2. AWS의 Cloud & Emerging Tech
각 C-Suite Persona別 DT에 활용
•내부 DT 사업화 5G+클라우드 / PMI 단축
Trend 적용 사례
•ML & Edge 예측정비 / 수율제고 / 품질관리
CSO
•ML 수요 예측 / ERP 이전 운영 고도화
C-Suite別DigitalTransformation활용영역
R&D
제조
SCM /
Operatio
n
신사업 /
M&A
마케팅 /
고객 관리
상품기획
/ 차별화
비용
최적화
CMOCOOCFO
•ML 개인화 / 다채널 관리 / Contact Center
•ML/Big Data/IoT 제품/서비스 Smart化
•HPC Time-to-Market / Emerging Tech 확보
•Migration TCO 절감 & Asset Light化
CTO
3. AWS 환경 내 HPC 기반 Design Environment 구축
CAD/CAE/EDA 최적화 달성
VS.
•제한된 Computing Power 병목 현상에 부딪힘
•비싼 Shared File Storage에 全 시뮬레이션 정보 저장
•H/W Refresh Cycle에 대한 대응 필요
•값비싼 고사양 Workstation 필요
•Scalability 병렬처리로 Time-to-Market 혁신
•S3/MVNE 등 Storage Option 성능/비용 효율성
•최신 Instance로의 지속적인 혁신
•Thin Client 기반 안정성 높은 Remote Access 가능
산업을 막론하고 다수의 기업들이 AWS HPC를 활용한 Time-to-Market 혁신을 달성 中
4. 7nm의 IT challenge & 사업 불확실성
Resource Gap 존재
MediaTek case1
“7nm 차세대 반도체가 고도화된 기술을 바탕으로 생산됨에 따라 디자인의 정교함, EDA workload, 및 compute
스케일 또한 배가 되었으며…사업 불확실성에 따른 R&D 계획 변동으로 인해 resource gap이 증가하는 문제가
발생하고 있습니다.” -Yi-Ching Lee, General Manager, IT, MediaTek
VS
필요 리소스량 예측 실제 필요 리소스량
• 트랜지스터 집적도, EDA job 개수, 프로젝트 당
서버 수가 모두 10배 이상 증가함
• 사업 불확실성으로 인해 R&D 계획에 변동 발생
Resource gap 야기됨
5. AWS Hybrid Cloud 도입 후 Challenge 해결
가변적 사업 수요에 맞춘 유연적 resource 제공
MediaTek case1
“하이브리드 클라우드 솔루션은 점점 더 진화하고 있고, 더욱 빨리 확산되고 있으며, 더 많은
엔터프라이즈에서 scaling 목적으로 도입하고 있습니다…저희도 AWS 하이브리드 클라우드를 도입해
성공적으로 사업적 유연성에 대응할 수 있었습니다.” -Yi-Ching Lee, General Manager, IT, MediaTek
• 5G-SoC tapeout 스케줄에 맞추기 위해
1주일 안에 1,000대 이상의 대용량 메모리
서버가 필요했음
• AWS 클라우드를 도입해 강력한 클라우드
인스턴스를 대거 활용하여 제한된 시간 내에
성공적으로 목표를 달성함
클라우드 도입을 통해 극단적으로 가변적인
사업 수요에 발빠르게 대응 가능
Clou
d(가변적
수요)
(고정적
수요)
6. Hybrid Cloud로 향상된 IT agility로 최초로
클라우드 기반의 EDA로 N7-SoC 생산 성공
MediaTek case1
“자사의 5G SoC tapeout 스케줄을 위해 하이브리드 클라우드를 도입해 IT agility를 향상시킬 수
있었으며, 가변하는 사업 수요 또한 만족시킬 수 있었습니다…결과론적으로 5G SoC 프로젝트는
성공적이었습니다.” -Yi-Ching Lee, General Manager, IT, MediaTek
• AWS와의 seamless collaboration을 통해
다음과 같은 성과 달성;
1) 산업 내 최초로 클라우드 기반의 EDA를
바탕으로 N7-SoC 프로젝트를 성공적으로 수행
2) 1,000대의 EC2 Instance를 통해 30,000 Core
확보 1,200만 Core-Hours 활용 Resource
gap Closing
3) 대량의 active 데이터 관리
7. AWS의 HPC 기반 백만 vCPU 활용
HDD 시뮬레이션 시간 20일에서 8시간으로 단축
Western Digital1) Case2
“기존의 제약들로부터 벗어나면, 그때부터는 워크플로우를 어떻게 하면 이전에는 불가능했을 정도로
가속화시킬 수 있을까 등의 고민을 할 수 있게 됩니다” - Barry Bolding, Director of Business Development, HPC, AWS
클라우드 도입 전
클라우드 도입 후
20일 소요
총
8시간으로 시간 단축
1) Western Digital (WD): 미국의 하드 디스크 생산업체. 2012년 히타치의 하드디스크 사업부를 인수하고 세계 최대의 하드디스크 생산업체로 등극
8. AWS HPC 기반 CFD (Computational Fluid Dynamics)
경주 시뮬레이션 시간 수일에서 8시간으로 단축
Formula 1 Case3
“
• Formula 1 팬들의 니즈는 보다
치열한 Race 공기역학이 중요!
