글로벌 전문가들은 IIoT(산업용 사물인터넷) 시장이 예상을 뛰어넘는 성장을 이룰 것으로 전망하고 있습니다. 액센추어(Accenture)의 조사에 따르면 2030년까지 IIoT는 세계 경제에 약 14조 2천억 달러를 기여할 것으로 보고됩니다. 그러나 그동안 IIoT는 기존의 전통적인 방식으로는 이상 징후를 탐지하고 예측할 수 없다는 한계로 어려움을 겪어왔습니다. 최근 '인지 이상 탐지(Cognitive Anomaly Detection)'가 주목받고 있는데, 과연 기대만큼의 성과를 낼 수 있을까요? 이를 이해하기 위해서는 먼저 IIoT와 인지 이상 탐지에 대한 개념을 알아야 합니다.
IIoT란 무엇일까요?
IIoT라는 용어는 2012년 말 GE(제너럴 일렉트릭)가 처음 사용했습니다. IIoT(Industrial Internet of Things)는 사물인터넷(IoT) 개념을 산업 분야로 확장한 더 큰 그림입니다. IIoT는 머신러닝(ML)과 빅데이터 기술의 잠재력을 실현시키며, 자동화 기술을 자율적으로 작동하는 차원으로 끌어올리는 것을 더 이상 어려운 과제가 아니게 만듭니다. 전 세계의 센서와 사물인터넷 기기가 수집하는 데이터의 양을 생각해 보면, 적절한 분석 없이는 이 데이터들은 존재 가치를 잃고 결국 삭제될 수밖에 없습니다. 그렇다면 데이터 수집 과정 자체가 무의미해집니다. 하지만 IIoT를 활용하면 데이터를 다른 시스템과 결합해 훨씬 쉽게 처리할 수 있습니다. 그런데 인지 이상(Cognitive Anomaly)이란 무엇일까요?
인지 이상 탐지란 무엇일까요?
인지 이상 탐지(CA)는 비지도 학습(unsupervised learning)과 패턴 인식을 활용해 IIoT 데이터 속 이상 징후를 식별하는 프로세스입니다. 이전에는 활용되지 못했던 방대한 데이터 덩어리들이 바로 그 대상이죠. 이를 통해 거짓 경보(false alarm) 발생을 크게 줄일 수 있습니다. 또한 고장과 장애를 적시에 감지함으로써 시간과 자원을 크게 절약할 수 있습니다.
인지 이상 탐지가 IIoT에 미치는 영향
통계를 믿는다면, 에어버스 A350 여객기에는 약 6,000개의 센서가 탑재되어 항공편당 2.5페타바이트의 데이터를 생성할 수 있습니다. 자동차 제조업체, 발전소, 유정 시추 설비, 조립 라인 등 다른 산업 분야도 예외는 아닙니다. 수천 개의 센서가 끊임없이 가동되며 매일 어마어마한 양의 데이터를 생산하고 있습니다. 하지만 IIoT 기업들이 실제로 활용하는 데이터는 생산량의 20%에 불과합니다. 중요한 패턴을 식별하지 못하기 때문에 우리는 아직도 수집된 데이터의 활용 방안을 찾아 헤매고 있는 것입니다. 대규모로 이상 징후를 찾아낼 수 있어야 설비 가동률을 높이고 연료 소비를 줄일 수 있습니다.
또한 실시간 데이터에 직접적인 영향을 주는 지연(latency) 문제, 소부품 수명 예측 실패, 인력 운용에 따른 비용 부담 등 다양한 이상 현상과 문제점들이 존재합니다.
앞서 언급했듯이, 인지 이상 탐지는 머신러닝과 데이터 분석에 기반하여 IIoT가 기존 방식으로는 예측하거나 해결하지 못하는 문제들의 해결책을 찾도록 돕습니다. 하지만 단순히 이상을 찾아내는 것만으로는 충분하지 않습니다. 이상 징후의 종류가 워낙 다양하기 때문에 정상과 비정상을 구분하는 것 자체도 만만치 않은 과제입니다. 따라서 데이터를 연결하고 상관관계를 분석해 고장을 예측할 수 있다면 막대한 시간과 자산을 절약할 수 있습니다.
데이터 과학자 타즈 다라(Taj Darra)는 이에 대해 "머신러닝이 인지 IoT 프레임워크와 결합되면, IIoT 기업은 센서 데이터의 초기 수집 단계부터 예측 결과 도출, 이상 여부 판단까지 단 이틀 만에 완료할 수 있다"고 밝혔습니다. 이제 모든 센서를 병렬로 측정할 수 있게 되었다는 점에서 상당히 인상적인 성과입니다.
인지 이상 탐지는 단계별로 진행되며, 정해진 순서를 그대로 따릅니다. 바로 연결(Connect), 탐지(Detect), 검증(Validate), 예측(Predict), 실행(Act)의 5단계입니다. 먼저 구조화된 데이터 소스에 연결한 후, 발견된 개체가 이상으로 간주될 수 있는지 탐지합니다. 이어서 검증 과정을 거친 뒤 예측을 수행합니다. 이 과정이 완료되면 시스템 API에 연결하여 필요한 조치를 취할 수 있습니다. 이러한 접근 방식을 통해 부품의 약 75%를 비정상 동작이 시작되기 전에 미리 고장을 예측할 수 있습니다.
따라서 두 기술의 결합은 우리의 업무 방식을 한 단계 업그레이드하는 데 큰 도움이 될 것입니다. 효과적인 관리 체계가 부족해 방대한 데이터가 불필요하게 공간만 차지하는 현실에서, 기존 방식을 새로운 방식으로 대체하는 것은 분명 우리의 목적에 부합합니다. 나아가 매일 생성되는 방대한 데이터를 효과적으로 관리할 수 있게 되면, 자산 고장 관리 강화, 계획되지 않은 가동 중단 감소, 고장 예측 정확도 향상, 유지보수 비용 최소화, 자원 사용 최적화, 품질 문제 예방 및 보증 클레임 감소, 자산 수명 연장 등의 성과를 거둘 수 있습니다.
이제 업그레이드할 때입니다! 데이터 전문가들이 약속한 대로 이 기술이 작동하여 더 나은 내일을 만들어 주기를 희망합니다. 이에 대한 여러분의 생각을 댓글로 알려주세요!