<1> AWS 데이터 분석 서비스
<2> 만도 스마트 팩토리 AI 비전 시스템
<3> 만도 스마트 팩토리 AI 비전 시스템 아키텍처
<4> 경동 나비엔 스마트 분석 플랫폼 구축
<5> 경동 나비엔의 스마트 펙토리 플랫폼 아키
<6> 경동 나비엔의 스마트 펙토리 플랫폼 데이터 파이프 라인 아키
<7> 경동 나비엔 성과
<1> AWS 데이터 분석 서비스
EMR - 빅데이터 처리 분석
Kinesis - 실시간 비디오, 데이터 스트림 분석
OpenSearch Service - 로그, 검색 및 분석
Redshift - 데이터 웨어 하우스 , DW
MSK - 빅데이터 프레임워크를 쉽게 실행. 실시간
Athena - 대화형 쿼리 기반 분석
<2> 만도 스마트 팩토리 AI 비전 시스템
1
기존?
비전 검사 설비 운영 중
2
만도는?
부품 및 서비스를 제공하는 글로벌 모빌리티 부품 전문 기업
자동차를 멈추는 제동 장치, 방향을 조정하는 조향장치, 자율 주행 설루션까지 모빌리티 관련 하드웨어 , 소프트웨어 모두 진행
3
기존 룰 기반의 알고리즘으로 진행
데이터의 증가와 결함 유형이 다양해짐에 따라 룰 기반 검사 시스템 한계 발생함.
일정 수준까지 성능은 가능.
높은 수준은 힘듦.
엔지니어의 지식에 따라 검사 차이가 남.
4
필요성?
효율적인 인프라 시스템이 필요함.
기존 국내에 온프라미스 기반의 AI 시스템을 구축함.
투자비와 소요시간이 오래 걸렸음.
글로벌 구축을 위해서는 투자 비등 필요.
5
도입 내용?
온프레미스 시스템을 클라우드로 도입함.
다이나모 디비, S3
컨테이너, 모델 빌드 자동화
배포 시나리오
에지 디바이스
<3> 만도 스마트 팩토리 AI 비전 시스템 아키텍처
1
SageMaker Studio 사용
AI/ML에 필요한 거의 모든 기능이 있다.
2
모델 빌드 파이프 라인 구성은?
소스 관리 - CodeCommit , CodeBuild 사용.
모델 빌드 워크플로우는 전처리/학습/평가로 나누어짐. SageMaker 사용
Code PipeLine으로 자동으로 동작하게 되어 있음.
ECR 사용
3
모델 배포 파이프 라인 구성은?
Code PipeLine으로 자동으로 동작하게 되어 있음.
CoudBuild 사용
4
추론 Iot 구성은?
IOT Code 서비스를 사용해서 인퍼런스에 필요한 컴포넌트들을 해당 에지 디바이스에 배포하도록 되어 있음.
5
에지 로케이션, 공장, 미국 구성은?
에지 디바이스는 IoT 그린 글레스를 통해 서빙이 이루어진다.
6
대시보드는?
모델 성능 모니터링을 위해 쿽사이트, 글루, 아테나를 사용해 대시보드를 개발함.
7
IOT CORE/GRENGRASS 도입이 만족스러움.
8
성과?
성능 40% 향상
비용 75% 인프라 비용 줄어듬.
미국 공장 대상으로 진행됨.
현지 엔지니어에게 일주일 교육으로 운영에 이상 없음.
<4> 경동 나비엔 스마트 분석 플랫폼 구축
1
경동 나비엔?
국내 보일러 제조사별 매출액 1위
2021년 매출액 1조
2
제조업에서 IT기업으로 전환하고자 하고 있다.
3
스마트 분석 플랫폼 구축 목표?
데이터 레이크 - 데이터를 하나로 모음. 기존 서비스에는 영향이 없도록 함.
분석 환경 - 머신러닝과 인공지능 기반의 품질 강화, 예지 정비 기반 마련
탄력적 운영 - 데이터가 증가하고 관리해야 하는 공정이 늘어도 가능하도록
비용 절감- 직원 생산성을 높인다.