• Downforce: 구동력강화와
조종성향상을 위해 차체를 노면
쪽으로 누르는 힘
• CFD1) Wind Tunnel2) Track
Test의 Golden Triangle로 차량
최적화
• Formula 1 차량 설계의 Key:
Aerodynamic Wake Effect의 최소화
• Wake Effect 문제를 AWS HPC기반
CFD로 해결
• One Car 시뮬레이션에 기존 4일 소요
AWS HPC로 Two Car 시뮬레이션
8시간 내 완료
• [신차 개발] 1초 차 Downforce 저감:
30 5%
9. AWS ML (Machine Learning) Stack
가장 넓고 완성도 있는 ML 역량 제공
VISION SPEECH TEXT SEARCH NEW CHATBOTS PERSONALIZATION FORECASTING FRAUD NEW DEVELOPMENT NEW CONTACT CENTERS NEW
Amazon SageMaker Ground
Truth
Augmented
AI
SageMaker
Neo
Built-in
algorithms
SageMaker
Notebooks NEW
SageMaker
Experiments NEW
Model
tuning
SageMaker
Debugger NEW
SageMaker
Autopilot NEW
Model
hosting
SageMaker
Model Monitor NEW
Deep Learning
AMIs & Containers
GPUs &
CPUs
Elastic
Inference
Inferentia FPGA
Amazon
Rekognition
Amazon
Polly
Amazon
Transcribe
+Medical
Amazon
Comprehend
+Medical
Amazon
Translate
Amazon
Lex
Amazon
Personalize
Amazon
Forecast
Amazon
Fraud Detector
Amazon
CodeGuru
AI SERVICES
ML SERVICES
ML FRAMEWORKS & INFRASTRUCTURE
Amazon
Textract
Amazon
Kendra
Contact Lens
For Amazon Connect
SageMaker Studio IDE NEW
NEW
NEW
NEW
NEW +Medical NEW
10. Lean ML (Distributed ML) on AWS
ML Training 시간 16배 단축
Toyota Research Institute Case4
“우리는 Machine Learning계에 Toyota Production System이 있다면 그것이 무엇일까 계속 고민했다.
Distributed Machine Learning on AWS가 바로 ‘Lean’으로 가는 해답이었다. ” -Adrien Gaidon, Machine Learning Lead, TRI
• Distributed Machine Learning on
AWS 아키텍처를 통해 Iteration
Cycle에 대한 소요시간 16배 단축
• 초기 S3 Data를 CPU로 보내 이미지
로딩/변환 후 GPU로 DL 구동 Slow
• Performance 최적화 Journey 시작
‒S3 RAM Disk Distributed FS
‒CPU 증량 P3 P3 분산처리
• Lean: Bottleneck 찾아 최적화하는 것
• Object Detection 후 다음 상황 예측
Collide Prevention 등 수행
• 도로 / 하늘 / 차량 등 고해상도 이미지
Training 시간이 Bottleneck (수개월)
12. Modern Technology 기반 시장 경쟁력 강화 지향
Public Cloud 도입 통한 효과적 기술 역량 확보
Verizon Case6
“AWS는 Verizon Transformation의 Key Component다. Verizon의 에너지는 고객 가치 창출에 집중시키고,
AWS의 Cloud 서비스를 통해 On-Demand Scale, 안정성을 확보하여 Application Modernization을 달성중이다.
