고 있다. 기계학습(머신러닝, Machine Learning)이나 심층학습(딥러닝, Deep Learning)은 모두 인간의 지능을 대체한다는 점에서 인공지능이라고 정의된다.


최근 데이터 과학과 데이터 사이언티스트의 부족으로 인해 자동 기계학습(Auto ML) 영역이 급속도로 커지고 있다. Auto Machine Learning이란, 데이터만 있다면 자동으로 분석 모델을 학습하고 갱신하여 최적의 분석 알고리즘을 추천, 업무에 적용하는 것이다. 분석 전문 지식이 없는 일반 사용자도 쉽게 머신 러닝 분석을 자동으로 생성하고 활용 가능하다. Auto ML 소프트웨어 툴의 수는 단 2년 만에 300%가 증가하였는데, 자동화된 데이터 과학 도구에 대한 다양한 정의, 기대 및 회의론과 모델 개발 및 배포에 대한 개선된 접근 방식 등의 변화로 이루어졌다.

전력 분야에서는 자원 및 시설의 효율적인 관리와 함께 문제 및 변칙의 적시 감지, 전력 수요 및 서비스에 대한 효과적인 예측을 위해 빅데이터와 AI 기술을 활용하고 있다. 다수 빅데이터 프로젝트가 진행되고 있으며, 플랫폼 및 인프라, 에너지 대용량 데이터 모니터링 및 분석, 스마트 시티, 스마트 홈 및 전기 자동차의 수요 예측, 새롭고 혁신적인 에너지 서비스 등의 분야를 포함한다.


데이터 분석 기법과 프로세스

데이터 분석의 80%가 머신러닝 기법을 이용하고 있다. 머신러닝은 비지도, 지도, 심층, 강화 학습 등으로 나뉘고, 최근 Gradient Boosting Tree와 Random Forest와 같은 머신러닝 앙상블 모델을 분석에 주로 활용한다. 현재 머신러닝 자동화 제품으로 가능한 분석 기법은 지도학습(Supervised Learning)이다. 예측하고자 하는 변수(목표변수, 결과)를 분석하기 위해서는 결과(정답)가 있는 과거 이력 데이터가 필요하기 때문이다. 일부 상용 머신러닝 플랫폼 중 머신러닝 자동화가 가능한 제품은 비지도학습 기법인 주성분 분석(Principal Component Analysis)과 K-Means 분석을 활용해 결과 예측력을 높이는 기능도 제공한다.


일반적인 데이터 분석 프로세스는 데이터 준비 – 데이터 저장 – 구조화 – 전처리 – 모델 평가 – 모델 학습 – 예측 데이터 수집 – 모델 배포 – 예측과 실제 결과 비교 – 모델 관리 모니터링 – 시각화 – 인사이트 발굴의 12단계이며, 대표적인 전통적 데이터 분석 프로세스는 아래 3가지가 있다.


그렇다면 전통적인 IT 프로젝트와 빅데이터 분석 프로젝트의 차이는 무엇일까? 전통적인 프로젝트는 기존 프로세스를 파악해 개선된 프로세스를 기반으로 시스템과 제품, 생산 등의 효율성과 비용절감을 강조하지만, 빅데이터 분석은 예측을 통해 가치를 창출하는데 초점을 맞춘다.




머신러닝 플랫폼의 종류와 평가 프레임워크



가트너에서 매년 발표하는 Magic Quadrant의 2020년 데이터 과학과 머신러닝 플랫폼 부문을 보자. 2020년으로 넘어가면서 전통적인 머신러닝 플랫폼인 SAS가 다시 리더 포지션으로 올라왔고, KNIME이 작년 리더 그룹에서 비저너리 그룹으로 내려온 점이 주목할 만 하다. 또한 Databricks, Dataiku, DataRobot 등이 새로운 포지션으로 이동했다. 

데이터 사이언티스트들은 오픈소스로 모델을 구현하는 경우가 많지만, 모델 구현 후 모델 배포 관점에서 상용 플랫폼을 선택하는 경우가 많다. 상용 플랫폼의 경우 모델 배포 및 모델 활용을 위해 Rest API 지원이 편리하고 용이하기 때문이다. 또한 다수의 상업 플랫폼이 이용 가능한 머신러닝 플랫폼이 R과 Python을 같이 쓸 수 있도록 지원하고 있다. 외산 Auto ML 제품군에서는 DataRobot과 H2O가 국내 지원을 하고 있다. 