4
구축 과정?
디스커버리 워크숍 - 현장의 요청사항 파악
과제 선정
클라우드 설계 - AWS 프로페셔널 인프라팀과 진행함.
구현
확장
<5> 경동 나비엔의 스마트 펙토리 플랫폼 아키
현재 운영 중인 서비스 및 데이터베이스에 영향을 주지 않도록 하며, 데이터 레이크 구축
운영 중인 생산에 문제가 되면 안 되므로.
1
스마트 펙토리 플랫폼 아키는?
수집 1
데이터베이스를 DMS 이용 AWS로 마이그레이션 진행
운영 중인 데이터베이스는 계속 운영된다.
3
S3에 데이터 레이크를 구성
4
Glue, 람다, 아테나 사용하여 비용 효율성과 탄력적 리소스 사용.
분석가나 매니저가 아테나로 사용한다.
5
머신러닝과 인공지능을 위한 준비 - 세이즈 메이커 사용
데이터 엔지니어, 사이언티스트 사용함.
6
수집 2
생산설비에서 전달되는 데이터는?
키네시스 데이터 스트림, 파이어 호스로 수집 , 오픈 서치, 키바 나로 시각화함.
생산 현장에서 사용함.
<6> 경동 나비엔의 스마트 펙토리 플랫폼 데이터 파이프 라인 아키
1
온프라미스 데이터를 가져오는 과정
2
운영 중인 데이터베이스에 쌓이는 데이터는?
DMS 이용 가져옴
원본 데이터를 S3에 저장
추출, 변환, 적제를 위해 Glue이용
글루에서 Hudi Connector를 이용하여 데이터의 정합성을 검증
S3저장
아테나에서 쿼리 함
대시보드 사용
3
실시간으로 가져오는 설비장비의 센서 데이터는?
키네시스 데이터 스트림과 파이어호스를 이용하여 가져옴
실시간 대시보드는 오븐 서치 서비스를 이용함.
4
데이터 레이크 설계?
S3를 사용 용도에 맞게 3가지 버켓 생성
데이터 레이크 버킷
아테나, 클라우드 트레일, 키네시스 파이어호스 백업 등 저 정을 위한 로그 버킷
Hudi Connector라이블러리를 저장하는 아티팩트 버킷을 만듦
5
데이터 레이크 버킷은?
3가지 계층으로 만듦
데이터는 Parquet 포맷으로 저장하여 데이터 저장 비용을 최적화, 처리 성능 향상.
1) 원본 데이터 저장 - 만료 규칙을 지정함.
2) 분석을 위한 데이터
3) 데이터마트 - 머신러닝, 인공지능의 용도로 사용함.
6
CDK를 사용?
80%의 배포 단축, 50% 이상 휴먼 에러 방지, 40% 이상 생산성 향상
<7> 경동 나비엔 성과
1
기술적 관점?
DMS기반 클라우드 분석 플랫폼 구축
기존 데이터베이스에 부하를 주지 않고 실시간 모니터링 제공, 분석 역량 강화됨.
추가의 경우 아테나 사용도 가능.
해외 통합 관리도 가능해짐
2
비즈니스적 관점?
대시보드를 통해 새로운 사업 창출 기회와 비용 절감 효과.
3
조직적 관점?
공장, 연구소, 인프라 합쳐서 혁신을 진행하는 스마트 조직이 생김.
4
모신 러닝 대시보드 3가지?
메인
불량률 - 불량 발생 추이 확인 , 원인 파악 가능하도록 설계, 실무진에게 도움이 되는 대시보드
이상 감지
5
향후 계획 3가지?
스마트 팩토리 표준 인프라 구성
국내/외 리전 인프라 통합, 보안, 관제 정책 통합
데이터 기반 의사결정 체계 수립
디지털 분석 조직이 만들어짐
데이터를 통한 의사 결정을 할 수 있도록 할 예정
AI/ML도임을 통한 비용 절감, 생산성 제고
설비 예지 시스템 구축 예정
https://brunch.co.kr/@topasvga/2439
감사합니다