특히, 먼저 Experiment하고 Fail Fast해서 혁신 속도를 높이는데 AWS를 활용 중이다. ” –Mahmoud El-Assir, SVP & CTO, Verizon
• Verizon은 Cloud 등 Technology
Journey를 전사적인 차원에서 수행 중
• Modern Technology를 통해 신규
고부가 시장을 창출하는 것이 Mission
• 효율성, 스피드, 혁신성에 집중
Cloud로의 전환을 통해 기술 투자를
자본에서 비용으로 전환하는 것이 핵심
• AI/ML, RPA, AR/VR, Chatbot 등
Emerging Tech 적용 차별화된 고객
경험 제공 및 시장 경쟁력 확보
16. 1. LG사이언스파크 소개
LG사이언스파크는 그룹의 역량을 총집결하여 새로운 기술 및 비즈니스 혁신을 창출하기 위하여 설립 되었으며,
현재는 그룹의 『디지털 트렌스포메이션』, 『미래준비 R&D』를 리딩하는 그룹의 Hub 역할을 하고 있습니다.
17. LG, AI 경쟁력 강화 박차…그룹 통합 AI개발 인프라 구축 (‘19.11.26)
AWS 클라우드 기반으로 멀티 GPU를 활용…
딥러닝 작업 시간을 30% 이상 단축
개발자들이 손쉽게 AI를 활용할 수 있도록
사용자 그래픽 인터페이스(GUI)를 적용
계열사 간 AI 알고리즘을 공유해 개발자
생태계를 활성화하고 오픈 이노베이션 추진
국내 대기업 가운데 처음으로
‘퍼블릭 클라우드‘ 기반 구축
18. AI 개발인프라 구축 이유
Custom ML
모델학습 단계
데이터수집/저장 학습용
데이터가공/처리
학습환경셋팅
및준비
학습및
모델튜닝
배포
방법1. Pre-packagedAI 사용 방법3. CustomML 모델 학습방법2. AI 플랫폼 기반 개발
AI
개발 방법
그룹의 인공지능/머신러닝 모델을 개발하는 모든 들이 일할 수 있는 환경
노하우를 공유하고 문제를 해결할 수 있는 환경을 제공
20. 통합 AI 과제/자원 모니터링1
기능 상세
통합로그인 회원계정생성,로그인,계정DB관리
프로젝트현황
계열사별프로젝트진행상황
(과제멤버,과제내용파악)
자원관리 각계열사별과제자원사용현황
비용관리 청구부서단위(개발조직)로세분화된 비용현황
21. 포탈
AI개발Hub
쉽고 빠른 학습 자원 생성 및 사용2
• 분석 과제 단위로 프로젝트 관리
• Docker 기반의 컨테이너 개별 생성
• 프로젝트에 할당된 서버 Quota 한도
안에서 필요한 자원 선택 가능
• Custom 분석 환경 생성
22. 보안 및 편의성이 높은 아키텍처3
• Architecture 특징
1) 보안성 강화
- 계열사별 VPC 분리 구성하고
학습 전용망 연결
2) 청구부서 (AWS계정) 단위 분리
- 학습 자원 (GPU, EFS 등)
사용량 만큼 분리 청구 지원
- 다양한 Instance Type 지원
(p3, p2, g4dn 등)
3) 학습 준비 및 학습 시간 단축
- 셀프 분석환경 생성,
멀티 GPU 병렬 실행 학습 지원
23. 3. AI 인프라 활용
인공지능/머신러닝 통한 문제 해결 과정과 LG AI 우수사례 공유하기 위한 시스템은
AWS 클라우드 기반 AI 개발 인프라를 활용하고 있습니다.
『AI 고급 문제 해결 』인재 육성 『AI우수 사례 공유 시스템』 구축
• LG그룹내AI 전문가양성과정
• 멘토-멘티간현업의문제해결위한협업
• AI연구결과물및활용우수사례의전파/확산
• 알고리즘/데이터/기술문서등AI연구자산공유
CCTV
영상
데이터
<통신>
<전자> <화학>
<….>