Auto ML 평가를 위한 일관성 기준도 있다.

① 데이터 연결성 

② Summarization, Exploration & Cleansing을 포함한 데이터 처리의 기능 및 자동화

③ 데이터 변환 및 피쳐 선택을 포함한 피쳐 엔지니어링에서의 기능 및 자동화

④ 하이퍼 파라미터 튜닝, 문제 유형 및 앙상블을 포함한 학습 알고리즘의 기능 및 자동화

⑤ 데이터 및 모델 성능 시각화

⑥ 모델 성능 평가 역량

⑦ 제품 GUI, 코드 배포 및 포함을 비롯한 배포 옵션

⑧ 가격 책정


대표적 Auto ML인 데이터로봇의 기능과 특장점을 살펴보자. 

① 데이터 탐색 → 100+여개 기법 중 최적 모델 선택 → 최적의 하이퍼 파라미터 기준으로 모델 구현 → 분석 모델 배포 → 배포된 모델 관리

② 로지스틱 회귀, 랜덤 포레스트, 서포트 벡터머신, Lasso 회귀, 베이지안, 신경망 모델 등 100+여개의 분석 모델 중 최적 모델 선정

③ 사람이 아닌 기계를 통한 최적화로 모델 구현 공수 70% 감소 효과






Auto ML을 통한 전력사용량 예측


1분석 목표와 범위 : 전력 데이터를 활용한 고객 사용량 예측

공개된 임의의 과거 3년의 전력 사용량을 활용하여 전력사용량을 예측하는 분석 수행을 통해 예측 분석 모델링을 하고자 한다. 계약정보 및 사용량 패턴을 통해 고객별 일별 전력사용량을 예측하는 모델을 구축했다.


2. 분석 결과 및 활용 : 전력사용량 예측 모델 활용

분석한 모델을 웹서버에 배포하여 실시간으로 전략 사용량 예측 가능성을 타진하였고, 가상의 임의의 데이터를 평균값으로 입력 후 전략 사용량을 예측했다.



가상환경 환경 시뮬레이션을 통해 전력사용량을 재계산한 결과 전력 사용량이 174601.56kWh로 변경되었다.



3. AI기반 지능형 전력 빅데이터의 활용
향후 전력 사업 분야에서도 새로운 비즈니스와 가치 창출을 위해 Auto ML을 활용할 것으로 예상하며, AI 기반의 전력 분야에서 자원 및 시설의 효율적인 관리, 문제 및 변칙의 적시 감지, 전력 수요 및 서비스에 대한 효과적인 예측을 위해 빅데이터 및 AI 기술을 활용할 수 있는 지능형 빅데이터 분석 플랫폼이 필요할 것이다.









기고 | 빅데이터사업본부 조치선
편집 | 사업기획팀 박예영








월간기술동향 | 이제는 MaaS 시대!






소유에서 공유로, 이제는 MaaS 시대!

PaaS, SaaS, IaaS 말고... MaaS를 아시나요?


2010년 서비스를 시작한 우버가 10년 만에 기업 가치 137조 원으로 성장하면서 디디추싱, 그랩 등 차량 공유 서비스가 전 세계적으로 확산되고 있습니다.


이제는 차량 공유에서 한발 더 나아간 MaaS가 주목을 받고 있는데요. MaaS(Mobility as a Service, 마스)는 '서비스로서의 이동'이라는 의미로 택시, 기차, 버스, 지하철, 카셰어링, 자전거, 킥보드 등등! 모든 교통 수단을 하나의 서비스로 제공합니다. 개인이 '소유'한 단일 교통 수단을 이용하는 것보다 훨씬 더 빠르고 저렴하게 목적지까지 효율적으로 '이동'할 수 있도록요.



지금도 공유 서비스, 대중교통 환승 및 경로 안내 등이 부분적으로 구현되어 있고, 네이버 지도나 구글 지도처럼 도보를 포함해 대중교통으로 갈 수 있는 최적 경로 탐색 등이 가능하지만 MaaS는 어플 하나면 모든 교통 수단을 통합적으로 고려한 최적 경로, 비용 정보, 호출 및 결제 등 이동 관련 전 과정을 이용할 수 있어요.


MaaS는 자동차를 소유의 개념으로 보지 않고 서비스로 봅니다. 자동차를 대중교통처럼 이용할 수 있다면 자동차 구매와 유지 보수를 위한 큰 비용을 지출할 필요가 없죠. 더불어 MaaS가 확산되어 도시 내 자동차 수가 줄어들면 부족한 주차 공간, 환경 오염, 교통 체증 등의 문제를 해결할 수 있을 거에요.


<MaaS 프레임워크, 출처 : LVM Ministry of Transport and Communications>






MaaS 사례 살펴보기


<UBiGO 화면, 출처 : App Store>


MaaS는 2013년 UbiGo라는 스타트업이 스웨덴에서 시행한 시범 사업을 계기로 개념화 되었는데요. UbiGo는 앱을 통해 대중교통, 셰어링카, 렌터카, 공유 자전거, 택시 등 5대 교통 수단에 대한이용 정보와 예약 및 결제 서비스를 제공합니다. 환경 친화적 교통 수단을 선택할 경우 보너스도 제공하고 있어요.



<Whim 화면, 출처 : Whim 공식 홈페이지>


핀란드의 ‘Whim’앱은 헬싱키 내의 버스, 트램, 택시, 렌터카, 오토바이, 공공 자전거까지 모든 교통 수단을 조합해 최적의 경로를 안내합니다. 이용자 선호도를 학습해 이용자 맞춤형 이동 수단을 추천해주기도 하고요. 핀란드에는 자동차 제조사가 없는데, 발달된 통신 기술을 기반으로 서비스를 시작했다는 점이 눈길을 끄네요!




<Qixxit 화면, 출처 : Qixxit 공식 홈페이지>


Qixxit은 독일의 철도 회사 도이치반이 기차와 항공사, 버스, 택시, 차량 및 자전거 공유, 렌터카 등과 연계하여 통합 서비스를 개발한 사례입니다. 이동 수단 뿐만 아니라 도서관, 쇼핑, 식당 등에 대해서도 예약 결제 서비스를 제공합니다.






국내 상황은?

그렇다면 현재 한국, 특히 서울의 상황은 어떨까요? 서울은 지하철, 버스 등 대중 교통 인프라가 잘 형성되어 있고, 타다, 쏘카 등 공유 자동차도 활성화되어 있습니다. 그리고 따릉이(서울시 공유 자전거 서비스)와 킥고잉(킥보드 공유 서비스) 등도 계속 서비스 지역을 확대하고 있죠. 

이렇게 서울은 MaaS 도입과 발전 가능성 측면에서 굉장히 유리한 여건을 가지고 있습니다. 현재의 노하우와 인프라를 활용해 MaaS를 도입한다면 사용자들은 더욱 최적화된 경로로 목적지까지 이동이 가능해질 거에요.

<MaaS 한눈에 보기, 출처 : 쌍용자동차 블로그>






PwC에 의하면 전세계 MaaS 시장은 2030년까지 1.4조 달러 규모로 연평균25%씩 성장이 예상된다고 합니다. 또한 올해 1월에 열린 CES 2019에서는 자동차 관련 최대 이슈로 MaaS를 주목할 만큼 뜨거운 주제인데요. 


이처럼 모빌리티의 미래인 MaaS 시장의 주도권을 잡기 위해 자동차 업계부터 IT 업계 등 많은 투자가 이루어지고 있습니다. 토요타는 MaaS 혁신을 위해 소프트뱅크와 ‘모넷테크놀로지’를 공동 설립할 뿐만 아니라, 우버(5억달러)와 그랩(10억달러)에 많은 돈을 투자했습니다. 현대기아차는 작년에 MaaS 관련 투자만 약 5000억을 집행했다고 합니다. 전통적인 제조업에 가까웠던 기존 자동차 기업들도 서비스 분야로 그 영역을 확장해 나가고 있는 상황입니다. 


반대로 Whim과 Uber처럼 자동차 제조기술은 없어도 서비스는 너무나 빠르게 제공하기도 합니다. 플랫폼의 힘일까요?

이렇게 4차 산업혁명시대에서는 산업 간 경계가 빠르게 허물어지고 있습니다.











기획 및 글 | 사업기획팀 박예영







[Semtong 143회] 2020년에도 대박나쥐!

다른 이야기도 궁금하시다면?

 

 

 👨‍🏫 엑셈 뉴스룸 | SoftWave 2019 참가기

 💌 엑쓸신잡 | 2020년부터 바뀌는 것들

 😉 엑기스 | 대한민국 4차 산업혁명 페스티벌 2020